| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景 | 第9页 |
| 1.3 课题研究目的与意义 | 第9-10页 |
| 1.4 国内外相关研究现状 | 第10-14页 |
| 1.4.1 国外研究现状 | 第10-12页 |
| 1.4.2 国内研究现状 | 第12-13页 |
| 1.4.3 分析和总结 | 第13-14页 |
| 1.5 主要研究内容与论文结构 | 第14-17页 |
| 1.5.1 主要研究内容 | 第15页 |
| 1.5.2 本文组织结构 | 第15-17页 |
| 第2章 基本蚁群算法和冷链物流配送问题 | 第17-29页 |
| 2.1 基本蚁群算法 | 第17-20页 |
| 2.1.1 蚁群算法基本思想 | 第17-18页 |
| 2.1.2 蚁群算法基本模型 | 第18-20页 |
| 2.2 车辆路径规划问题 | 第20-23页 |
| 2.2.1 车辆路径规划问题概述 | 第21页 |
| 2.2.2 车辆路径规划问题的构成要素 | 第21-23页 |
| 2.3 建立冷链物流配送模型 | 第23-28页 |
| 2.3.1 冷链物流配送问题的介绍 | 第23-24页 |
| 2.3.2 冷链物流配送模型的参数定义 | 第24页 |
| 2.3.3 冷链物流配送模型的约束条件 | 第24-25页 |
| 2.3.4 冷链物流配送模型的目标函数 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于蚁群框架的算法改进及相关实验 | 第29-45页 |
| 3.1 基于蚁群框架的算法改进 | 第29-33页 |
| 3.1.1 公式概率与随机概率相结合的路径选择策略 | 第29-30页 |
| 3.1.2 信息素的零反馈机制 | 第30-31页 |
| 3.1.3 全局最优解和迭代最优解相结合的信息素反馈机制 | 第31-32页 |
| 3.1.4 基于最近领域搜索算法的初始解改进策略 | 第32-33页 |
| 3.2 相关实验以及结果分析 | 第33-44页 |
| 3.2.1 参数实验 | 第33-38页 |
| 3.2.2 改进前后蚁群算法的对比实验 | 第38-41页 |
| 3.2.3 改进后蚁群算法与遗传算法的对比实验 | 第41-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 系统设计与实现 | 第45-52页 |
| 4.1 系统概述与架构 | 第45-47页 |
| 4.2 功能模块介绍 | 第47-49页 |
| 4.3 系统设计要点 | 第49-51页 |
| 4.3.1 Numpy计算包 | 第49-50页 |
| 4.3.2 matplotlib绘图库 | 第50页 |
| 4.3.3 PyQt | 第50页 |
| 4.3.4 python(x,y) | 第50-51页 |
| 4.3.5 multiprocessing多进程包 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第57-59页 |
| 致谢 | 第59页 |
