一、免疫算法在车辆调度问题中的应用（论文文献综述）
李晓光[1]（2021）在《露天矿新能源纯电动无人卡车多目标调度模型及仿真》文中进行了进一步梳理
马新卫[2]（2020）在《多源数据驱动的互联网租赁自行车智能调度优化方法》文中研究说明随着城市机动车保有量持续攀升,空气污染、道路拥堵、出行困难等交通问题日益凸显,发展公共交通系统已成为共识。租赁自行车系统作为城市公共交通不可或缺的一部分,能提高道路资源利用率、缓解交通拥堵、有效解决居民出行“最后一公里”问题,是契合当前社会低碳发展的绿色出行方式。目前,租赁自行车系统主要分为两种形态:定桩公共自行车模式与无桩互联网租赁自行车模式,后者作为移动互联网和租赁自行车融合发展的新型服务模式,近年来在我国得到了迅猛的发展。相较于传统的定桩公共自行车,处于探索发展期的互联网租赁自行车企业运营经验较少,导致系统运维调度管理缺乏相应的理论指导,制约着系统健康有序的发展。鉴于此,本文应用多源数据对互联网租赁自行车的时空特性进行分析,建立基于深度学习的短时需求量预测模型,从微观层面提出了激励机制作用下的用户参与调度策略,并从宏观层面分别构建了互联网租赁自行车静态和动态调度优化模型,设计相应的算法对模型进行求解,最后基于南京市互联网租赁自行车历史骑行数据进行了实例验证。首先,在对多源数据进行格式优化和数据清洗的基础上,运用GIS平台实现了多源数据空间属性的融合;以互联网租赁自行车历史骑行数据为输入,运用空间聚类算法获取互联网租赁自行车虚拟站点质心位置,并以此为控制点创建泰森多边形,生成互联网租赁自行车虚拟站点;采用数据挖掘方法与空间分析工具,从时间和空间的角度分析并归纳了互联网租赁自行车的时空出行特征及演变规律。结果表明,利用K-means算法生成的虚拟站点结果优于其他聚类算法;互联网租赁自行车在工作日与周末的骑行时长和骑行距离分布规律基本一致,其出行需求在工作日早晚高峰用车时段呈现出显着的时空分布不均衡性和潮汐性。其次,建立了引入注意力机制的时空图卷积神经网络,预测互联网租赁自行车短时借还需求:将长短时记忆网络和图卷积神经网络进行融合,提取互联网租赁自行车借还需求量的时间和空间特征,引入注意力机制寻找输入序列特征之间的内部联系,以提高预测模型的精度。结果表明,在不同的预测时间间隔下,引入注意力机制的时空图卷积神经网络模型（GATGCLSTM）的预测精度均高于其他基准模型;当GATGCLSTM模型融合外部因素时,其预测精度得到了进一步提升;最后将预测需求量与实际需求量进行时空分布可视化,对比验证了模型的预测精度。第三,基于互联网租赁自行车短时需求预测结果,提出动态价格激励机制下的用户参与调度策略。结合用户初始借、还车站点及周边步行可达范围内其他站点的可用车辆数,设定四种用户参与调度的情景;定义初始站点匹配度系数,为初始站点匹配符合调度情景的推荐借、还站点;企业根据激励尺度和站点的紧急度系数计算激励价格,并将激励价格与匹配到的推荐站点信息发送至用户,用户根据自身效用最大化决定是否参与调度。实验结果表明,相同的激励尺度和用户参与概率取值下,高峰时段站点高于调度服务安全阈值上限的车辆数（BOUB）和站点低于调度服务安全阈值下限的车辆数（BBLB）均高于平峰时段;当用户参与概率为1时,建议系统在平峰时段的激励尺度设定为1.30至1.40（对应于平均激励价格1.45至1.51元/人）,高峰时段的激励尺度设定为1.90至2.00（对应于平均激励价格2.11至2.14元/人）。第四,综合考虑虚拟站点的容量限制与用户需求,构建了互联网租赁自行车的静态调度需求量确定模型;根据站点的调度需求量及空间距离构造站点相似度矩阵,应用社团发现算法划分调度子区;将调度成本、实际调度量与调度目标值的偏离量最小化作为目标函数,基于调度子区划分结果建立互联网租赁自行车静态调度路径优化模型;在传统的遗传算法中引入免疫算法的选择记忆机制,设计免疫遗传算法对模型进行求解,并通过算例对模型进行了验证。模型结果表明,利用免疫遗传算法求解的目标函数值优于遗传算法;运用静态调度路径优化模型得到的调度卡车行驶路线方案可使得80.80%的站点调度需要被满足;若要求每个站点的调度需求都严格得到满足,则调度时间将会增加127.10%,调度成本将会增加108.80%。最后,针对用户需求变化的动态复杂性,构建了考虑站点重要度的互联网租赁自行车动态调度优化模型:根据虚拟站点的借还车速率差和调度服务安全阈值,提出动态的调度需求量的确定方法;引入站点重要度的概念,基于TOPSIS模型计算各站点的重要度;将站点重要度引入动态调度路径优化模型中,构建调度成本最小化、实际调度量与调度目标值的偏离量惩罚成本最小化以及用户满意度折算成本最大化的动态调度初始阶段优化模型,进而采用基于滚动时域的调度策略动态调整调度方案;设计考虑站点重要度的人工蜂群算法,以保证重要度高的站点优先被服务,最终通过算例对模型进行了验证。模型结果表明,利用人工蜂群算法求解的目标函数值和运行速度均显着优于遗传算法,其中目标函数值优化能力提升了32.40%,运行时间缩短了88.10%;对比分析考虑站点重要度与不考虑站点重要度的调度方案,发现考虑站点重要度的动态调度优化模型可将用户满意度由55.03%提升至73.00%。
梅奇[3]（2020）在《基于免疫粒子群算法的冷链物流配送路径优化研究》文中指出随着互联网经济的不断发展,人们的生活质量不断提升,对于速冻食品、海鲜等冷链产品的需求也不断增加。为了提升消费者的购物体验,保证冷链产品的新鲜度和安全性,越来越多的生鲜农产品零售企业开始采用新零售模式,该模式融合了线上电商和线下零售的优点,缩短了门店与消费者之间的配送距离,较好的解决了最后一公里的问题。然而新零售模式下的门店多采用少量多批次的进货策略,因此,对冷链企业的配送效率提出了更高的要求。本文以冷链配送中心与门店之间B2B冷链配送为研究对象,在考虑门店时间窗要求和碳排放的基础上,以冷链配送总成本最小为目标,建立了带时间窗的多配送中心冷链物流配送路径优化数学模型,并使用MATLAB软件仿真求解。首先,阐述了传统冷链物流的基本概念和特点,并与新零售模式下冷链物流配送体系对比,确定了影响新零售模式下冷链物流发展的关键问题在于冷链配送中心与门店之间B2B冷链配送成本较高。其次,介绍了车辆路径问题的基本概念、分类以及常用的求解算法,针对多配送中心B2B冷链物流配送路径优化问题中涉及参数较多、复杂度较高,提出使用启发式算法求解。之后分析了冷链物流配送成本的构成,基于对低碳物流和可持续发展理念的考虑,将碳排放成本考虑到冷链配送总成本中,在考虑门店服务时间窗、车辆最大载重量等约束条件的基础上,以冷链配送总成本最小为目标,建立了多配送中心冷链物流配送路径优化数学模型。针对粒子群算法后期迭代中容易出现早熟的情况,通过将免疫算法的免疫记忆、免疫浓度调节和疫苗接种三种机制引入到粒子群算法中,从而得到新的免疫粒子群算法,确保了新算法在迭代后期能够保持较高的粒子种群多样性,提高了算法的收敛速度和求解精度,并通过测试函数对免疫粒子群算法的性能进行检测,验证了免疫粒子群算法的优越性。最后,结合实际案例,使用MATLAB软件对算法和模型进行编码仿真,求解得到案例的最优车辆配送方案,并通过对比免疫粒子群算法和标准粒子群算法的求解结果,验证了免疫粒子群算法的有效性以及本文所建立数学模型的合理性。本文通过对新零售模式下多配送中心B2B冷链物流配送路径优化问题的研究,能够使企业合理调度车辆运输,降低企业的冷链配送成本,加快冷链产品的流通。同时,考虑了冷链配送过程中产生的碳排放,符合低碳物流和可持续发展理念,有利于树立良好的企业形象,增强企业竞争力。
谭玮[4]（2020）在《分解多目标进化算法在带时间窗车辆路径问题中的应用》文中进行了进一步梳理近年来,随着我国经济快速发展,物流领域进入了前所未有的发展阶段,物流行业受到越来越多企业的关注。然而我国运输配送费用占物流总费用的比重较高约为52%,提高运输效率,降低运输成本是促进物流行业稳健发展的重要途径。车辆路径问题是物流配送领域中的热点研究问题之一,其研究目的是结合配送实际情况合理规划车辆配送顺序从而达到物流成本最小化。车辆路径问题是一个典型的多目标组合优化问题,需合理衡量各成本之间制约关系,通过算法确定最优解。本文在对基于分解多目标进化算法改进的基础上,将其用于对带时间窗的车辆路径问题进行求解。本文主要研究内容如下:（1）针对传统分解多目标进化算法MOEA/D最优解的影响展开了深入的研究,给出改进邻域策略,该策略考虑子问题距离中心区域偏离程度和进化代数,提出一种新的多目标分解进化算法MOEA/D-INS,对选择邻域和替换邻域更新,动态调整邻域大小,以平衡算法的收敛性和多样性,提高解集在Pareto前沿分布的均匀性。通过算法性能有效性对比实验,本算法与其他经典多目标算法在测试函数进行性能测试。实验结果表明,与其他几种算法相比,在ZDT和DTLZ系列测试函数上解集的整体质量有显着提高。（2）将改进算法MOEA/D-INS用于求解多目标带时间窗车辆路径问题,考虑车辆配送成本和配送总时间的最小化。在给定配送中心以及配送目的地位置信息的基础上,利用分解算法将多目标问题分解成一系列单目标子问题,并行优化每个子问题,从而得到车辆路径规划路线。通过与NSGA-II和MOEA/D算法所得路径结果对比,可知改进算法求得的路径规划方案,车辆配送成本和配送总时间均有减少,表明了改进算法求解此类问题的有效性,为配送中心决策者提供更优的车辆路径规划方案,降低物流成本,求解具有实际物流背景的多目标组合优化问题提供新思想和新方法。
赵萍[5]（2020）在《多网点粮油应急配送优化调度模型及算法求解》文中研究指明地质灾害、洪水内涝、生产安全、疫情防控等突发事件是给社会经济带来巨大损失的应急事件,这些事件的发生给人们的生活造成了一定的危害与影响,在国家的安全层面和社会稳定方面也带来了巨大的挑战。一旦发生重大突发事件,粮油物资是日常生活中不可以被替代的重要物资,同时,它也是应急事件发生后,受难群众生命得到延续、救灾工作可以正常进行的保证。我国对粮油物资应急储备及配送的现有研究成果多集中在应急方案规划、应急物流系统设计方面。随着我国城镇化、现代化发展的加快,灾难事件频发对粮油应急管理问题提出了许多新挑战,面对这些挑战,需要根据具体情况合理地规划出适用于我国的粮油应急方案,构建相应的应急体系。在实际中,通过科学合理地规划粮油应急配送中心的位置,可以达到高效、低成本运营的目的。粮油物资是保障基本生活需求的物资,应有足够的储备量,这是应急救援活动的得以进行的前提;粮油的足量供应可以安稳受灾群众的日常生活,是灾后重建工作顺利开展的重要保障。因而对粮食物流应急救援系统的选址及配送优化具有重要的现实意义和理论价值。本文以多网点粮油应急物流选址及车辆调度路径优化问题为研究对象,根据粮油物流的特殊性,结合应急物流的特点及要求,对配送中心选址问题和车辆调度问题进行分析,建立对应的粮油配送中心选址和粮油物资配送的数学模型。然后根据不同的模型,分别使用改进的免疫算法、遗传算法进行求解。具体的研究内容如下:1、文中首先对应急物流、粮食物流、应急物流中心选址、车辆调度等基本知识的研究现状进行阐述与分析,然后综合分析而得到粮油储备中心选址及粮油物资配送调度的问题并进行研究。2、研究了多网点粮油应急物资配送中心的选址问题。根据受灾地区的需求量以及备选配送中心到受灾地区的距离,建立了相应的数学模型,并根据该模型的特点设计了适合解决该模型的免疫算法,然后利用实验算例验证改进算法的可行与有效性。3、多网点粮油应急物资的配送问题。本文从运输成本和运输距离两个角度作为问题出发点,并建立了相应的数学模型,并根据该模型的特点设计了解决该模型的自适应遗传算法,然后从配送距离、配送路线等方面对仿真算例的结果进行对比与分析,从而证明了改进方案的可行性与有效性。
赵凡[6]（2019）在《基于改进萤火虫优化算法的钢铁企业车辆调度研究》文中认为钢铁行业是我国重要的经济支柱之一,作为国之基石,提供了绝大多数生产制造企业所需的设备,对我国制造业和国民经济的发展起了不可替代的作用。然而,近年来随着原料成本、人力成本的提高和相关技术、管理方法的落后,我国钢铁企业进入“严冬”期。为解决上述问题,以河北某钢铁企业的实际运营情况为背景,对该企业厂内车辆和厂外车辆的物流调度进行了分析研究,探索新的利润源泉。根据对该企业厂外车辆原料入库问题的分析,在原有单入单出车辆调度方案的基础上,对企业入库方案进行优化,考虑多入多出的车辆入厂方案,从而建立以仓库运转成本最小和最后一辆货车出厂时间最短为目标的多车辆同时入厂出厂的调度优化模型。为了得到该模型的最优解,采用改进萤火虫优化算法对问题进行分析研究,通过自适应步长策略和Levy变异策略对算法进行改进,提高算法探索能力的同时加快了算法的求解速度。最后以河北某钢铁企业的实际数据为例,验证了模型和算法的有效性。根据对该企业厂内运输车辆调度的研究分析,在原有的单车调度方案基础上,提出了厂内循环甩挂运输方案,从而建立了以牵引车数量和总行驶成本最少的车辆调度优化模型。为了得到该模型的最优解,同样利用改进萤火虫优化算法对问题进行分析研究。采用自适应步长策略和免疫机制对算法进行改进,同样以河北某钢铁企业的实际数据为例,验证了模型和算法的有效性。鉴于河北某钢铁企业存在物流信息化程度和管理效率低下、控制策略难以实施等问题,依托于该企业的物流管理,为其开发设计了适用于该企业的厂内、外物流车辆调度系统,并对车辆调度的相关流程、系统架构、功能模块等进行了描述,对系统核心界面进行展示。实践表明,该系统可以为整个钢铁企业的高效运作提供保障。
赵丽飞[7]（2017）在《考虑客户等级划分的车辆调度干扰管理研究》文中提出配送是物流系统的关键环节,也是一项特殊的、综合的物流活动,在经济社会发展中起着重要的作用。车辆调度是整个物流配送中的核心内容,因此对物流配送系统的优化可以看作是对于车辆调度方案的优化。考虑到不同客户为企业带来的经济效益不同,为了更大化企业的经济效益,物流企业需要对客户进行判断、分类以及管理,将企业中有限的资源分配到客户中,以期用有限的资源创造更高的经济效益。论文首先分析了物流配送干扰管理的国内外研究现状以及现阶段存在的主要问题,阐述了车辆调度、物流配送以及干扰管理的相关基础理论;其次,对物流配送过程中出现的扰动情况进行了分析,将客户关系管理与物流配送干扰管理理论相结合,在基于云模型客户等级划分的前提下,从客户、物流配送运营商以及物流配送员三个角度衡量干扰事件对物流配送系统的扰动,利用字典序方法构建多目标干扰管理模型;再次,将免疫选择引入种子群优化算法中,设计改进免疫-种子群优化算法（Immune Algorithm-Seed Optimization Algorithm,IA-SOA）;最后,结合邯郸市烟草公司物流配送实例,利用免疫-种子群群优化算法对干扰管理模型进行求解,并将优化结果与基本种子群优化算法进行比较,验证算法的有效性和可行性,针对邯郸市烟草公司物流配送过程中存在的问题提出了建议和对策。
马祥丽,张惠珍,马良[8]（2016）在《带时间窗物流配送车辆路径问题的蝙蝠算法》文中认为带时间窗车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）是一个重要而实际的研究课题,该问题在有能力约束模型的基础上增加了时间约束,要求配送系统总费用最低。蝙蝠算法（Bat Algorithm,BA）是一种新型的智能优化算法,目前尚未被应用到求解VRPTW问题中。根据VRPTW问题的数学模型及其具体特征,重新设计了BA的操作算子,给出了求解VRPTW问题的改进蝙蝠算法,并通过仿真实例和与其他算法进行比较的方式,验证了蝙蝠算法在VRPTW问题中的求解性能,拓展了蝙蝠算法的应用领域。
张顺[9]（2013）在《基于改进协同免疫算法的Flow Shop调度问题研究》文中研究表明生产计划和调度在企业生产中扮演着重要的角色。传统CIMS分为五个层次：企业决策层、企业管理层、生产计划调度层、监控层、控制层,而生产计划和调度正处于中间,因此它不但要将企业管理层的控制指令下放到监控层,而且要将监控层的监控信息及时的反馈到管理层,以供管理层及时作出调整措施。所以说,生产计划和调度在企业生产中起着承上启下的作用。本文通过设计和改进智能优化算法,来解决Flow Shop调度问题,并通过仿真实验验证了所采用算法的可行性和有效性。对于传统Flow Shop调度问题,引入一种改进的协同免疫算法。该算法采用协同进化算法和免疫算法,运用免疫算法的全局搜索能力和协同进化算法的有效缩短搜索路径的优点,将两种算法有机结合。针对传统协同免疫算法后期搜索能力差的问题,设计了一种新的种群选择机制——“80/20准则”,又根据算法初期收敛速度慢的问题,加入局部搜索算法。仿真实验表明,改进的协同免疫算法比基本的协同免疫算法和遗传算法更加有效。很多加工企业,尤其是化工加工行业,传统的Flow Shop调度方式并不能满足其实际生产需求。在这些行业中,中间产物往往在上一阶段加工完成后必须马上进入下一个加工机器中,这就需要用零等待Flow Shop模型来代替这类问题。论文将改进的协同免疫算法引入这类问题,通过大量仿真实验,和传统协同免疫算法以及遗传算法相比较,仿真结果验证了改进的协同免疫算法在解决零等待Flow Shop调度问题的有效性；对于以Makespan为调度目标的具有零等待的Flow Shop调度问题,在改进的协同免疫算法的基础上,引入全局交叉方法。实验验证了这种全新的交叉方法在保存优秀基因片段和增加种群多样性上,都具有很好的效果。仿真实验采用标准算例进行验证,并和遗传算法、未改进的协同免疫算法、改进的免疫算法相比较,仿真结果验证了这种方法的优越性。
石刚[10]（2011）在《改进免疫克隆选择算法的研究与应用》文中进行了进一步梳理优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题。近年来,多学科交叉研究为解决此类问题提供了新的思路,其中以模仿生物免疫机理为理论基础的人工免疫优化算法在各领域的研究与应用中表现出优异的性能,已成为解决复杂优化问题的有力工具。免疫克隆选择算法是一种受生物免疫系统克隆选择原理启发而设计的新型智能优化算法。它结合了问题的先验知识和生物免疫系统的自适应能力,因而在信息处理方面具有较强的鲁棒性,在搜索过程中能更好地收敛到全局最优解。本文在归纳了基本免疫克隆选择算法的原理与特点的基础上,分析其不足之处,综合运用多种免疫学和进化学思想,从多种角度对算法进行改进,并将改进算法应用于几种典型的优化问题。通过实例仿真,验证改进算法的有效性和实用价值。本文的主要研究内容和结论如下：（1）本文深入分析了人工免疫系统的生物学原理及其仿生机理,详细阐述了人工免疫系统的具体研究内容和范围,并对克隆选择理论的工作机理进行了较为深入的研究。在分析基本免疫克隆选择算法的原理、框架及特点基础上,总结了该算法在某些方面的缺点和不足,确立了本文的基本研究方向,提出了相应的改进思路。（2）针对基本免疫克隆选择算法存在的算法寻优过程中收敛速度慢、易陷入局部最优等问题,借鉴生物免疫系统的显性基因特性,提出了免疫显性克隆选择算法（IDCSA）。通过在每次迭代中使用一批适应值高的抗体来引导整个种群的改良,该策略加强了抗体种群间的信息交流,并有效地指引抗体朝着有前途的方向搜索。这种方法既维持了种群的多样性,又保证了解的质量。同时,采用指数型分布的随机变异策略,充分开发解空间,有利于算法跳出局部最优。为说明改进算法的有效性,选取物流配送问题中的车辆路径调度做为应用实例。通过对不同规模、不同类型的物流配送问题的Benchmark算例进行仿真,将结果进行统计、对比和分析,证明了改进算法的有效性。（3）针对基本免疫克隆选择算法在单一种群进化中容易过早收敛的问题,为了增强免疫克隆选择算法的并行搜索能力,提出了基于多种群策略的主从式免疫克隆选择算法（MSICSA）。主从式免疫克隆选择算法设计了一种主从式结构,该结构上层只有一个主种群,而下层包含多个子种群。主种群和子种群之间实行迁入、迁出操作,以加强各种群间的信息交流,提高主种群的质量。同时,采用混沌序列作为变异操作的随机数,增强了算法搜索的随机性。在具体的实例应用分析中,采用主从式免疫克隆选择算法求解任务分配问题,给出算法的详细求解流程。通过改进算法与其他不同算法对实例进行仿真对比分析,证明了改进算法的有效性。（4）针对基本免疫克隆选择算法在寻优初期具有较快的收敛速度,而到了寻优后期则收敛缓慢,算法缺乏随机性,同时又缺乏局部搜索能力等缺点,提出自适应全局免疫克隆选择算法（AGICSA）。自适应全局免疫克隆选择算法引入了一种服从高斯分布的自适应全局变异策略。其中,变异率采用了一种与抗体适值相关的自适应正态云模型。在动态调整变异力度的同时,引入了一种基于正态分布的自适应变异操作,通过这种变异操作可以在全局范围内均匀、动态地对每个满足变异率的抗体的σ临域内进行高概率变异,增强了搜索的随机性和稳定倾向性。在具体的实例应用中,本文设计了一种模糊能量管理控制器（FEMC）来实现并联式混合动力汽车（PHEV）的电动辅助控制策略。并利用自适应全局免疫克隆选择算法对模糊逻辑控制器（FLC）的隶属函数进行优化,从而进一步地改善燃油经济性和综合能耗指标。针对不同的道路循环测试工况,将改进算法自适应全局免疫克隆选择算法与其它算法分别嵌入PHEV整车模型,进行仿真对比分析,证明了改进算法的有效性。本文通过以上的研究工作和仿真结果分析,对改进的免疫克隆选择算法进行综合性地概括、归纳和总结。在处理大规模复杂优化问题方面提出了一些改进的思想,并完成了算法的实现和应用仿真。最后,对有待进一步深入研究的问题进行了探讨,对免疫克隆选择算法未来的发展在理论和应用两个方面进行了展望。
二、免疫算法在车辆调度问题中的应用（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、免疫算法在车辆调度问题中的应用（论文提纲范文）
（2）多源数据驱动的互联网租赁自行车智能调度优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况 |
| 1.2.1 租赁自行车短时需求预测方法 |
| 1.2.2 租赁自行车用户参与调度方法 |
| 1.2.3 租赁自行车静态调度优化方法 |
| 1.2.4 租赁自行车动态调度优化方法 |
| 1.2.5 现状研究存在的不足 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 基于多源数据的互联网租赁自行车出行特征分析 |
| 2.1 南京市互联网租赁自行车发展概况 |
| 2.2 研究范围选取 |
| 2.3 研究数据获取与预处理 |
| 2.3.1 互联网租赁自行车骑行数据 |
| 2.3.2 城市兴趣点(POI)数据 |
| 2.3.3 路网与公共交通站点数据 |
| 2.3.4 天气数据 |
| 2.4 生成虚拟站点 |
| 2.4.1 评价指标 |
| 2.4.2 生成方法 |
| 2.4.3 生成结果 |
| 2.5 互联网租赁自行车出行特征分析 |
| 2.5.1 时间特征分析 |
| 2.5.2 空间特征分析 |
| 2.6 本章小结 |
| 第三章 基于深度学习的互联网租赁自行车短时需求预测方法 |
| 3.1 深度学习相关理论 |
| 3.1.1 循环神经网络与长短时记忆网络 |
| 3.1.2 卷积神经网络与图卷积神经网络 |
| 3.2 引入注意力机制的时空图卷积网络预测模型 |
| 3.2.1 空间特征提取 |
| 3.2.2 时间特征提取 |
| 3.3 实验过程 |
| 3.3.1 数据预处理 |
| 3.3.2 模型评价指标 |
| 3.3.3 模型对比基准 |
| 3.4 预测结果与分析 |
| 3.4.1 模型预测结果 |
| 3.4.2 模型超参数分析 |
| 3.4.3 外部变量对预测结果的影响 |
| 3.4.4 模型预测结果的时空可视化 |
| 3.5 本章小结 |
| 第四章 基于激励机制的互联网租赁自行车用户参与调度策略 |
| 4.1 问题描述 |
| 4.2 基本假设 |
| 4.3 基于激励机制的用户参与调度策略 |
| 4.3.1 调度情景设定 |
| 4.3.2 站点匹配机制 |
| 4.3.3 用户选择行为 |
| 4.3.4 性能评价指标 |
| 4.3.5 调度策略流程 |
| 4.4 实例分析 |
| 4.4.1 数据准备 |
| 4.4.2 调度策略性能指标分析 |
| 4.5 本章小结 |
| 第五章 基于调度子区划分的互联网租赁自行车静态调度优化模型 |
| 5.1 问题描述 |
| 5.2 调度需求量确定模型 |
| 5.2.1 模型假设 |
| 5.2.2 符号说明 |
| 5.2.3 模型构建 |
| 5.3 调度子区划分方法 |
| 5.3.1 非重叠社团发现概念 |
| 5.3.2 非重叠社团发现算法 |
| 5.3.3 调度子区划分评价指标 |
| 5.4 静态调度优化模型构建 |
| 5.4.1 模型假设 |
| 5.4.2 符号说明 |
| 5.4.3 模型构建 |
| 5.5 模型求解 |
| 5.5.1 遗传算法 |
| 5.5.2 人工免疫算法 |
| 5.5.3 免疫遗传算法 |
| 5.5.4 算法步骤 |
| 5.6 算例分析 |
| 5.6.1 调度需求量确定 |
| 5.6.2 调度子区划分结果 |
| 5.6.3 调度路线确定 |
| 5.7 本章小结 |
| 第六章 考虑站点重要度的互联网租赁自行车动态调度优化模型 |
| 6.1 问题描述 |
| 6.2 调度需求量计算方法 |
| 6.3 站点重要度分析 |
| 6.3.1 站点重要度评价指标 |
| 6.3.2 站点重要度计算方法 |
| 6.4 动态调度路径优化模型 |
| 6.4.1 初始阶段路径优化模型 |
| 6.4.2 动态优化阶段路径优化模型 |
| 6.5 模型求解 |
| 6.5.1 人工蜂群算法 |
| 6.5.2 算法步骤 |
| 6.6 算例分析 |
| 6.6.1 调度需求量确定 |
| 6.6.2 调度子区划分结果 |
| 6.6.3 站点重要度确定 |
| 6.6.4 调度路线确定 |
| 6.7 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 主要研究成果与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研情况 |
（3）基于免疫粒子群算法的冷链物流配送路径优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 1.3.3 技术路线 |
| 第二章 冷链物流配送路径优化相关理论 |
| 2.1 冷链物流的相关理论 |
| 2.1.1 冷链物流的定义 |
| 2.1.2 冷链物流的特性 |
| 2.1.3 新零售模式的定义与特性 |
| 2.1.4 新零售模式下的冷链物流配送体系 |
| 2.2 车辆路径问题的相关理论 |
| 2.2.1 车辆路径问题的定义 |
| 2.2.2 车辆路径优化问题的分类 |
| 2.2.3 车辆路径优化问题相关算法 |
| 2.3 粒子群算法的相关理论 |
| 2.3.1 粒子群算法基本原理 |
| 2.3.2 相关参数 |
| 2.3.3 粒子群算法求解流程 |
| 2.4 免疫算法的相关理论 |
| 2.4.1 免疫算法基本原理 |
| 2.4.2 免疫算法的特征 |
| 2.4.3 免疫算法求解流程 |
| 2.5 本章小结 |
| 第三章 冷链物流路径优化模型 |
| 3.1 冷链物流路径优化基本问题描述 |
| 3.2 冷链物流路径优化问题基本假设 |
| 3.3 冷链物流配送路径优化模型 |
| 3.3.1 模型相关参数 |
| 3.3.2 模型成本分析 |
| 3.3.3 模型构建 |
| 3.4 本章小结 |
| 第四章 免疫粒子群算法设计 |
| 4.1 算法基本思想 |
| 4.2 算法设计 |
| 4.2.1 惯性权重的设计 |
| 4.2.2 粒子筛选策略 |
| 4.2.3 免疫记忆粒子选择策略 |
| 4.2.4 粒子合并策略 |
| 4.3 免疫粒子群算法的求解流程与步骤 |
| 4.4 算法测试 |
| 4.5 本章小结 |
| 第五章 案例分析 |
| 5.1 案例基本情况 |
| 5.2 模型求解 |
| 5.3 算法对比 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）分解多目标进化算法在带时间窗车辆路径问题中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究综述 |
| 1.2.1 带时间窗车辆路径问题研究现状 |
| 1.2.2 多目标进化算法研究现状 |
| 1.2.3 研究综述 |
| 1.3 研究方法 |
| 1.4 研究内容及章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 相关概念与理论基础 |
| 2.1 带时间窗车辆路径问题研究 |
| 2.1.1 带时间窗车辆路径问题的描述 |
| 2.1.2 带时间窗车辆路径问题的分类 |
| 2.1.3 带时间窗车辆路径问题的求解算法 |
| 2.1.4 多目标优化的带时间窗车辆路径问题 |
| 2.2 多目标优化的基本概念 |
| 2.2.1 多目标优化问题 |
| 2.2.2 Pareto解的相关概念 |
| 2.3 分解多目标进化算法 |
| 2.3.1 分解方法 |
| 2.3.2 权重向量 |
| 2.3.3 邻域 |
| 2.3.4 MOEA/D算法流程 |
| 2.4 本章小结 |
| 第三章 基于改进邻域策略的分解多目标进化算法 |
| 3.1 固定邻域缺陷分析 |
| 3.2 算法改进策略 |
| 3.3 改进算法MOEA/D-INS流程 |
| 3.4 仿真实验及结果分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 性能评价指标 |
| 3.4.3 ZDT系列测试函数上性能对比分析 |
| 3.4.4 DTLZ系列测试函数上性能对比分析 |
| 3.5 本章小结 |
| 第四章 分解进化算法在车辆路径问题上的应用 |
| 4.1 问题描述与模型建立 |
| 4.2 算法框架及具体步骤 |
| 4.2.1 染色体表示 |
| 4.2.2 初始种群生成 |
| 4.2.3 交叉与变异 |
| 4.2.4 评价与选择 |
| 4.3 算例及数值分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 学位论文数据集 |
（5）多网点粮油应急配送优化调度模型及算法求解（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 应急物流现状 |
| 1.2.2 粮食物流现状 |
| 1.2.3 应急物流选址 |
| 1.2.4 应急物流车辆调度 |
| 1.2.5 文献总结 |
| 1.3 主要研究内容及结构安排 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 相关理论知识分析 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法概述 |
| 2.1.2 遗传算法基本操作 |
| 2.1.3 遗传算法流程 |
| 2.1.4 遗传算法特点 |
| 2.2 免疫算法 |
| 2.2.1 免疫算法概述 |
| 2.2.2 免疫算法步骤 |
| 2.2.3 免疫算法流程 |
| 2.2.4 免疫算法特点 |
| 2.3 本章小结 |
| 第三章 多网点粮油应急配送中心选址问题研究 |
| 3.1 问题的提出 |
| 3.2 模型的构建 |
| 3.2.1 问题的描述 |
| 3.2.2 符号说明 |
| 3.2.3 模型建立 |
| 3.3 模型求解 |
| 3.4 仿真实验分析 |
| 3.5 本章小结 |
| 第四章 多网点粮油应急配送车辆调度模型及算法设计 |
| 4.1 模型分析 |
| 4.2 条件与参数假设 |
| 4.3 模型建立 |
| 4.4 算法设计 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究结论 |
| 5.2 未来研究方向 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（6）基于改进萤火虫优化算法的钢铁企业车辆调度研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 厂外车辆入库调度研究现状 |
| 1.2.2 厂内车辆甩挂调度研究现状 |
| 1.3 论文研究内容及结构 |
| 第二章 钢铁企业物流车辆调度优化问题 |
| 2.1 钢铁企业物流的基本情况 |
| 2.2 钢铁企业厂外车辆原料入库调度的问题 |
| 2.3 钢铁企业厂内车辆各任务运输节点之间的调度问题 |
| 2.4 调度优化算法研究 |
| 2.4.1 调度优化算法的分类 |
| 2.4.2 萤火虫优化算法的提出及现状 |
| 2.4.3 萤火虫优化算法的优点 |
| 2.5 本章小结 |
| 第三章 厂外车辆的原料入库调度 |
| 3.1 炼焦煤入库问题描述与建模 |
| 3.1.1 问题描述 |
| 3.1.2 模型建立 |
| 3.2 萤火虫优化算法的理论研究 |
| 3.2.1 算法的生物学原理及具体描述 |
| 3.2.2 算法流程 |
| 3.3 改进萤火虫优化算法研究 |
| 3.3.1 自适应萤火虫优化算法 |
| 3.3.2 Levy变异改进自适应萤火虫优化算法 |
| 3.3.3 改进萤火虫算法的优化流程 |
| 3.3.4 仿真实验对比 |
| 3.4 实例分析 |
| 3.4.1 算法编解码及实例数据描述 |
| 3.4.2 仿真结果分析 |
| 3.4.3 算法对比结果分析 |
| 3.5 本章小结 |
| 第四章 厂内车辆的甩挂运输调度 |
| 4.1 甩挂运输问题 |
| 4.1.1 甩挂运输的概念及原理 |
| 4.1.2 厂内循环运输组织形式的选择 |
| 4.2 厂内甩挂运输问题描述与建模 |
| 4.2.1 问题描述 |
| 4.2.2 变量及假设说明 |
| 4.2.3 甩挂运输数学模型 |
| 4.3 基于免疫接种机制的自适应萤火虫优化算法 |
| 4.3.1 自适应步长机制 |
| 4.3.2 免疫接种和免疫选择机制 |
| 4.3.3 改进后萤火虫优化算法流程 |
| 4.3.4 算法编解码 |
| 4.4 实例分析 |
| 4.4.1 传统单车调度模式 |
| 4.4.2 循环甩挂调度模式 |
| 4.4.3 对比结果分析 |
| 4.5 本章小结 |
| 第五章 钢铁企业物流车辆调度系统的设计与实现 |
| 5.1 系统业务流程设计 |
| 5.2 系统数据库设计 |
| 5.3 系统功能模块设计 |
| 5.4 系统算法实现 |
| 5.5 物流车辆调度系统实现 |
| 5.5.1 系统架构选择 |
| 5.5.2 系统环境搭建 |
| 5.5.3 系统实现效果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所获得的相关科研成果 |
| 致谢 |
（7）考虑客户等级划分的车辆调度干扰管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究述评 |
| 1.3 本文的主要研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 创新点 |
| 1.3.4 技术路线 |
| 第2章 物流配送车辆调度相关理论 |
| 2.1 物流配送理论 |
| 2.1.1 物流配送的概念 |
| 2.1.2 物流配送种类及作用 |
| 2.2 车辆调度理论 |
| 2.2.1 车辆调度的概念 |
| 2.2.2 车辆调度问题构成要素及分类 |
| 2.3 干扰管理理论 |
| 2.3.1 干扰管理的概念 |
| 2.3.2 干扰管理模型 |
| 2.3.3 干扰管理特点 |
| 2.4 车辆调度模型常用求解算法 |
| 2.4.1 精确算法 |
| 2.4.2 经典启发式算法 |
| 2.4.3 智能优化算法 |
| 2.5 本章小结 |
| 第3章 考虑客户等级划分的车辆调度干扰管理模型 |
| 3.1 初始车辆调度模型 |
| 3.1.1 问题描述 |
| 3.1.2 参数及变量说明 |
| 3.1.3 初始车辆调度数学模型 |
| 3.2 基于云模型的客户等级划分 |
| 3.2.1 云模型理论 |
| 3.2.2 客户等级划分 |
| 3.3 扰动因素的度量及模型的构建 |
| 3.3.1 扰动的分析 |
| 3.3.2 参数及变量说明 |
| 3.3.3 扰动因素的提取 |
| 3.3.4 模型建立 |
| 3.4 本章小结 |
| 第4章 免疫-种子群优化算法设计 |
| 4.1 种子群优化算法基础理论 |
| 4.1.1 基本种子群优化算法思想及模型 |
| 4.1.2 基于正态分布的种群演化模型 |
| 4.2 免疫算法基础理论 |
| 4.2.1 免疫算法相关概念 |
| 4.2.2 免疫算法基本步骤 |
| 4.3 免疫-种子群优化算法 |
| 4.3.1 免疫-种子群优化算法设计思想 |
| 4.3.2 自适应机制设计 |
| 4.3.3 免疫-种子群优化算法基本步骤 |
| 4.4 本章小结 |
| 第5章 实证研究 |
| 5.1 公司概况 |
| 5.2 实证分析 |
| 5.2.1 数据来源 |
| 5.2.2 数据处理 |
| 5.2.3 计算过程 |
| 5.3 结果对比分析 |
| 5.4 提高物流配送效率的对策与措施 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士学位期间发表的论文和科研成果 |
（9）基于改进协同免疫算法的Flow Shop调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 生产调度的研究背景 |
| 1.2 生产调度的问题概述 |
| 1.2.1 调度问题 |
| 1.2.2 生产调度的定义和特点 |
| 1.2.3 生产调度的分类及研究现状 |
| 1.3 生产调度的研究方法 |
| 1.3.1 数学规划法 |
| 1.3.2 启发式搜索 |
| 1.3.3 系统仿真 |
| 1.3.4 人工智能方法 |
| 1.4 本文的主要创新 |
| 1.5 论文的主要研究内容和框架 |
| 第2章 协同进化算法和免疫算法 |
| 2.1 协同进化算法 |
| 2.1.1 定义 |
| 2.1.2 内容 |
| 2.1.3 发展现状 |
| 2.2 免疫算法 |
| 2.2.1 免疫系统 |
| 2.2.2 免疫算法的一般描述 |
| 2.2.3 基于信息熵的免疫算法 |
| 2.2.4 基于疫苗的免疫规划算法 |
| 2.2.5 算法步骤 |
| 2.3 本章小结 |
| 第3章 基于改进的协同免疫算法的Flow Shop调度问题研究 |
| 3.1 Flow Shop调度问题 |
| 3.2 局部搜索算法 |
| 3.2.1 k-opt法 |
| 3.2.2 模拟退火算法和禁忌搜索算法 |
| 3.3 改进的协同免疫算法 |
| 3.3.1 疫苗的提取 |
| 3.3.2 疫苗的注射 |
| 3.3.3 新的种群构造机制——80/20法则 |
| 3.3.4 局部搜索算法 |
| 3.4 改进的协同免疫算法的步骤 |
| 3.5 仿真实验 |
| 3.5.1 问题描述 |
| 3.5.2 参数选取 |
| 3.5.3 算法性能比较及实验结果 |
| 3.5.4 结论分析 |
| 3.6 本章小结 |
| 第4章 基于改进协同免疫算法的零等待Flow Shop调度问题研究 |
| 4.1 具有零等待的Flow Shop调度 |
| 4.1.1 问题描述 |
| 4.1.2 数学模型 |
| 4.1.3 研究工作 |
| 4.2 改进的协同免疫算法 |
| 4.2.1 单点交叉法 |
| 4.2.2 局部交叉方法 |
| 4.2.3 新的交叉方法-----全局交叉法 |
| 4.2.4 三种交叉方法的优劣性分析 |
| 4.3 改进的协同免疫算法的原理和算法步骤 |
| 4.4 仿真实验 |
| 4.4.1 问题描述 |
| 4.4.2 参数选取 |
| 4.4.3 算法性能比较及试验结果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者在学期间取得的学术成果 |
（10）改进免疫克隆选择算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 最优化问题 |
| 1.3 智能优化算法 |
| 1.3.1 进化算法 |
| 1.3.2 群智能算法 |
| 1.3.3 其它优化算法 |
| 1.4 人工免疫系统研究概述 |
| 1.4.1 人工免疫系统的生物学基础 |
| 1.4.2 人工免疫系统的发展及研究现状 |
| 1.4.3 人工免疫算法研究现状 |
| 1.5 本文的主要研究内容 |
| 1.5.1 本文的主要工作 |
| 1.5.2 论文组织结构 |
| 第2章 生物免疫系统与免疫克隆选择算法 |
| 2.1 引言 |
| 2.2 生物免疫系统 |
| 2.2.1 免疫学基本概念 |
| 2.2.2 生物免疫系统的组成 |
| 2.2.3 生物免疫系统的分类 |
| 2.2.4 生物免疫系统的功能 |
| 2.2.5 免疫应答与免疫记忆 |
| 2.3 人工免疫算法研究 |
| 2.3.1 人工免疫算法原理 |
| 2.3.2 人工免疫算法特点 |
| 2.3.3 人工免疫算法流程 |
| 2.3.4 人工免疫算法与其它算法的比较 |
| 2.4 免疫克隆选择算法 |
| 2.4.1 克隆选择原理与应用 |
| 2.4.2 克隆选择算子机理与构造 |
| 2.4.3 免疫克隆选择算法的流程 |
| 2.4.4 免疫克隆选择算法特点 |
| 2.5 小结 |
| 第3章 免疫克隆选择算法的改进研究 |
| 3.1 引言 |
| 3.2 基本免疫克隆选择算法的不足 |
| 3.3 免疫显性克隆选择算法 |
| 3.3.1 抗体免疫显性 |
| 3.3.2 克隆算子 |
| 3.3.3 指数型变异 |
| 3.3.4 免疫显性克隆选择算法流程 |
| 3.4 主从式免疫克隆选择算法 |
| 3.4.1 主从式结构 |
| 3.4.2 子种群的改良 |
| 3.4.3 主种群的改良 |
| 3.4.4 迁入和迁出 |
| 3.4.5 主从式免疫克隆选择算法流程 |
| 3.5 自适应全局免疫克隆选择算法 |
| 3.5.1 选择算子 |
| 3.5.2 克隆算子 |
| 3.5.3 变异算子 |
| 3.5.4 自适应全局免疫克隆选择算法流程 |
| 3.6 不同算法之间的比较 |
| 3.7 小结 |
| 第4章 免疫显性克隆选择算法求解CVRP |
| 4.1 引言 |
| 4.2 物流配送问题描述 |
| 4.3 物流配送问题数学模型的建立 |
| 4.3.1 问题的假设与说明 |
| 4.3.2 物流配送问题数学模型 |
| 4.4 物流配送问题求解方法 |
| 4.5 免疫显性克隆选择算法解决CVRP的算法实现 |
| 4.6 仿真实例与分析 |
| 4.6.1 小规模Benchmark实例仿真与分析 |
| 4.6.2 中大规模Benchmark实例仿真与分析 |
| 4.7 小结 |
| 第5章 主从式免疫克隆选择算法求解TAP |
| 5.1 引言 |
| 5.2 任务分配问题描述 |
| 5.3 任务分配问题的数学模型 |
| 5.4 主从式免疫克隆选择算法解决TAP的算法实现 |
| 5.4.1 抗体编码及适值函数建立 |
| 5.4.2 主从式免疫克隆选择算法解决TAP的流程 |
| 5.5 仿真实例与分析 |
| 5.6 小结 |
| 第6章 自适应全局免疫克隆选择算法优化FLC |
| 6.1 引言 |
| 6.2 模糊逻辑控制器的设计 |
| 6.2.1 FLC的语言变量 |
| 6.2.2 语言变量值的选取 |
| 6.2.3 隶属度函数的选取 |
| 6.2.4 控制规则的确定 |
| 6.2.5 模糊推理及决策 |
| 6.3 基于AGICSA的FLC优化设计 |
| 6.4 基于AGICSA的PHEV FEMC设计与优化 |
| 6.4.1 并联式混合动力汽车描述 |
| 6.4.2 模糊能量管理控制器设计 |
| 6.4.3 模糊能量管理控制器优化 |
| 6.4.4 仿真结果与分析 |
| 6.5 小结 |
| 第7章 结论与展望 |
| 附录 CVRP BENCHMARK |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
| 作者简历 |
| 附件 |
四、免疫算法在车辆调度问题中的应用（论文参考文献）
- [1]露天矿新能源纯电动无人卡车多目标调度模型及仿真[D]. 李晓光. 西安建筑科技大学, 2021
- [2]多源数据驱动的互联网租赁自行车智能调度优化方法[D]. 马新卫. 东南大学, 2020
- [3]基于免疫粒子群算法的冷链物流配送路径优化研究[D]. 梅奇. 西安电子科技大学, 2020(05)
- [4]分解多目标进化算法在带时间窗车辆路径问题中的应用[D]. 谭玮. 浙江工业大学, 2020(02)
- [5]多网点粮油应急配送优化调度模型及算法求解[D]. 赵萍. 河南工业大学, 2020(01)
- [6]基于改进萤火虫优化算法的钢铁企业车辆调度研究[D]. 赵凡. 河北工业大学, 2019(06)
- [7]考虑客户等级划分的车辆调度干扰管理研究[D]. 赵丽飞. 河北工程大学, 2017(07)
- [8]带时间窗物流配送车辆路径问题的蝙蝠算法[J]. 马祥丽,张惠珍,马良. 计算机工程与应用, 2016(11)
- [9]基于改进协同免疫算法的Flow Shop调度问题研究[D]. 张顺. 华东理工大学, 2013(06)
- [10]改进免疫克隆选择算法的研究与应用[D]. 石刚. 东北大学, 2011(07)