基于GA-ACO的应急物流配送车辆调度研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-17页 |
| 1.2.3 目前研究中存在的主要问题 | 第17页 |
| 1.3 本文的主要研究内容及方法 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 研究方法 | 第18页 |
| 1.3.3 本文的创新点 | 第18-19页 |
| 1.3.4 技术路线 | 第19-20页 |
| 第2章 应急物流配送相关理论 | 第20-32页 |
| 2.1 应急物流相关理论 | 第20-25页 |
| 2.1.1 应急物流的概念和特点 | 第20-22页 |
| 2.1.2 应急物流的构成要素 | 第22-23页 |
| 2.1.3 应急物流的研究内容 | 第23-24页 |
| 2.1.4 应急物流与普通物流的区别 | 第24-25页 |
| 2.2 车辆调度理论 | 第25-29页 |
| 2.2.1 车辆调度问题的概念 | 第25页 |
| 2.2.2 车辆调度问题的构成要素 | 第25-27页 |
| 2.2.3 车辆调度问题的分类 | 第27-29页 |
| 2.3 车辆调度问题的求解算法 | 第29-31页 |
| 2.3.1 精确算法 | 第29页 |
| 2.3.2 经典启发式算法 | 第29-30页 |
| 2.3.3 现代启发式算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 应急物流配送车辆调度模型 | 第32-42页 |
| 3.1 经典车辆调度问题 | 第32-33页 |
| 3.1.1 经典车辆调度问题的含义 | 第32页 |
| 3.1.2 经典车辆调度问题的模型 | 第32-33页 |
| 3.2 带时间窗的车辆调度问题 | 第33-36页 |
| 3.2.1 带时间窗的车辆调度问题的含义 | 第33-34页 |
| 3.2.2 带时间窗的车辆调度问题的模型 | 第34-35页 |
| 3.2.3 带时间窗的应急物流配送车辆调度问题 | 第35-36页 |
| 3.3 应急物流配送车辆调度模型构建 | 第36-41页 |
| 3.3.1 问题描述 | 第36-37页 |
| 3.3.2 假设条件 | 第37-38页 |
| 3.3.3 符号说明 | 第38-39页 |
| 3.3.4 模型建立 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 遗传-蚁群算法理论 | 第42-55页 |
| 4.1 遗传算法理论 | 第42-46页 |
| 4.1.1 遗传算法的基本思想 | 第42页 |
| 4.1.2 遗传算法的构成要素 | 第42-44页 |
| 4.1.3 遗传算法的基本步骤 | 第44-45页 |
| 4.1.4 遗传算法的特点及不足 | 第45-46页 |
| 4.2 蚁群算法理论 | 第46-51页 |
| 4.2.1 蚁群算法的基本原理 | 第46-48页 |
| 4.2.2 蚁群算法的数学模型 | 第48-49页 |
| 4.2.3 蚁群算法的基本步骤 | 第49-50页 |
| 4.2.4 蚁群算法的特点及不足 | 第50-51页 |
| 4.3 遗传-蚁群算法理论 | 第51-54页 |
| 4.3.1 遗传-蚁群算法的设计思想 | 第51-52页 |
| 4.3.2 遗传-蚁群算法的基本步骤 | 第52-53页 |
| 4.3.3 遗传-蚁群算法的基本流程 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 实证研究 | 第55-66页 |
| 5.1 实证背景 | 第55-56页 |
| 5.2 案例分析 | 第56-63页 |
| 5.2.1 数据来源 | 第56-60页 |
| 5.2.2 算法设计 | 第60-61页 |
| 5.2.3 参数选取 | 第61页 |
| 5.2.4 结果对比分析 | 第61-63页 |
| 5.3 提高应急物流配送效率的对策与建议 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第73-74页 |
