《物流配送的车辆路径优化方法》系统的研究了静态和动态车辆调度问题，随机车辆调度问题，以及求解上述车辆调度问题的粒子群算法、量子进化算法、蚁群算法等智能算法，并设计开发了面向第三方物流的智能车辆调度系统以及动态车辆调度仿真平台。对于有能力约束的车辆路径问题，提出了整数编码、实数编码两种粒子群算法以及基于0-1矩阵编码的量子进化算法求解。建立了开放式车辆路径问题的三下标数学模型，首次将粒子群算法和量子进化应用于开放式车辆路径问题的求解。提出了改进蚁群算法求解有时间窗车辆路径问题的方法。建立了多车型开放式、基于沿途补货的多配送中心、具有模糊预约时间窗的多目标，提出了基于混合量子进化算法的求解方法。研究了基于自适应惯性权重的粒子群算法求解动态网络车辆路径问题的方法。

前言
第1章 绪论
1.1 引言
1.2 物流配送VRP概述
1.2.1 VRP定义
1.2.2 VRP组成要素分析
1.3 VRP研究现状
1.3.1 VRP模型综述
1.3.2 VRP算法综述
参考文献

第2章 CVRP的智能优化算法
2.1 引言
2.2 CVRP的数学模型
2.3 CVRP的粒子群算法研究
2.3.1 粒子群算法的原理与研究进展
2.3.2 粒子群算法求解VRP的过程
2.3.3 算法复杂度分析
2.3.4 实验及分析
2.4 CVRP的实数编码粒子群算法研究
2.4.1 实数编码粒子群算法
2.4.2 算法过程
2.4.3 算法复杂度分析
2.4.4 实验及分析
2.5 CVRP的双种群遗传算法研究
2.5.1 双种群遗传算法的原理
2.5.2 算法求解的过程
2.5.3 算法复杂度分析
2.5.4 实验及分析
2.6 CVRP的人工鱼群算法研究
2.6.1 人工鱼群算法的原理
2.6.2 人工鱼群算法求解CVRP的过程
2.6.3 算法复杂度分析
2.6.4 实验及分析
2.7 CVRP的量子进化算法研究
2.7.1 量子进化算法基本原理
2.7.2 量子进化算法求解CVRP的过程
2.7.3 量子进化算法复杂度分析
2.7.4 实验结果及分析
2.8 几种算法的分析对比
参考文献

第3章 OVRP的智能优化算法
3.1 引言
3.2 OVRP的数学模型
3.3 粒子群算法在OVRP中的应用
3.3.1 算法的求解过程
3.3.2 算法复杂度分析
3.3.3 实验及分析
3.4 量子进化算法在OVRP中的应用
3.4.1 最子进化算法求解OVRP的过程
3.4.2 量子进化算法复杂度分析
3.4.3 实验结果及分析
3.5 基于客户满意度的OVRP的数学模型
3.5.1 模糊时间窗口
3.5.2 数学模型
3.6 粒子群算法求解过程
3.6.1 客户插入可行性分析
3.6.2 改进的最近邻启发式算法
3.6.3 改进的最廉价插入法
3.6.4 粒子群算法的流程
3.6.5 算法复杂度分析
3.6.6 实验分析
参考文献

第4章 VROTW的智能优化算法
4.1 引言
4.2 VRPTW问题
4.2.1 时间窗
4.2.2 VRPTW问题的数学模型
4.3 蚁群算法求解VRPTW问题
4.3.1 蚁群算法
4.3.2 解构造
4.3.3 信息素更新
4.3.4 算法参数
4.3.5 ACS算法行为及局部搜索
4.3.6 仿真结果
4.4 PDPTW问题
4.4.1 PDPTW的数学模型
4.4.2 模型转化
4.5 蚁群系统求解PDPTW问题
4.5.1 解构造过程
4.5.2 信息素更新
4.5.3 局部搜索
4.5.4 算法框架述
4.5.5 仿真结果
4.6 带模糊旅行时间的VRP问题
4.6.1 模糊理论基本知识
4.6.2 问题数学模型
4.7 双蚁群系统求解带模糊旅行时间的VRP问题
4.7.1 MACS—VRPIW问题
4.7.2 算法流程
4.7.3 仿真结果
参考文献

第5章 动态需求VRP模型及其智能优化算法
5.1 引言
5.1.1 动态需求VRP的构成要素及分类
5.1.2 动态需求VRP的求解策略及现有算法
5.2 动态需求HFVRP的数学规划模型
5.2.1 问题描述
5.2.2 数学模型的建立
5.2.3 多车型分配策略
5.3 动态需求HFVRP的混合量子进化算法求解
5.3.1 问题的求解策略
5.3.2 混合量子进化算法求解动态需求HFVRP问题
5.3.3 混合量子进化算法的计算复杂性分析
5.3.4 量子进化算法收敛性证明
5.3.5 实验结果与分析
5.4 动态需求多配送中心VRP数学规划模型
5.4.1 沿途补货策略
5.4.2 数学规划模型
5.5 动态需求多配送中心VRP的自适应免疫量子进化算法求解
5.5.1 自适应免疫量子进化算法
5.5.2 自适应免疫量子进化算法复杂度分析
5.5.3 实验结果与分析
5.6 基于客户满意度的多目标动态需求VRP的数学规划模型
5.6.1 模糊时间窗
5.6.2 数学规划模型
5.7 基于客户满意度的动态需求VRP的多目标量子进化算法求解
5.7.1 多目标优化问题
5.7.2 多目标量子进化算法设计
5.7.3 算法复杂度分析
5.7.4 实验分析
参考文献

第6章 动态网络VRP的智能优化算法
6.1 引言
6.1.1 动态网络VRP的定义及特征
6.1.2 动态网络VRP的分类
6.2 动态网络VRP的数学规划模型
6.2.1 时间依赖函数
6.2.2 数学规划模型
6.3 自适应惯性权重调整粒子群算法在动态网络VRP中的应用
6.3.1 粒子群算法惯性权重调整方法
6.3.2 自适应惯性权重调整粒子群算法
6.3.3 算法求解过程
6.3.4 算法复杂度分析
6.3.5 实验及分析
6.4 量子进化算法在动态网络VRP中的应用
6.4.1 量子进化算法求解动态网络VRP的过程
6.4.2 实验结果及分析
参考文献

第7章 随机VRP模型及其智能优化算法
7.1 引言
7.1.1 SVRP的分类
7.1.2 随机VRP的特点
7.1.3 随机VRP的求解策略
7.2 带软时间窗的随机VRP问题描述及数学模型
7.2.1 问题描述
7.2.2 数学模型
7.3 蚁群算法求解带软时间窗随机VRP问题
7.3.1 蚁群算法的求解过程
7.3.2 实验结果及分析
7.4 多目标随机VRP问题优化
7.4.1 问题描述
7.4.2 数学模型
7.5 多目标混合粒子群算法求解
7.5.1 多目标优化问题概述
7.5.2 改进算法
7.5.3 基于自适应网格解的多样性保持方法
7.5.4 算法主要步骤
7.5.5 实验仿真
7.6 动态随机需求VRP的基于补偿策略的随机规划模型
7.6.1 问题描述
7.6.2 预优化阶段模型
7.6.3 实时优化阶段模型
7.7 动态随机需求VRP求解
7.7.1 实例测试
7.7.2 优化性能实验及分析
7.7.3 算法的比较分析
参考文献

第8章 智能车辆调度系统及动态车辆调度仿真平台的实现
8.1 智能车辆调度系统的工程背景及开发意义
8.2 智能车辆调度系统的平台和框架
8.2.1 系统的开发平台
8.2.2 系统的总体框架
8.3 智能车辆调度系统各功能的实现
8.3.1 承运单管理
8.3.2 回单管理
8.3.3 调度基础信息管理
8.3.4 报表管理
8.3.5 智能算法调度
8.4 系统应用实例
8.5 动态车辆调度仿真平台的框架
8.5.1 仿真环境
8.5.2 总体框架
8.6 动态车辆调度仿真平台各功能的实现
8.6.1 实验仿真平台
8.6.2 实例应用
参考文献