| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外的研究现状 | 第10-12页 |
| 1.3 论文的研究内容及结构安排 | 第12-14页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 文章结构安排 | 第13-14页 |
| 第二章 路径规划的基础理论 | 第14-23页 |
| 2.1 车辆路径规划 | 第14-18页 |
| 2.1.1 车辆路径规划的基本定义及分类 | 第14-15页 |
| 2.1.2 车辆路径规划的数学模型 | 第15-17页 |
| 2.1.3 求解车辆路径规划的基本方法 | 第17-18页 |
| 2.2 移动机器人路径规划 | 第18-22页 |
| 2.2.1 移动机器人路径规划的定义及分类 | 第18-19页 |
| 2.2.2 环境模型的建立 | 第19-21页 |
| 2.2.3 求解路径规划的算法分类 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 经典智能算法的概述 | 第23-30页 |
| 3.1 蚁群算法 | 第23-27页 |
| 3.1.1 蚁群算法的基本概念 | 第23-24页 |
| 3.1.2 蚁群算法的实现过程及流程框架 | 第24-26页 |
| 3.1.3 蚁群算法的优缺点 | 第26-27页 |
| 3.2 粒子群算法 | 第27-29页 |
| 3.2.1 粒子群算法的起源 | 第27-28页 |
| 3.2.2 粒子群算法的原理及实现步骤 | 第28-29页 |
| 3.2.3 影响算法性能的关键因素分析 | 第29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 基于自适应动态搜索蚁群算法的车辆路径规划 | 第30-41页 |
| 4.1 案例描述 | 第30-31页 |
| 4.2 自适应动态搜索蚁群算法 | 第31-34页 |
| 4.2.1 转移概率的改进 | 第32页 |
| 4.2.2 信息素强度的动态调整 | 第32-33页 |
| 4.2.3 ADACO算法的伪代码描述 | 第33-34页 |
| 4.3 实验仿真及结果分析 | 第34-40页 |
| 4.3.1 参数设置 | 第34-35页 |
| 4.3.2 仿真结果及分析 | 第35-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 混合策略粒子群优化算法求解移动机器人路径规划 | 第41-51页 |
| 5.1 环境配置 | 第41-42页 |
| 5.2 混合策略粒子群优化算法 | 第42-45页 |
| 5.2.1 小生境 | 第42-43页 |
| 5.2.2 动态反向学习策略 | 第43页 |
| 5.2.3 测试函数的建立 | 第43-44页 |
| 5.2.4 算法的实现步骤及流程 | 第44-45页 |
| 5.3 实验仿真及结果分析 | 第45-49页 |
| 5.3.1 实验参数设置 | 第45-46页 |
| 5.3.2 仿真结果及分析 | 第46-49页 |
| 5.4 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间的研究成果 | 第59页 |