基于混合智能优化算法的车辆路径优化研究PDF电子书下载

第1章 调度优化问题概述 1

1.1 调度问题概述 1

1.1.1 调度的定义 1

1.1.2 调度问题的特点 2

1.1.3 调度管理的必要性 4

1.2 优化的相关概念 4

1.2.1 优化的发展及分类 4

1.2.2 优化问题的求解 5

1.3 调度优化问题应用研究概述 7

1.3.1 物流配送调度问题研究 7

1.3.2 作业车间调度问题研究 8

1.3.3 生产批量计划问题研究 10

小结 11

第2章 车辆路径问题 12

2.1 车辆路径问题背景 12

2.2 车辆路径问题概述 13

2.3 车辆路径问题数学描述及评价指标 16

2.4 车辆路径问题的分类和研究现状 17

2.4.1 车辆路径问题的分类 17

2.4.2 车辆路径问题研究现状 18

2.5 车辆路径问题的几种研究方法 26

2.5.1 精确算法 27

2.5.2 启发式算法 27

2.6 研究中存在的问题及发展趋势 31

小结 31

第3章 智能量子算法 32

3.1 研究现状 32

3.1.1 与其他算法的比较 33

3.1.2 优势 34

3.2 量子计算逻辑体系 35

3.2.1 量子比特 35

3.2.2 量子门 36

3.2.3 向量空间 38

3.2.4 量子理论假设 40

3.2.5 量子纠缠 42

3.2.6 量子计算特性 42

3.3 量子计算的内涵及外延 44

3.3.1 量子计算原理 44

3.3.2 基于量子理论的优化算法原理 45

小结 54

第4章 云智能算法下的车辆路径问题 55

4.1 云算法概述 55

4.1.1 云模型的定义 55

4.1.2 云模型发生器 56

4.1.3 云模型的性质 58

4.2 云计算的概念 58

4.3 云遗传算法概述 59

4.3.1 云遗传算法研究现状 59

4.3.2 云遗传算法的特点 61

4.3.3 基本云遗传算法 62

4.3.4 云自适应量子遗传算法 62

小结 66

第5章 云计算模式下带时间窗车辆路径问题 67

5.1 问题概述 67

5.1.1 问题分类 67

5.1.2 数学模型 68

5.2 VRPTW的改进量子遗传算法研究 70

5.2.1 量子遗传算法工作原理 71

5.2.2 改进量子遗传算法 73

5.2.3 算法复杂度分析 74

5.2.4 实验及分析 74

5.3 VRPTW的混合量子粒子群算法研究 77

5.3.1 量子粒子群优化算法 77

5.3.2 粒子编码 78

5.3.3 评价函数的计算 78

5.3.4 混合量子粒子群算法计算步骤 79

5.3.5 仿真实验及分析 80

小结 82

第6章 云计算模式下的不确定需求车辆路径问题 83

6.1 不确定需求车辆路径问题描述 83

6.2 不确定需求车辆路径问题分析 84

6.2.1 模糊需求量描述 84

6.2.2 VRPUD模型描述 85

6.3 不确定需求车辆路径问题数学模型 87

6.3.1 静态需求优化阶段 87

6.3.2 动态实时需求优化阶段 88

6.4 云自适应遗传算法 89

6.4.1 云遗传算法组成要素 89

6.4.2 基本云遗传算法操作 91

6.4.3 云自适应遗传算法 92

6.4.4 基于AHP的决策策略 94

6.5 数据分析与仿真验证 95

小结 98

第7章 有同时集送货需求车辆路径问题 99

7.1 求解方法对比 99

7.2 问题描述和数学模型 100

7.2.1 问题描述 100

7.2.2 数学模型 101

7.3 集送货问题模型的分类 102

7.3.1 调度路径的可行性分析 103

7.3.2 问题解的可行性分析 105

7.3.3 静态调度问题 107

7.3.4 动态调度问题 108

7.4 基于混沌理论的改进量子算法 109

7.4.1 量子算法的优势 109

7.4.2 混沌理论 110

7.4.3 量子算法的实现 112

7.5 实例研究与分析 114

7.5.1 混沌方法初始化 115

7.5.2 改进方法计算旋转角 116

7.5.3 量子进化算法 117

小结 119

第8章 云计算模式下的动态车辆路径问题 120

8.1 问题概述 120

8.2 DVRP调度模型 121

8.2.1 DVRP描述 121

8.2.2 目标函数 121

8.3 DVRP调度策略 122

8.4 DVRP的混合量子粒子群算法 123

8.4.1 双链量子编码 123

8.4.2 基于Logistic映射的粒子群算法 124

8.4.3 改进算法设计步骤 125

8.4.4 数据分析与验证 126

8.5 基于云计算理论的自适应遗传算法 128

8.5.1 求解策略 128

8.5.2 数据分析与验证 128

小结 132

第9章 智能量子算法在物流“最后一公里”问题中的应用 133

9.1 应用背景 133

9.2 不同模式的配送效率模型 134

9.2.1 问题描述 134

9.2.2 配送模型分析 135

9.2.3 有关服务时间（ts）的分析 137

9.3 改进的量子细菌觅食算法 139

9.3.1 传统的BFOA算法 140

9.3.2 改进的QBFO描述 140

9.4 QBFO的性能分析 142

9.4.1 初始值的设置 142

9.4.2 绩效评估 143

9.4.3 基于MAGTD的调度决策 143

9.5 案例研究 144

9.5.1 仿真示例 144

9.5.2 实例测试 144

9.5.3 不同配送模式下的成本比较 145

小结 147

第10章 智能量子算法在物流配送干扰管理中的应用 148

10.1 应用背景 148

10.2 干扰管理模型 149

10.2.1 问题描述 149

10.2.2 干扰管理模式 150

10.2.3 问题目标函数 151

10.3 配送干扰管理求解算法 153

10.3.1 双链量子编码 153

10.3.2 基于Logistic映射的粒子群算法 154

10.3.3 改进算法设计步骤 154

10.3.4 算法收敛性比较 155

10.4 数值实验 156

10.4.1 测试算例 156

10.4.2 算例验证 157

小结 160

第11章 总结与展望 162

11.1 总结 162

11.2 工作展望 163

参考文献 164