基于蚁群算法的动态车辆调度系统设计
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与研究意义 | 第13-14页 |
| 1.2 车辆调度的国内外研究现状 | 第14-16页 |
| 1.3 本文组织结构 | 第16-17页 |
| 第二章 车辆调度问题综述 | 第17-29页 |
| 2.1 车辆调度问题描述 | 第17-18页 |
| 2.2 影响车辆调度的因素 | 第18-19页 |
| 2.3 车辆调度问题的分类与数学模型 | 第19-23页 |
| 2.3.1 车辆调度问题的分类 | 第19-20页 |
| 2.3.2 两种常见的车辆调度问题的数学模型 | 第20-23页 |
| 2.4 车辆调度问题的研究方法 | 第23-26页 |
| 2.4.1 精确算法 | 第24页 |
| 2.4.2 启发式算法 | 第24-26页 |
| 2.5 动态车辆调度问题 | 第26-28页 |
| 2.5.1 动态车辆问题描述 | 第26-27页 |
| 2.5.2 动态车辆调度问题信息处理方法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 车辆调度系统的算法设计 | 第29-44页 |
| 3.1 蚁群算法概述 | 第29-31页 |
| 3.1.1 蚁群算法的思想起源 | 第29-30页 |
| 3.1.2 蚁群算法的基本原理 | 第30-31页 |
| 3.1.3 蚁群算法的特点 | 第31页 |
| 3.2 基本蚁群算法 | 第31-35页 |
| 3.2.1 基本蚁群算法的数学模型 | 第31-33页 |
| 3.2.2 基本蚁群算法的求解步骤 | 第33-35页 |
| 3.3 TSP与VRP的区别 | 第35页 |
| 3.4 自适应蚁群算法 | 第35-39页 |
| 3.4.1 自适应蚁群算法的思想 | 第35-36页 |
| 3.4.2 信息素的更新 | 第36页 |
| 3.4.3 可行解问题 | 第36-37页 |
| 3.4.4 自适应蚁群算法的具体实现步骤 | 第37-39页 |
| 3.5 最大-最小蚁群算法与带时间窗的车辆调度 | 第39-43页 |
| 3.5.1 最大-最小蚁群算法的思想 | 第39页 |
| 3.5.2 MMAS系统中路径的构造 | 第39-40页 |
| 3.5.3 信息素的更新 | 第40-41页 |
| 3.5.4 初始解的构造 | 第41页 |
| 3.5.5 最大-最小蚁群算法的实现步骤 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 ZigBee技术与系统硬件设计 | 第44-63页 |
| 4.1 ZigBee技术简介 | 第44-48页 |
| 4.1.1 ZigBee技术的起源 | 第44页 |
| 4.1.2 ZigBee技术的特点 | 第44-45页 |
| 4.1.3 ZigBee协议栈 | 第45-47页 |
| 4.1.4 ZigBee网络 | 第47-48页 |
| 4.1.5 ZigBee技术的应用 | 第48页 |
| 4.2 系统总体框架设计 | 第48-49页 |
| 4.3 系统的硬件平台 | 第49-57页 |
| 4.3.1 系统开发平台 | 第49-51页 |
| 4.3.2 智能Agent的设计 | 第51-55页 |
| 4.3.3 小车循迹机制 | 第55-56页 |
| 4.3.4 串口通信 | 第56-57页 |
| 4.4 模拟平台系统演示 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 仿真分析与系统演示 | 第63-75页 |
| 5.1 动态车辆调度问题的复杂性 | 第63-64页 |
| 5.2 集货或卸货非满载车辆的动态调度仿真分析 | 第64-67页 |
| 5.2.1 调度方案设计 | 第64-65页 |
| 5.2.2 实例分析 | 第65-67页 |
| 5.3 带时间窗的动态调度仿真分析 | 第67-71页 |
| 5.3.1 调度方案设计 | 第67-68页 |
| 5.3.2 实例分析 | 第68-71页 |
| 5.4 系统模拟演示 | 第71-74页 |
| 5.5 本章小结 | 第74-75页 |
| 总结与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间发表论文 | 第81-83页 |
| 致谢 | 第83页 |
