一、禁忌遗传算法在TSP中的应用（论文文献综述）
闫茹[1]（2021）在《基于改进遗传算法的旅游路线优化研究与应用》文中进行了进一步梳理当前乡村旅游已成为人们追求淳朴生活和放松身心的一种旅游方式。然而,部分乡村旅游缺乏为用户提供服务的统一信息平台,无法提供个性化旅游体验服务。面对陌生的景区,复杂的旅游环境及匮乏的旅游服务信息平台游客很难实现对目标旅游目的地的提前旅行规划。本文针对游客外出旅行中面临的旅游路线规划问题,提出了一种改进遗传算法的旅行商问题求解。以宁夏彭阳县旅游景点信息为例,结合旅游行程中游客所关注的游行时间、游玩费用、景点热度等多目标约束条件建立行程规划数学模型,得到满足游客需求的最优路线规划。最后,基于改进的遗传算法,设计行程规划模块体系结构,并采用Spring Boot框架完成彭阳县乡村旅游信息服务平台的设计与实现,提升彭阳县旅游的智慧化服务。本文主要研究内容如下:（1）提出适用于旅游路线规划问题的改进遗传算法。针对遗传算法存在的不足,提出了一种新的混合遗传算法。该混合遗传算法主要从种群初始化、交叉概率调节机制、引入搜索能力强的局部算子3个方面改进基本遗传算法。为了证明算法改进的有效性,采用国际标准数据集TSPL IB中多个实例进行实验,结果表明,混合遗传算法求解精度更高、收敛速度更快,更适合于求解旅游路线规划问题。（2）研究了乡村旅游中旅游路线规划问题的建模与求解。本文以彭阳县15个景点为应用实例,结合问题实际,研究有时间和费用、景点热度的多目标约束的行程规划问题,并建立基于行程规划的数学模型。通过收集景点相关数据,采用混合遗传算法求解路线规划问题,给出具体行程安排结果。（3）设计并实现了彭阳县乡村旅游信息服务平台。该平台能够为游客提供景点介绍、特产销售、农家乐、酒店预订、路线定制推荐等多种服务,其中旅游路线定制推荐功能可以直观的展示景点之间的路线结果。该平台可以帮助游客更真实、更丰富、更全面的了解彭阳旅游资源,方便游客提前安排旅游计划。系统运行流畅,运行结果皆能达到预期效果,具有较强的实用性,可以有效的提升彭阳县乡村旅游服务体验。
焦青[2]（2020）在《基于蚁群算法的电能质量扰动源定位研究》文中进行了进一步梳理随着科技水平的发展,电能的应用场景越来越多,各种类型负荷的使用导致了电能质量的下降,特别是一些非线性负荷和冲击性负荷对电能质量的影响尤其严重。电能质量下降导致的各种问题使得科研工作者对其展开了相关研究,但是目前对于电能质量扰动源定位方面的研究相对较少。为了查明电能质量扰动来源、提高电能质量水平、减小电力系统运行风险和经济损失,应该快速准确的定位电能质量扰动源位置。现有的电能质量扰动源定位方法仍然存在某些方面的不足,还需要不断进行研究。针对现有电能质量扰动源定位方法的不足之处,本文提出了一种基于蚁群算法的电能质量扰动源定位法,研究了蚁群算法在寻优问题中的应用和优势,并将蚁群算法用以求解电能质量扰动源定位问题。主要研究内容如下:（1）通过蚁群的觅食行为阐述了蚁群算法的基本原理,以旅行商问题为例分析了蚁群算法的路径选择、信息素释放及更新的原则,最后总结了蚁群算法在求解此类问题时的优势。（2）根据配电网拓扑结构建立电能质量扰动源定位的数学模型,将配电网电能质量扰动源定位问题转化为求解旅行商问题的模式,将电能质量扰动源的定位看作为全局寻优问题。首先对电能质量扰动方向信息进行编码、构造评价函数和设置参数,然后利用蚁群算法的正反馈特性和容错性优势实现电能质量扰动源的快速准确定位。（3）通过Matlab对基于蚁群算法的电能质量扰动源定位法进行仿真分析。分别对不同拓扑结构的配电网中不同位置扰动源的定位进行仿真,同时分析了扰动方向信息的可靠性对同一位置扰动源定位的影响,最后与其他智能算法进行了仿真对比。仿真结果表明,本文提出的方法可以快速有效的定位电能质量扰动源位置。本文提出的基于蚁群算法的电能质量扰动源定位法可行有效。研究结果表明该方法不仅可以在扰动方向信息完全正确时定位电能质量扰动源,而且当扰动方向信息中含误判或畸变信号时也可以做到电能质量扰动源的准确定位,具有一定的容错能力。相比较其他智能算法而言,用时更短,正确率更高。
黄遥[3]（2020）在《混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究》文中研究说明物流能够保证商品的流通,因此它是商品经济的动脉。车辆路径问题作为物流活动中的优化问题,更是具有深远的研究价值。群智能优化算法作为一类新兴的优化算法,虽然具有较好的寻优性能,但是面临复杂度不断升级的问题,求解性能也面临挑战。基于上述背景,本文对混合蛙跳算法及其在带容量约束的车辆路径问题中的应用进行研究,主要研究内容如下:（1）分析混合蛙跳算法的结构弊端,提出一种基于解空间跳跃和信息交互强化的混合蛙跳算法求解函数优化问题。算法在局部搜索中增加了子群次优解和次劣解的交互,强化内部信息交互;设计了反向跳跃机制,降低劣解生成概率,增强算法开发能力;对子群最优解进行变异,保证种群多样性;通过子群最优解交叉加深子群间交互,引入反向跳跃思想防止种群加速同化。选取23个不同类型的测试函数,验证策略的有效性和所提算法的性能,实验结果表明所提策略均能改善算法性能;与4种性能优越的算法对比,所提算法的整体性能优于对比算法,表现出了较好的求解精度和稳定性。（2）根据旅行商问题的特点,提出了一种基于启发信息的混合蛙跳算法求解旅行商问题。该算法设计了基于启发信息的个体生成算子,能够同时从优解和劣解中提取有效信息;采用反向轮盘赌策略,实现种群的多样性;设计了基于独立最优子群的算法框架,强化算法开发能力,平衡各子群搜索能力;变异并优化局部最优解,有助于跳出局部最优;强化局部搜索,提升求解精度和速度。共用31个标准测试实例,分别验证个体生成算子和改进策略的有效性以及所提算法的性能,实验结果表明个体生成算子和改进策略是有效的;与8种对比算法相比,本文所提算法在求解旅行商问题时具有更好的精度和稳定性。（3）分析带容量约束的车辆路径问题和旅行商问题的异同点,以上述基于启发信息的混合蛙跳算法为框架,修改了个体解码方式,将约束条件从车辆的容量转化为使用车辆的数量;设计与违反约束程度成正相关的惩罚函数,在算法迭代中淘汰不可行解;删除原有的强化局部搜索策略,在个体解码环节中,对每个车辆的路径分别进行局部搜索。采用45个不同规模的实例作为测试集,与近期具有代表性的4种算法进行对比实验,实验结果表明所提算法在带容量约束的车辆路径问题上具有更高的求解精度。
官静萍[4]（2020）在《物流配送车辆路径规划中的TSP问题及其算法选择》文中认为TSP是一个复杂的组合问题,包括了CTSP（Classical traveling salesman problem,经典旅行商问题）和ATSP（Asymmetric Traveling Salesman Problem,非对称旅行商问题）。TSP是VRP中每辆车配送完所有门店后的一个闭合回路。在某种意义上,VRP包含了多个TSP,从而求解VRP需要求解多次TSP。随着求解VRP中TSP次数的不断地递增,求解时间也会呈爆炸性增长。因此,如何确定一种耗时短、稳定性高的求解VRP中TSP的算法,是物流配送领域内一个亟待解决的问题。本文主要对物流配送VRP中TSP的算法选择进行了深入研究,具体研究内容包括:（1）阐述了VRP问题与TSP问题的相关理论、研究现状及常用的求解方法。同时,利用排列组合和容斥原理计算车型组合数、门店组合数及路径排列数。（2）CTSP是TSP问题中最基本也最重要的问题,根据不同的实际情况,以它为基础扩展出了各类TSP。因此,本文从TSPLIB标准数据库中选出100个点以内的实例,分别采用角平分线插入算法、其他插入算法和遗传算法进行CTSP实验。实验结果表明求解规模小时,角平分线插入算法的运行效率和解的精度都更优越,随着求解规模增大,遗传算法无论在时间上还是精度上都比其他算法更具有优势。（3）在物流配送领域内,由于各门店之间距离的不对称性,使得确定车辆的配送路线是属于求解ATSP问题。因此,本文从TSPLIB标准数据库中选出部分ATSP实例,分别采用角平分线插入算法、最远插入算法和遗传算法进行ATSP实验。实验结果表明与其他算法相比,角平分线插入算法能够在较短的时间内使计算结果更理想。（4）本文以“步步高”商业物流管理项目为例,采用项目中实际配送数据,分别运用遗传算法、最远插入算法和角平分线插入算法进行VRP实验。实验结果表明角平分线插入算法比遗传算法和最远插入算法具有更明显的优势,能够减少算法运行时间并且具有良好的稳定性。对于VRP问题而言,在寻找最优解的过程中,需要多次计算VRP中的TSP,反复对比计算结果,所以计算结果需要有较好的稳定性。此外,VRP中计算的TSP是ATSP,并且车辆由于装载量的限制,使其配送的门店数量较少,即属于求解小规模ATSP。针对以上的VRP特性,本文选择了角平分线插入算法来求解VRP中的TSP,能够有效的提高计算效率,且具有稳定性。
朱继生[5]（2020）在《混合人工蜂群算法求解旅行商问题》文中提出旅行商问题（Traveling Salesman Problem,TSP）是计算、工程、运筹学、离散数学、图论等领域中重要的研究课题之一。TSP被定义为一个推销员在所有城市的旅行,然后以最低的成本回到最初的城市,这是一个NP困难的问题。近年来有很多群体智能算法被用于解决TSP问题。群体智能（Swarm Intelligence,SI）对于难以解决的NP难问题是一个重要的研究方向。其中蜜蜂的觅食行为是一种智能的社会行为,属于群体智能范畴。由此产生的人工蜂群（Artificial Bee Colony,ABC）算法是一种模拟蜜蜂觅食行为的算法。自ABC诞生以来,人们进行了大量的研究,以提高ABC的性能,并将其应用于不同类型的问题。提出结合遗传算子的混合人工蜂群算法（Genetic Algorithm ABC,GAABC）,该算法以人工蜂群算法为主体结构,设计了遗传算法中的交叉操作和启发式倒位变异,融合到该主体结构中,以此提升算法的整体性能。为了丰富整个解集的空间,对于陷入停滞的侦查蜂部分应用3-opt方法探索新的解。通过算例验证了该混合算法的有效性。又提出一种结合量子思想的量子人工蜂群算法（Quantum Algorithm ABC,QUABC）解决TSP问题,该算法以人工蜂群算法为算法的架构,其中每一只人工蜜蜂都融合了一种新的量子编码,采用量子位对城市的访问序列进行编码,为解集的总体提供了更多的多样性,并使用量子干涉向目前发现的最佳蜜蜂的相应位元值的方向移动,引导蜜蜂种群的个体找到所有蜜蜂找到的全局最佳解决方案,以提升算法的整体性能。最后通过实验验证了算法的有效性。
张志杰[6]（2020）在《回跳重组蚁群算法求解快递员调度问题的研究》文中研究说明近年来,随着网购的兴起,电子商务和快递物流产业得到了迅猛的发展,而“最后一公里”作为物流配送末端环节,是一个通过快递员将快递件从配送站派送到客户手中的过程,其效率的瓶颈关键在于快递员调度的合理性。在实际场景中,庞大快递量的配送往往需要多名快递员协助完成,对快递员们的不合理调度会造成快递员之间配送路程的不均衡现象,这种现象直接导致客户之间等待时间和快递员之间工作量的差距过大,既影响了客户对企业服务的好感度,又造成了人力资源的不充分利用。基于上述场景分析,本文在研究如何合理调度快递员去提高物流配送效率这一实际工程问题上,要求在最小化快递员们配送总路程的基础上,也要考虑快递员之间配送路程的均衡性。本文将上述快递员调度问题抽象成基于多目标优化的多旅行商问题进行解决,其难点主要在于:其一,旅行商问题是典型的NP-hard问题,作为其扩展问题,多旅行商问题的研究难度又有所增加,在此基础上,与多目标优化问题的结合更是让问题难度提升了一个层次;其二,目前解决上述问题模型的相关研究极少,常用的启发式搜索算法由于其启发式信息不涉及路程的均衡性,无法很好地解决问题模型。本文通过蚁群算法的大量实验对上述难点进行验证分析,并为蚁群算法更好地解决问题模型提供改进方向。本文提出一种新颖的蚁群算法——回跳重组蚁群算法,去更好地解决快递员调度问题。该算法的改进点主要在于:对蚂蚁搜索实施回跳约束策略,根据假设性的子路径长度大小对蚂蚁移动方向进行约束,从而限制了子路径的长度;应用栈式可行解重组策略,对最长子路径和最短子路径进行中和重组,保证快递员之间配送路程的均衡性;利用阶段式信息素更新策略,在蚂蚁搜索的不同阶段采用针对性的信息素更新规则,提高蚂蚁的搜索质量。通过实验数据得出,三种改进策略有效地提升了蚁群算法在两个优化目标上的表现。根据小区的分布特点,本文模拟了电商物流“最后一公里”的配送点位置分布情况,并产生若干组测试样本。通过本文提出的回跳重组蚁群算法与遗传算法、差分进化算法、局部搜索算法以及模拟退火算法进行对比实验,结果显示回跳重组蚁群算法能够搜索出更优的解决方案去满足电商物流“最后一公里”中快递员调度问题的工程需求。
田天鹏[7]（2020）在《基于改进粒子群算法的汽车门板焊接路径规划研究》文中认为汽车制造业是我国经济的重要支柱产业,汽车零部件则是汽车工业中的重要组成部分。随着国内消费升级的趋势上升,汽车产品更新换代的速度会不断加快,中国汽车零部件制造业将会面临更大的挑战。目前我国汽车零部件产业特别是内外饰件焊接这块领域还是采用简单的手工作坊式生产,少量装配有专机或机器人。路径规划是焊接机器人完成生产任务的关键步骤,因此研究焊接机器人的路径规划问题对提高汽车零部件生产质量具有重要意义。首先,从汽车内饰门板焊接工艺出发介绍焊接流程中三个关键因素:焊接对象、超声波焊接技术以及焊接机器人,并介绍汽车内饰门板焊接生产线的总体结构以及具体的工作流程。其次,选择并改进粒子群算法作为焊接机器人的路径规划算法。根据汽车内饰门板焊接生产线的任务特性,对比分析多种路径规划算法,发现粒子群算法比较符合生产线要求。针对经典粒子群算法容易陷入局部最优以及求解精度不高等问题,提出混合法初始化种群策略、精英粒子策略以及综合算子等优化策略,并重新定义“位置-速度”的计算模型,得到改进型离散粒子群算法（Modified Discrete Particle Swarm Optimization,MDPSO）。基于TSPLIB中典型的测试实例,将MDPSO与其他多种算法进行对比仿真,验证MDPSO的有效性与优越性。最后,研究单台以及多台机器人协同焊接路径规划问题。对机器人运动学问题进行简要分析,建立直角坐标焊接机器人的运动学方程。以汽车内饰前后门板为焊接对象,结合单台焊接机器人路径规划要求,建立其数学模型并进行仿真实验。对多机器人协同焊接路径规划问题进行分析与介绍,确定焊点分配与机器人间防干涉问题的数学模型,提出基于动态调整k-means算法的焊点分配策略以及基于安全间距的防干涉策略,得出多机器人协同焊接路径规划算法的总流程。以四台机器人为例,仿真验证算法的可行性与有效性。
陈政[8]（2020）在《人工蜂群算法的研究与应用》文中提出随着社会快速发展,在计算机、工业发展等领域都会存在着许多优化问题,传统方法已无法很好的解决这些问题。因此,人们也在不断探索和改进,提出了许多有代表性的优化算法。优化算法主要分为了传统算法以及群智能优化算法,其中的群智能算法是一种通过模拟自然界的简单生物体的各种行为来演化出的群智能优化算法,能够解决传统算法优化范围局限、计算量不足的问题,具有适用性广、效率高等优点。人工蜂群算法则是这一种新型仿生智能算法,具有高效简单、鲁棒性强、高精度等优势。然而,蜂群算法也有一些问题,例如较慢的收敛速度、容易陷入局部最优。因此,针对这些问题,本文在查阅国内外资料后,对蜂群算法的深入研究和探索,从算法的改进优化和应用两个方面进行了研究:对算法中的初始化解、蜂群的搜索策略进行了改进,然后将改进后的算法运用到旅行商问题中。本文的研究工作如下:首先,由于标准蜂群算法随机生成初始解,虽然保证了初始解的多样性,但也使得解具有随机性,解的质量得不到保证,本文引入对比机制,对每个解的各个维数采用多次迭代,进行对比竞争,从而提高初始解的质量。其次,处于侦察蜂阶段的蜜蜂,由于在筛选最优解的过程中,邻域个体之间共享的信息减少,本文引入算法因子,通过在搜索过程中,调整算法因子,来进一步控制个体间信息共享度,提高搜索能力,使得侦察蜂能够跳出局部最优值,在更大的范围内寻找最优值,避免陷入局部最优。改进后的算法,通过在5种标准测试函数实验验证对比下,可以发现本文算法一定程度上提高了收敛速度,也优化了较易陷入局部最优的问题。从算法的应用方面角度,本文将改进后的人工蜂群算法,应用到了旅行商优化问题中。在应用的过程中,我们通过整数编码的方式来解决蜂群算法离散化的问题,采取最邻近法作为初始解的生成策略,可以让旅行商很快找到离自己位置最短的城市,并使用交换因子和倒置因子来提高邻域搜索范围。最后通过实验数据验证,证明使用本文的优化算法,旅行商问题可以得到更好的解决。
卓雪雪,苑红星,朱苍璐,钱鹏[9]（2020）在《蚁群遗传混合算法在求解旅行商问题上的应用》文中认为针对在求解旅行商问题时,蚁群算法易陷入局部最优,而遗传算法收敛速度慢等问题,将蚁群与遗传算法相结合:把蚁群算法每次迭代的结果作为遗传算法的初始种群,并且用遗传算法寻优结果更新蚁群算法的信息素。在用遗传算法处理问题的阶段,引入了两种新的交叉算子,并且提出混合交叉算子的新思想,算法的后期使用贪心搜索和2-opt局部优化算法,成功的避免了算法过早陷入局部最优解的问题,加快了算法的收敛速度。通过仿真,本算法与其他算法进行对比,寻优路径长度明显降低,在求解效率和求解质量上都有更好的效果。
李彦[10]（2019）在《快递末端配送路径规划及应用开发》文中研究表明智慧物流在智慧城市中充当着重要角色,为了减少快递员配送快递时的时间消耗和距离消耗,提高快递末端配送效率,研究了基于启发式智能搜索算法的城市两级配送路径规划算法,基于云平台完成了快递路径规划系统的开发。结合国内快递进入目标城市范围之后的配送特点,将其分为两个级别:城市级别和城区级别。城市级别配送点数少且分散,由大货车配送,以时间总消耗作为路径质量评估值,提出了 一种改进贪婪自进化过程的模拟退火算法,采用贪婪算法产生的初始路径作为待进化染色体,进行基因交换和片段倒置的自我进化操作,借助Metropolis准则决定是否用进化后的解取代进化前的解,并在进化过程中始终记录当前状态之前的最优个体,进行退火降温后再次进化,直到温度降至预设温度停止。仿真结果表明,单次配送二十个点时,改进后的算法在其稳定性和当前最优距离上更优。城区级别配送点数多且密集,由电动三轮车配送,因为三轮车灵活轻巧,受城市交通影响小,以骑行距离消耗作为路径质量评估值,为了获得距离消耗较短的路径,改进了一种基于Metropolis准则的选择遗传算法。在遗传算法中,移除交叉率,采用Metropolis准则决定经过交叉和变异后的个体是否遗传进入子代种群,调节每代交叉和变异时接受较差解的概率,达到避免种群早熟的目的。仿真结果表明,单次配送五十个点时选择遗传算法不仅有效消除搜索中易陷入局部最优解的现象,而且在达到相对稳定解时选择遗传算法最终规划结果相比于传统算法缩短了 10%,相比于遗传模拟退火算法缩短了4%。将上述两种算法应用到快递路径规划服务云平台中,用西安市圆通快递区配送中心分布点验证城市级别配送路径规划功能,证明该功能切实可用,用西安市南二环附近随机的五十个真实地点验证城区级别配送路径规划功能,得到了比较理想的推荐配送路径。
二、禁忌遗传算法在TSP中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、禁忌遗传算法在TSP中的应用（论文提纲范文）
（1）基于改进遗传算法的旅游路线优化研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.4 论文内容安排 |
| 第二章 相关研究基础 |
| 2.1 旅行商问题概述 |
| 2.2 路径规划理论介绍 |
| 2.3 多目标优化问题 |
| 2.4 遗传算法介绍 |
| 2.5 蚁群算法介绍 |
| 2.6 本章小结 |
| 第三章 求解TSP问题的混合遗传算法 |
| 3.1 混合遗传算法的改进思想 |
| 3.2 个体编码和适应度函数 |
| 3.3 混合遗传算法的操作算子 |
| 3.4 局部搜索策略 |
| 3.5 混合遗传算法的步骤描述 |
| 3.6 仿真结果及分析 |
| 3.7 本章小结 |
| 第四章 基于改进混合遗传算法的行程规划 |
| 4.1 问题描述与问题分析 |
| 4.2 景点多目标路线规划模型 |
| 4.3 旅游路线规划实现 |
| 4.4 本章小结 |
| 第五章 乡村旅游系统设计与实现 |
| 5.1 需求分析 |
| 5.2 系统设计 |
| 5.3 数据库设计 |
| 5.4 系统实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 个人简介及成果 |
（2）基于蚁群算法的电能质量扰动源定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 配电网电能质量扰动源定位方法的研究现状 |
| 1.2.1 基于扰动功率和扰动能量的定位法 |
| 1.2.2 基于阻抗实部的定位法 |
| 1.2.3 基于扰动分类的定位法 |
| 1.2.4 基于单变量的定位法 |
| 1.2.5 基于矩阵算法的定位法 |
| 1.2.6 基于智能算法的定位法 |
| 1.3 本文主要工作和创新点 |
| 1.3.1 本文主要工作 |
| 1.3.2 本文创新点 |
| 第二章 蚁群算法的基本原理及应用 |
| 2.1 蚁群算法的基本原理 |
| 2.2 蚁群算法在TSP中的应用 |
| 2.2.1 TSP的数学模型 |
| 2.2.2 参数设置 |
| 2.2.3 实现步骤 |
| 2.3 TSP的仿真 |
| 2.4 蚁群算法的特点 |
| 2.5 本章小结 |
| 第三章 基于蚁群算法的电能质量扰动源定位实现 |
| 3.1 可行性分析 |
| 3.2 扰动方向信息的编码 |
| 3.2.1 扰动方向判别原则 |
| 3.2.2 电能质量监测装置在配电网中的优化配置 |
| 3.3 基于蚁群算法的电能质量扰动源定位方法 |
| 3.3.1 评价函数的构造 |
| 3.3.2 问题的转化 |
| 3.3.3 参数选取 |
| 3.3.4 扰动源定位方法流程图 |
| 3.4 本章小结 |
| 第四章 基于蚁群算法的电能质量扰动源定位仿真分析 |
| 4.1 基于蚁群算法的电能质量扰动源定位法的有效性 |
| 4.1.1 简单配电网 |
| 4.1.2 IEEE-33节点配电网 |
| 4.2 扰动方向信息的可靠性对定位的影响 |
| 4.3 不同扰动源定位法的性能对比 |
| 4.3.1 基于不同算法的电能质量扰动源定位法 |
| 4.3.2 性能对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 本文展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（3）混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 混合蛙跳算法研究现状 |
| 1.3 旅行商问题研究现状 |
| 1.4 带容量约束的车辆路径问题的研究现状 |
| 1.5 本文工作内容和创新点 |
| 1.6 本文结构安排 |
| 第二章 相关知识和理论 |
| 2.1 优化问题和方法 |
| 2.1.1 优化问题 |
| 2.1.2 优化方法 |
| 2.2 混合蛙跳算法 |
| 2.2.1 混合蛙跳算法的基本思想 |
| 2.2.2 混合蛙跳算法的具体实现 |
| 2.3 本章小结 |
| 第三章 基于解空间反向跳跃和信息交互强化的混合蛙跳算法求解函数优化问题 |
| 3.1 引言 |
| 3.2 函数优化问题 |
| 3.3 基于解空间反向跳跃和信息交互强化的混合蛙跳算法 |
| 3.3.1 引入多元信息交互 |
| 3.3.2 引入反向跳跃机制 |
| 3.3.3 局部最优解变异 |
| 3.3.4 子群信息深度交互 |
| 3.3.5 算法实现 |
| 3.4 实验仿真与结果分析 |
| 3.4.1 测试集选择 |
| 3.4.2 改进策略有效性验证 |
| 3.4.3 所提改进算法性能测试 |
| 3.5 本章小结 |
| 第四章 基于启发信息的新型混合蛙跳算法求解TSP |
| 4.1 引言 |
| 4.2 旅行商问题的概述 |
| 4.3 基于启发信息求解TSP的新型混合蛙跳算法 |
| 4.3.1 基于贪婪交叉的个体生成算子 |
| 4.3.2 反向轮盘赌策略 |
| 4.3.3 建立独立最优子群 |
| 4.3.4 局部最优解变异策略 |
| 4.3.5 增强局部搜索 |
| 4.3.6 算法实现 |
| 4.4 实验仿真与结果分析 |
| 4.4.1 个体生成算子的有效性验证 |
| 4.4.2 改进策略的有效性验证 |
| 4.4.3 所提算法的性能验证 |
| 4.5 本章小结 |
| 第五章 基于启发信息的混合蛙跳算法求解CVRP |
| 5.1 引言 |
| 5.2 带容量约束的车辆路径问题概述 |
| 5.3 基于启发信息求解CVRP的混合蛙跳算法 |
| 5.3.1 编码与解码方式 |
| 5.3.2 适应度函数 |
| 5.3.3 强化局部搜索的改进策略 |
| 5.3.4 算法实现 |
| 5.4 实验仿真与结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）物流配送车辆路径规划中的TSP问题及其算法选择（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 物流配送VRP |
| 1.2 国内外现状 |
| 1.2.1 TSP现状 |
| 1.2.2 VRP现状 |
| 1.3 论文组织与结构 |
| 第二章 物流配送VRP相关理论与方法 |
| 2.1 相关的组合数学理论 |
| 2.1.1 排列与组合 |
| 2.1.2 生成排列与组合 |
| 2.1.3 容斥原理 |
| 2.2 物流配送VRP中的组合问题 |
| 2.2.1 物流配送基本类型 |
| 2.2.2 物流配送VRP组合分析 |
| 2.2.3 物流配送VRP中的TSP |
| 2.3 多集合组合优化方法 |
| 2.3.1 元启发式算法 |
| 2.3.2 构造启发式算法 |
| 2.4 本章小结 |
| 第三章 TSP算法分析与选择 |
| 3.1 Hamiltonian回路相关理论 |
| 3.2 CTSP与 ATSP |
| 3.3 常用的CTSP与 ATSP算法 |
| 3.3.1 遗传算法 |
| 3.3.2 最远插入算法 |
| 3.3.3 角平分线插入算法 |
| 3.4 CTSP实验分析 |
| 3.4.1 角平分线插入算法求解CTSP实验 |
| 3.4.2 其他插入算法求解CTSP实验 |
| 3.4.3 遗传算法求解CTSP实验 |
| 3.4.4 实验结果对比与分析 |
| 3.5 ATSP实验分析 |
| 3.5.1 角平分线插入算法求解ATSP实验 |
| 3.5.2 最远插入算法求解ATSP实验 |
| 3.5.3 遗传算法求解ATSP实验 |
| 3.5.4 实验结果对比与分析 |
| 3.6 本章小结 |
| 第四章 物流配送VRP实验 |
| 4.1 实验数据与平台 |
| 4.1.1 实验数据 |
| 4.1.2 实验平台 |
| 4.2 不同的物流配送VRP实验分析 |
| 4.2.1 基于遗传算法的VRP实验 |
| 4.2.2 基于最远插入算法的VRP实验 |
| 4.2.3 基于角平分线插入算法的VRP实验 |
| 4.2.4 实验结果对比与分析 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（5）混合人工蜂群算法求解旅行商问题（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 旅行商问题研究现状 |
| 1.2.2 人工蜂群算法研究现状 |
| 1.2.3 遗传算法研究现状 |
| 1.2.4 量子算法研究现状 |
| 1.3 本文的研究工作及内容 |
| 第二章 基于遗传算子的人工蜂群算法 |
| 2.1 旅行商问题 |
| 2.2 真实蜜蜂的行为 |
| 2.3 人工蜂群算法 |
| 2.3.1 雇佣蜂阶段 |
| 2.3.2 跟随蜂阶段 |
| 2.3.3 侦察蜂阶段 |
| 2.4 遗传算子 |
| 2.4.1 倒位变异与启发式倒位变异 |
| 2.4.2 交叉操作 |
| 2.5 3 -opt操作 |
| 2.6 人工蜂群算法流程 |
| 2.7 算例实验 |
| 2.7.1 实验环境 |
| 2.7.2 实验结果 |
| 2.8 本章小结 |
| 第三章 基于量子优化的人工蜂群算法 |
| 3.1 量子计算 |
| 3.1.1 量子比特 |
| 3.1.2 多量子位(量子寄存器) |
| 3.1.3 测量 |
| 3.1.4 量子门 |
| 3.1.5 量子启发计算 |
| 3.2 量子优化 |
| 3.2.1 解决方案的量子表示 |
| 3.2.2 量子编码 |
| 3.3 算法流程 |
| 3.3.1 雇用蜜蜂阶段 |
| 3.3.2 跟随蜂阶段 |
| 3.3.3 侦查蜂阶段 |
| 3.4 实验和结果 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 总结和展望 |
| 4.1 本文的工作总结 |
| 4.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（6）回跳重组蚁群算法求解快递员调度问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要工作内容 |
| 1.4 论文结构安排 |
| 第二章 蚁群算法概述 |
| 2.1 蚁群算法的历史 |
| 2.2 蚁群算法的主要特征及基本概念 |
| 2.3 标准蚁群算法的结构 |
| 2.4 蚁群算法的基本理论 |
| 2.5 改进蚁群算法的几大种类 |
| 2.7 蚁群算法的研究成果 |
| 2.8 本章小结 |
| 第三章 单目标多旅行商问题 |
| 3.1 旅行商问题 |
| 3.1.1 基本概念 |
| 3.1.2 对比实验-不同蚁群算法解决TSP模型 |
| 3.1.3 实验结论 |
| 3.2 多旅行商问题 |
| 3.2.1 基本概念 |
| 3.2.2 解决多旅行商问题的两种搜索方式 |
| 3.2.3 对比实验-不同蚁群算法解决MTSP模型 |
| 3.2.4 实验结论 |
| 3.3 本章小结 |
| 第四章 多目标多旅行商问题 |
| 4.1 多目标优化 |
| 4.1.1 基本概念 |
| 4.1.2 多目标优化问题的数学描述 |
| 4.1.3 Pareto最优解集的评价指标 |
| 4.2 本文研究问题模型 |
| 4.2.1 基本概念 |
| 4.2.2 对比实验-不同蚁群算法解决均衡MTSP模型 |
| 4.2.3 实验结论 |
| 4.3 本章小结 |
| 第五章 回跳重组蚁群算法 |
| 5.1 实验设定 |
| 5.2 回跳约束策略 |
| 5.2.1 基本原理 |
| 5.2.2 比较实验-使用回跳约束解决均衡MTSP模型 |
| 5.2.3 实验结论 |
| 5.3 栈式可行解重组策略 |
| 5.3.1 基本原理 |
| 5.3.2 比较实验-使用栈式可行解重组解决均衡MTSP模型 |
| 5.3.3 实验结论 |
| 5.4 阶段式信息素更新策略 |
| 5.4.1 基本原理 |
| 5.4.2 比较实验-使用阶段式信息素更新解决均衡MTSP模型 |
| 5.4.3 实验结论 |
| 5.5 对比实验-不同组合策略解决均衡MTSP模型 |
| 5.5.1 实验基本设定 |
| 5.5.2 实验结果分析 |
| 5.5.3 实验结论 |
| 5.6 算法流程图 |
| 5.7 本章小结 |
| 第六章 对比实验 |
| 6.1 实验样本及运行环境 |
| 6.2 对照算法 |
| 6.2.1 遗传算法 |
| 6.2.2 差分进化算法 |
| 6.2.3 迭代局部搜索算法 |
| 6.2.4 模拟退火算法 |
| 6.3 实验结果分析 |
| 6.3.1 优化指标量化分析 |
| 6.3.2 权衡曲线分析 |
| 6.3.3 Pareto解集评价指标分析 |
| 6.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）基于改进粒子群算法的汽车门板焊接路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外发展及研究现状 |
| 1.3 课题来源 |
| 1.4 主要研究内容 |
| 第二章 汽车内饰门板焊接生产线分析 |
| 2.1 汽车内饰门板焊接工艺 |
| 2.1.1 焊接对象 |
| 2.1.2 焊接技术 |
| 2.1.3 焊接机器人 |
| 2.2 汽车内饰门板焊接生产线 |
| 2.2.1 汽车内饰门板焊接生产线工作流程 |
| 2.2.2 生产节拍分析 |
| 2.3 焊接机器人路径规划分析 |
| 2.3.1 非进化型路径规划算法 |
| 2.3.2 进化型路径规划算法 |
| 2.3.3 研究现状与算法选择 |
| 2.4 本章小结 |
| 第三章 粒子群算法及其改进 |
| 3.1 经典粒子群算法原理 |
| 3.2 离散粒子群算法原理及分析 |
| 3.2.1 离散粒子群算法国内外研究现状 |
| 3.2.2 离散粒子群算法分析 |
| 3.3 改进型离散粒子群算法 |
| 3.3.1 旅行商问题概述 |
| 3.3.2 编码方式 |
| 3.3.3 位置与速度模型自定义 |
| 3.3.4 基于综合算子的局部搜索策略 |
| 3.3.5 改进型离散粒子群算法框架 |
| 3.4 仿真实验与对比 |
| 3.5 本章小结 |
| 第四章 焊接机器人路径规划仿真 |
| 4.1 单台焊接机器人路径规划 |
| 4.1.1 机器人运动学分析 |
| 4.1.2 焊点信息 |
| 4.1.3 数学模型 |
| 4.1.4 仿真结果及分析 |
| 4.2 多台焊接机器人路径规划 |
| 4.2.1 任务分析与约束 |
| 4.2.2 主要工作流程 |
| 4.2.3 研究现状 |
| 4.2.4 焊点分配 |
| 4.2.5 防干涉策略 |
| 4.2.6 协同焊接路径规划算法总流程 |
| 4.2.7 仿真结果与分析 |
| 4.3 本章小结 |
| 总结与展望 |
| 1 总结 |
| 2 展望 |
| 参考文献 |
| 附录1 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）人工蜂群算法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人工蜂群算法研究 |
| 1.2.2 旅行商问题 |
| 1.3 本文的主要内容 |
| 1.4 本文的主要内容及流程 |
| 第2章 标准人工蜂群算法 |
| 2.1 人工蜂群算法的背景 |
| 2.2 标准人工蜂群算法 |
| 2.2.1 人工蜂群算法的基本原理 |
| 2.2.2 人工蜂群算法的基本步骤 |
| 2.3 人工蜂群算法优势与不足分析 |
| 2.4 本章小结 |
| 第3章 改进的人工蜂群算法 |
| 3.1 改进过人工蜂群算法分析 |
| 3.2 人工蜂群算法的改进原理 |
| 3.2.1 对比机制 |
| 3.2.2 引入算法因子策略 |
| 3.2.3 改进后的蜂群算法流程 |
| 3.3 实验分析 |
| 3.3.1 基本测试函数 |
| 3.3.2 算法结果及分析 |
| 3.4 本章小结 |
| 第4章 TSP问题的研究 |
| 4.1 旅行商问题的概述 |
| 4.2 组合优化类问题的求解 |
| 4.3 旅行商问题的分类 |
| 4.4 人工蜂群算法在旅行商问题中的应用 |
| 4.5 本章小结 |
| 第5章 改进的ABC算法在旅行商问题上的应用 |
| 5.1 旅行商问题的描述 |
| 5.2 旅行商问题的数学模型 |
| 5.3 算法详细设计 |
| 5.3.1 构造解编码 |
| 5.3.2 初始解优化 |
| 5.3.3 候选解优化 |
| 5.3.4 适应度函数 |
| 5.4 算法基本步骤 |
| 5.5 仿真结果与分析 |
| 5.5.1 小型测试的实例 |
| 5.5.2 中等测试的实例 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表的论文 |
| 致谢 |
（10）快递末端配送路径规划及应用开发（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外的研究现状 |
| 1.3 研究内容及章节安排 |
| 2 模拟退火算法在TSP问题的应用研究 |
| 2.1 旅行商问题 |
| 2.2 模拟退火算法 |
| 2.3 一种基于贪婪自进化的模拟退火算法 |
| 2.3.1 贪婪初始路径 |
| 2.3.2 自进化过程 |
| 2.3.3 算法搜索过程 |
| 2.4 仿真结果及分析 |
| 2.5 本章小结 |
| 3 遗传算法在TSP问题的应用研究 |
| 3.1 遗传模拟退火算法 |
| 3.2 一种基于Metropolis准则的选择遗传算法 |
| 3.2.1 Metropolis准则 |
| 3.2.2 算法模型 |
| 3.2.3 算法搜索过程 |
| 3.2.4 算法性能对比 |
| 3.2.5 算法参数选取 |
| 3.3 仿真结果及分析 |
| 3.4 本章小结 |
| 4 基于云平台的快递路径规划应用开发 |
| 4.1 功能架构 |
| 4.2 数据库表设计 |
| 4.3 模块设计 |
| 4.3.1 登录模块 |
| 4.3.2 我的任务模块 |
| 4.3.3 个人信息模块 |
| 4.4 配送管理模块 |
| 4.4.1 生成消耗矩阵 |
| 4.4.2 推荐路径顺序 |
| 4.4.3 路径规划 |
| 4.5 功能测试 |
| 4.5.1 登录模块测试 |
| 4.5.2 我的任务模块测试 |
| 4.5.3 配送管理模块测试 |
| 4.5.4 个人信息模块测试 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、禁忌遗传算法在TSP中的应用（论文参考文献）
- [1]基于改进遗传算法的旅游路线优化研究与应用[D]. 闫茹. 北方民族大学, 2021(08)
- [2]基于蚁群算法的电能质量扰动源定位研究[D]. 焦青. 山东理工大学, 2020(02)
- [3]混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究[D]. 黄遥. 南京信息工程大学, 2020(02)
- [4]物流配送车辆路径规划中的TSP问题及其算法选择[D]. 官静萍. 湖南科技大学, 2020(06)
- [5]混合人工蜂群算法求解旅行商问题[D]. 朱继生. 广西大学, 2020(03)
- [6]回跳重组蚁群算法求解快递员调度问题的研究[D]. 张志杰. 华南理工大学, 2020(02)
- [7]基于改进粒子群算法的汽车门板焊接路径规划研究[D]. 田天鹏. 华南理工大学, 2020(02)
- [8]人工蜂群算法的研究与应用[D]. 陈政. 江苏科技大学, 2020(03)
- [9]蚁群遗传混合算法在求解旅行商问题上的应用[J]. 卓雪雪,苑红星,朱苍璐,钱鹏. 价值工程, 2020(02)
- [10]快递末端配送路径规划及应用开发[D]. 李彦. 西安科技大学, 2019(01)