本书在简要阐述旅行商问题、车辆路径问题的基础上，介绍了复杂约束车辆路径问题及其研究现状，并补充了实际物流企业涉及的多种新型约束，完善了实际物流优化调度中的各类约束条件。针对复杂约束车辆路径问题，作者基于蚁群优化算法及各组成环节的核心思想，针对多个核心步骤改进了算法，并且结合相关的算法研究，建立了一个针对实际物流调度问题的统一应用框架，该应用框架较好地优化了实际物流企业调度。最后，笔者结合蚁群优化算法和强化学习算法的优点，并针对它们的缺点和痛点，根据市场经济自动优化资源配置的机制及反垄断、风险投资机制，开创性地设计和建立了市场经济优化算法。 本书可作为从事智能优化算法及其应用研究，特别是组合优化问题研究的相关科技工作者、专业技术人员的参考书，也可作为计算机、运筹学等专业本科生及研究生的参考书。

第1章 绪论
1.1 物流行业背景及现状
1.2 解决车辆路径问题的意义
1.3 基本的旅行商问题和车辆路径问题
1.3.1 旅行商问题（TSP）
1.3.2 车辆路径问题（VRP）
小结
第2章 复杂约束车辆路径问题（Rich VRP)
2.1 复杂约束车辆路径问题（Rich VRP）的具体内容
2.2 复杂约束车辆路径问题（Rich VRP）在实践中的新增约束
2.3 其他车辆路径问题的研究现状
2.4 车辆路径问题关联装载问题概述
小结
第3章 复杂约束车辆路径问题的算法现状
3.1 解决Rich VRP的算法研究概述
3.2 解决Rich VRP的精确算法
3.3 解决Rich VRP的近似算法
3.4 解决Rich VRP的元启发式算法
3.5 解决Rich VRP的机器学习算法
3.6 解决Rich VRP的强化学习算法
3.7 单智能体强化学习与多智能体强化学习
3.8 主流强化学习与组合优化问题
3.9 各类算法的比较小结
第4章 蚁群优化算法及其改进研究
4.1 蚁群优化算法（ACO）原理
4.2 选择蚁群优化算法（ACO）的原因
4.3 蚁群优化算法（ACO）研究现状
4.4 蚁群优化算法在Rich VRP的研究现状
4.5 蚁群优化算法与强化学习算法的结合小结
第5章 Levy ACO算法
5.1 莱维分布和莱维飞行模式概述
5.2 Levy ACO的算法设计
5.3 实验环境说明
5.4 实验结果及其分析
5.5 Levy ACO与其他最新算法的比较
5.5.1 Levy ACO与ACO相关最新算法的比较
5.5.2 Levy ACO与非ACO最新算法的比较小结
第6章 Greedy Levy ACO算法
6.1 Epsilon Greedy机制
6.2 Greedy Levy ACO的算法设计
6.3 实验环境说明
6.4 实验结果及其分析
6.5 Greedy Levy ACO与其他最新算法的比较
6.5.1 Greedy Levy ACO与ACO相关最新算法的比较
6.5.2 Greedy Levy ACO与非ACO最新算法的比较小结
第7章 Contribution-based ACO算法
7.1 强化学习算法中的奖励机制
7.2 管理学激励理论概述
7.3 经典ACO算法中的信息素更新逻辑
7.4 Contribution-based ACO的算法设计
7.5 实验环境说明
7.6 实验结果及其分析
7.7 ACO改进算法的比较、关系和作用小结
第8章 Rich VRP分析及统一应用框架的建模
8.1 Rich VRP统一应用框架分析
8.1.1 车型的定义及意义
8.1.2 Rich VRP约束分析
8.1.3 多车型车队概念
8.1.4 多车型及多信息素
8.1.5 多信息素下的ACO信息素逻辑
8.1.6 信息素更新改进策略
8.1.7 与车型无关约束的实现
8.2 Rich VRP统一应用框架的ACO算法逻辑
8.2.1 车辆选择逻辑
8.2.2 候选节点选择逻辑
8.3 Rich VRP统一应用框架性能提升的设计
8.4 Rich VRP统一应用框架系统的实现条件
8.4.1 开发语言的选择
8.4.2 基础开发库的选择
8.4.3 数据库中间件的选择
8.4.4 电子地图的选择
8.4.5 GPU或CPU等并行机制的选择
8.5 Rich VRP统一应用框架实验结果小结
第9章 Rich VRP的实际应用及效果分析
9.1 RichVRP的应用背景
9.2 Rich VRP的应用环境
9.2.1 Rich VRP中的节点信息和订单信息
9.2.2 Rich VRP中的路网信息
9.2.3 Rich VRP中的车辆信息
9.2.4 RichVRP中的节点、路网、车辆、订单信息的关系
9.3 Rich VRP应用实例
9.3.1 某银行ATM机清机运钞车线路优化项目
9.3.2 某汽车生产供应链优化项目
9.3.3 某冷链互联网服务平台运输优化项目
9.3.4 某仓储服务企业揽货线路优化项目
9.3.5 某仓储服
第10章 市场经济优化算法（MEO-Q）
10.1 组合优化问题中的难点
10.2 Q-learning算法及Ant-Q算法
10.2.1 Q-learning算法
10.2.2 Ant-Q算法及其与Q-Learning算法的比较
10.2.3 现有算法的不足和市场经济优化算法的改进措施
10.3 市场经济理论对于组合优化问题的意义
10.4 市场经济优化算法的主要内容
10.4.1 市场经济优化算法中的价格机制及成本利润模式
10.4.2 市场经济优化算法中的反垄断机制
10.4.3 市场经济优化算法中的风险投资机制
10.4.4 市场经济优化算法中的总体算法结构
10.4.5 市场经济优化算法中的其他设计
10.5 市场经济优化算法的实验设置
10.6 市场经济优化算法的实验结果
10.6.1 市场经济优化算法实验总体结果
10.6.2 市场经济优化算法实验中具体数据集的详细结果
10.6.3 市场经济优化算法实验与最新强化学习算法性能的对比
10.7 市场经济优化算法的后续研究
10.7.1 市场经济优化算法后续改进之一——融合LKH算法
10.7.2 市场经济优化算法后续改进之二——解的重复性过滤
10.7.3 将市场经济优化算法应用于RichVRP统一应用框架
小结
附录 英文缩写说明
参考文献