| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-17页 |
| 1.1 论文的选题背景 | 第14-15页 |
| 1.2 带时间窗的车辆路径问题(VRPTW)的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 2 带时间窗的车辆路径问题 | 第17-26页 |
| 2.1 车辆路径问题概述 | 第17-18页 |
| 2.2 车辆路径问题中的约束条件 | 第18页 |
| 2.3 车辆路径问题中的影响因素 | 第18-19页 |
| 2.4 VRPTW问题描述及其数学模型 | 第19-21页 |
| 2.4.1 问题描述 | 第19-20页 |
| 2.4.2 VRPTW模型的构建 | 第20-21页 |
| 2.5 VRPTW的常见求解方法 | 第21-26页 |
| 2.5.1 精确算法 | 第21-22页 |
| 2.5.2 经典启发式算法 | 第22-24页 |
| 2.5.3 现代启发式算法 | 第24-26页 |
| 3 蚁群算法和细菌觅食算法的改进 | 第26-41页 |
| 3.1 蚁群算法 | 第26-31页 |
| 3.1.1 蚁群算法发展历史 | 第26-27页 |
| 3.1.2 蚁群算法的特征和机制 | 第27-28页 |
| 3.1.3 蚁群算法的数学模型 | 第28-29页 |
| 3.1.4 蚁群算法的基本流程 | 第29-30页 |
| 3.1.5 蚁群算法的参数设置 | 第30-31页 |
| 3.2 细菌觅食算法(BFO)的改进 | 第31-41页 |
| 3.2.1 细菌觅食算法的仿生机理 | 第31-32页 |
| 3.2.2 细菌觅食算法的基本原理 | 第32-36页 |
| 3.2.3 BFO算法的流程 | 第36-37页 |
| 3.2.4 BFO算法存在的优缺点 | 第37-38页 |
| 3.2.5 细菌觅食算法的改进 | 第38-41页 |
| 4 改进混合蚁群算法在VRPTW中的研究 | 第41-58页 |
| 4.1 算法结合可行性 | 第41页 |
| 4.2 算法结合的基本思想 | 第41-42页 |
| 4.3 IHACO算法的基本原理 | 第42-47页 |
| 4.3.1 信息素限制的改进 | 第42-43页 |
| 4.3.2 局部搜索的改进 | 第43-44页 |
| 4.3.3 目标客户节点选择策略 | 第44页 |
| 4.3.4 设置相关控制参数 | 第44-45页 |
| 4.3.5 细菌觅食算子 | 第45页 |
| 4.3.6 IHACO参数自适应策略 | 第45-47页 |
| 4.4 IHACO算法求解VRPTW的基本步骤 | 第47-49页 |
| 4.5 算法仿真实验 | 第49-58页 |
| 4.5.1 系统需求 | 第49页 |
| 4.5.2 系统分析 | 第49页 |
| 4.5.3 数据文件格式 | 第49-51页 |
| 4.5.4 算法实现 | 第51-54页 |
| 4.5.5 仿真结果分析 | 第54-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 作者简介及读研期间主要科研成果 | 第65页 |