基于粒子群蚁群混合算法的物流车辆路径问题研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 粒子群算法的国内外研究现状 | 第10页 |
| 1.2.2 蚁群算法的国内外研究现状 | 第10-11页 |
| 1.2.3 车辆路径问题的国内外研究现状 | 第11-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 2 粒子群及蚁群算法的基础知识 | 第15-27页 |
| 2.1 粒子群算法介绍 | 第15-21页 |
| 2.1.1 粒子群算法的基本原理 | 第15-16页 |
| 2.1.2 粒子群算法的流程 | 第16-17页 |
| 2.1.3 粒子群算法的特点 | 第17-18页 |
| 2.1.4 几种粒子群算法的改进方法 | 第18-20页 |
| 2.1.5 粒子群算法的研究及应用 | 第20-21页 |
| 2.2 蚁群算法介绍 | 第21-27页 |
| 2.2.1 蚁群算法的基本原理 | 第21-23页 |
| 2.2.2 蚁群算法模型的数学描述 | 第23-24页 |
| 2.2.3 蚁群算法的实现步骤 | 第24页 |
| 2.2.4 基本蚁群算法的特点 | 第24-27页 |
| 3 粒子群蚁群混合算法求解旅行商问题 | 第27-36页 |
| 3.1 粒子群算法的改进 | 第27-28页 |
| 3.1.1 多粒子群竞争机制 | 第27页 |
| 3.1.2 自适应变异策略 | 第27-28页 |
| 3.1.3 算法步骤 | 第28页 |
| 3.2 最大最小蚂蚁算法 | 第28-30页 |
| 3.2.1 Max-Min Ant System | 第28-29页 |
| 3.2.2 算法步骤 | 第29-30页 |
| 3.3 粒子群蚁群混合算法 | 第30-32页 |
| 3.3.1 混合算法的思想 | 第30-31页 |
| 3.3.2 算法流程 | 第31-32页 |
| 3.4 旅行商问题 | 第32-33页 |
| 3.4.1 旅行商问题概述 | 第32页 |
| 3.4.2 旅行商问题的数学模型 | 第32-33页 |
| 3.5 仿真实验 | 第33-36页 |
| 4 粒子群蚁群混合算法在车辆路径问题中的应用 | 第36-50页 |
| 4.1 车辆路径问题的研究 | 第36-38页 |
| 4.1.1 车辆路径问题概述 | 第36页 |
| 4.1.2 车辆路径问题的约束条件 | 第36-37页 |
| 4.1.3 车辆路径问题的分类 | 第37-38页 |
| 4.2 车辆路径问题的求解方法 | 第38-43页 |
| 4.2.1 一般算法 | 第38-39页 |
| 4.2.2 启发式算法 | 第39-43页 |
| 4.3 粒子群蚁群混合算法求解车辆路径问题 | 第43-50页 |
| 4.3.1 车辆路径问题的数学模型 | 第43-44页 |
| 4.3.2 测试实例 | 第44-49页 |
| 4.3.3 实验小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 作者简介 | 第57页 |
