幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

複雜約束車輛路徑問題及人工智慧方案

  • 作者：劉亞暉|責編:秦志峰
  • 出版社：西安電子科大
  • ISBN：9787560667393
  • 出版日期：2023/07/01
  • 裝幀：平裝
  • 頁數：213
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書在簡要闡述旅行商問題、車輛路徑問題的基礎上，介紹了複雜約束車輛路徑問題及其研究現狀，並補充了實際物流企業涉及的多種新型約束，完善了實際物流優化調度中的各類約束條件。針對複雜約束車輛路徑問題，作者基於蟻群優化演算法及各組成環節的核心思想，針對多個核心步驟改進了演算法，並且結合相關的演算法研究，建立了一個針對實際物流調度問題的統一應用框架，該應用框架較好地優化了實際物流企業調度。最後，筆者結合蟻群優化演算法和強化學習演算法的優點，並針對它們的缺點和痛點，根據市場經濟自動優化資源配置的機制及反壟斷、風險投資機制，開創性地設計和建立了市場經濟優化演算法。
    本書可作為從事智能優化演算法及其應用研究，特別是組合優化問題研究的相關科技工作者、專業技術人員的參考書，也可作為電腦、運籌學等專業本科生及研究生的參考書。
作者介紹
劉亞暉|責編:秦志峰
    劉亞暉     教育簡歷     同濟大學軟體工程碩士及博士；     德國不來梅大學訪問學者，外方導師是tthein HerZog教授(德國工程院院士，中國工程院外籍院士)。     主要科研方向     自研市場經濟優化演算法及其實現：     蟻群優化演算法、強化學習演算法的基礎研究：     複雜車路徑問題、車間調度問題的研究、建模及實現；     電子地圖功能的研究及開發。     工作簡歷     25年軟體開發企業的軟體設計、開發及管理經歷；     8年國內IT業頭部企業及6年     外資500強企業管理經歷；     7年創辦企業經歷。
目錄
第1章  緒論
  1.1  物流行業背景及現狀
  1.2  解決車輛路徑問題的意義
  1.3  基本的旅行商問題和車輛路徑問題
    1.3.1  旅行商問題（TSP）
    1.3.2  車輛路徑問題（VRP）
小結
第2章  複雜約束車輛路徑問題（Rich VRP)
  2.1  複雜約束車輛路徑問題（Rich VRP）的具體內容
  2.2  複雜約束車輛路徑問題（Rich VRP）在實踐中的新增約束
  2.3  其他車輛路徑問題的研究現狀
  2.4  車輛路徑問題關聯裝載問題概述
小結
第3章  複雜約束車輛路徑問題的演算法現狀
  3.1  解決Rich VRP的演算法研究概述
  3.2  解決Rich VRP的精確演算法
  3.3  解決Rich VRP的近似演算法
  3.4  解決Rich VRP的元啟髮式演算法
  3.5  解決Rich VRP的機器學習演算法
  3.6  解決Rich VRP的強化學習演算法
  3.7  單智能體強化學習與多智能體強化學習
  3.8  主流強化學習與組合優化問題
  3.9  各類演算法的比較小結
第4章  蟻群優化演算法及其改進研究
  4.1  蟻群優化演算法（ACO）原理
  4.2  選擇蟻群優化演算法（ACO）的原因
  4.3  蟻群優化演算法（ACO）研究現狀
  4.4  蟻群優化演算法在Rich VRP的研究現狀
  4.5  蟻群優化演算法與強化學習演算法的結合小結
第5章  Levy ACO演算法
  5.1  萊維分佈和萊維飛行模式概述
  5.2  Levy ACO的演算法設計
  5.3  實驗環境說明
  5.4  實驗結果及其分析
  5.5  Levy ACO與其他最新演算法的比較
    5.5.1  Levy ACO與ACO相關最新演算法的比較
    5.5.2  Levy ACO與非ACO最新演算法的比較小結
第6章  Greedy Levy ACO演算法
  6.1  Epsilon Greedy機制
  6.2  Greedy Levy ACO的演算法設計
  6.3  實驗環境說明
  6.4  實驗結果及其分析
  6.5  Greedy Levy ACO與其他最新演算法的比較
    6.5.1  Greedy Levy ACO與ACO相關最新演算法的比較
    6.5.2  Greedy Levy ACO與非ACO最新演算法的比較小結
第7章  Contribution-based ACO演算法
  7.1  強化學習演算法中的獎勵機制
  7.2  管理學激勵理論概述
  7.3  經典ACO演算法中的信息素更新邏輯
  7.4  Contribution-based ACO的演算法設計

  7.5  實驗環境說明
  7.6  實驗結果及其分析
  7.7  ACO改進演算法的比較、關係和作用小結
第8章  Rich VRP分析及統一應用框架的建模
  8.1  Rich VRP統一應用框架分析
    8.1.1  車型的定義及意義
    8.1.2  Rich VRP約束分析
    8.1.3  多車型車隊概念
    8.1.4  多車型及多信息素
    8.1.5  多信息素下的ACO信息素邏輯
    8.1.6  信息素更新改進策略
    8.1.7  與車型無關約束的實現
  8.2  Rich VRP統一應用框架的ACO演算法邏輯
    8.2.1  車輛選擇邏輯
    8.2.2  候選節點選擇邏輯
  8.3  Rich VRP統一應用框架性能提升的設計
  8.4  Rich VRP統一應用框架系統的實現條件
    8.4.1  開發語言的選擇
    8.4.2  基礎開發庫的選擇
    8.4.3  資料庫中間件的選擇
    8.4.4  電子地圖的選擇
    8.4.5  GPU或CPU等並行機制的選擇
  8.5  Rich VRP統一應用框架實驗結果小結
第9章  Rich VRP的實際應用及效果分析
  9.1  RichVRP的應用背景
  9.2  Rich VRP的應用環境
    9.2.1  Rich VRP中的節點信息和訂單信息
    9.2.2  Rich VRP中的路網信息
    9.2.3  Rich VRP中的車輛信息
    9.2.4  RichVRP中的節點、路網、車輛、訂單信息的關係
  9.3  Rich VRP應用實例
    9.3.1  某銀行ATM機清機運鈔車線路優化項目
    9.3.2  某汽車生產供應鏈優化項目
    9.3.3  某冷鏈互聯網服務平台運輸優化項目
    9.3.4  某倉儲服務企業攬貨線路優化項目
    9.3.5  某倉儲服
第10章  市場經濟優化演算法（MEO-Q）
  10.1  組合優化問題中的難點
  10.2  Q-learning演算法及Ant-Q演算法
    10.2.1  Q-learning演算法
    10.2.2  Ant-Q演算法及其與Q-Learning演算法的比較
    10.2.3  現有演算法的不足和市場經濟優化演算法的改進措施
  10.3  市場經濟理論對於組合優化問題的意義
  10.4  市場經濟優化演算法的主要內容
    10.4.1  市場經濟優化演算法中的價格機制及成本利潤模式
    10.4.2  市場經濟優化演算法中的反壟斷機制
    10.4.3  市場經濟優化演算法中的風險投資機制
    10.4.4  市場經濟優化演算法中的總體演算法結構
    10.4.5  市場經濟優化演算法中的其他設計
  10.5  市場經濟優化演算法的實驗設置

  10.6  市場經濟優化演算法的實驗結果
    10.6.1  市場經濟優化演算法實驗總體結果
    10.6.2  市場經濟優化演算法實驗中具體數據集的詳細結果
    10.6.3  市場經濟優化演算法實驗與最新強化學習演算法性能的對比
  10.7  市場經濟優化演算法的後續研究
    10.7.1  市場經濟優化演算法後續改進之一——融合LKH演算法
    10.7.2  市場經濟優化演算法後續改進之二——解的重複性過濾
    10.7.3  將市場經濟優化演算法應用於RichVRP統一應用框架
小結
附錄  英文縮寫說明
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032