一、蚂蚁算法在公交查询最短路径求法中的应用（论文文献综述）
赵添[1]（2021）在《基于GIS的冬奥出行规划系统的设计与实现》文中提出冬奥会作为国家特大型体育赛事之一,吸引了众多国内外游客观赛。然而,由于赛事相关信息发布不集中,给赛事管理者和出行人员的出行和查询冬奥相关信息带来不便,并且道路突发异常情况时有发生,若不能及时采取应急措施将会给观赛游客带来延误。因此,赛事管理者和出行者缺少集赛事相关信息查询、出行规划和应急调度一体化平台。本论文以软件工程方法学为指导思想,以软件工程理论、智慧交通理论、智能优化算法为基础,以赛事管理人员和出行人员为研究对象,以应急调配和出行规划为研究场景,系统地分析了待解决问题的需求和业务流程,最后设计与开发冬奥出行规划原型系统。旨在为管理和出行人员提供便捷、可靠、高效的出行规划和信息查询服务。本文主要的设计与开发内容有如下几个方面:（1）常态与应急调度场景下出行路径规划方法和应急车辆调度模型。为了减少应急车辆和观赛人员各自出行时间,设计了用于应急和常态场景下的出行路径规划方法和应急场景下的应急车辆调配模型:在出行场景下,将研究场景聚焦于轨道交通出行和驾车出行两种出行场景,通过Dijkstra算法来实现轨道交通下不同出行目的的出行规划方法;通过改进蚁群算法以提高其在驾车路径规划方法的实用性,并通过实例证明,改进的算法比原始算法在限定搜索区域的情况下求解效率提高了23.8%,蚂蚁死锁发生的概率降低到了7-9%。在应急场景下,建立了以最短应急时间和最优车辆配置为目标的单应急点单需求点应急车辆调配模型,先使用改进蚁群算法分析最近驻车点分布,再使用回溯剪枝算法来求解模型。（2）冬奥出行规划原型系统的设计与实现。在系统功能设计方面,本文首先分析大型赛事相关的业务痛点,并依据面向对象的模块化划分方法初步将冬奥出行规划系统划分为冬奥基础数据管理、交通态势可视化及评价、应急资源调配和管理、出行路径规划和用户管理五个模块。在系统架构方面,为了简化系统开发流程,本系统使用SSM作为后端框架,Layui.js作前端框架,Web容器使用Tomcat,并使用My SQL、GDB和Redis作数据持久化工具。在系统实现方面,本系统以北京四环以内为出行规划区域,路网数据来源于Open Street Map。首先使用Arcmap对城市主干路网进行建模并存储于GDB,再通过Arc GIS Server作为地图服务器发布地图Web服务,最后使用Arc Objects组件进行二次开发来实现改进的蚁群算法对发布的地图实例的最优路径分析。
刘异[2]（2021）在《城市纯电动公交线网综合集成优化建模研究》文中认为城市纯电动公交系统的发展能够有效地缓解交通拥堵、环境污染等一系列社会问题。然而,当前我国较多城市仍存在公交线网布局不尽合理、线路发车频率低、公交车晚点严重等弊端。此外,续航里程限制以及充电设施匮乏和建设成本高仍是制约纯电动公交体系发展的主要障碍。鉴于上述需完善改进的目标,本研究以国内某城市区域内的公交线网为研究对象,基于不同建模视角建立纯电动公交线网综合集成优化模型,同时进行公交线网布局设计、发车频率设置和充电站选址的优化研究,并针对不同问题模型设计相应的启发式求解算法,随后应用所提出的纯电动公交线网综合集成优化方法分析不同公交乘客出行及线网运营成本优化策略的实施效果。本研究的主要工作如下:首先,考虑纯电动公交车的使用和充电站的建设会增加公交运营成本,继而加重政府财政负担,本文以公交线网运营者一天的总运营成本最小为目标建立公交线网运营成本优化模型,进行公交线网布局设计、发车频率设置和充电站选址的综合集成优化研究。设计人工鱼群算法以求解所建立的优化模型,并在其中引入交叉与变异算子以避免算法后期收敛速度变慢和鱼群多样性变差的缺点。研究结果表明所提出的优化模型与求解算法能够在有效控制运营成本的条件下对纯电动公交线网进行合理优化设计,与此同时满足所有公交出行需求和所有运营公交车充电需求。其次,城市纯电动公交线网优化不仅涉及公交线网运营者的利益,还涉及公交出行者的利益。考虑到二者间的利益矛盾,本文以最小化公交线网运营者一天的总运营成本和最小化所有公交出行者的总广义出行成本为目标建立公交线网运营成本及乘客出行效率双目标优化模型,进行公交线网布局设计、发车频率设置和充电站选址的综合集成优化研究。考虑到传统多目标优化的加权法中权重值设置存在较大的主观性和经验性缺陷,本文提出Pareto人工鱼群算法（Pareto artificial fish swarm algorithm,PAFSA）求解所建立的双目标优化模型,以权衡公交线网运营者与公交出行者之间的利益冲突。研究结果表明所提出的双目标优化模型与求解算法能够从平衡不同主体利益的角度对纯电动公交线网进行合理优化设计,体现出不同利益驱动原则下的纯电动公交线网综合集成优化效果。再者,考虑到充电站内安装的充电桩数量对纯电动公交线网优化结果具有显着影响,本文建立公交线网运营成本及乘客出行效率集成优化模型,同时优化公交线网布局、发车频率、充电站的建设位置和每个充电站内安装的充电桩数量,并将PAFSA与遗传算法（genetic algorithm,GA）嵌套使用以求解所建立的集成优化模型。PAFSA作为所提出的求解算法的主体框架,以最小化公交线网运营者一天的总运营成本和最小化所有公交出行者的总广义出行成本为目标,进行线网布局和发车频率的优化设计。为更实际地描述乘客出行行为,实时公交信息（real-time transit information,RTI）对乘客出行路径和出发时刻选择的影响被考虑到公交客流分配中。GA作为PAFSA的嵌套子算法,以整个线网的充电站总建设成本、充电站总运营成本和总空驶距离的加权和最小为目标,用以优化充电站的建设位置和数量以及每个充电站内安装的充电桩数量。其中,GA中的适应度值通过动态系统仿真模型与流程进行计算。研究结果表明RTI的使用能够显着减少所有公交出行者的总等待乘车时间和总换乘惩罚,与此同时GA的嵌套使用能够有效的减少整个线网的充电站总建设成本和总运营成本。即所提出的集成优化模型与求解算法能够从系统最优的角度更加合理地优化纯电动公交线网。最后,本文对所建立的集成优化模型中的平均行驶速度、换乘惩罚、RTI查询比例、电池容量、平均电价和平均票价分别进行灵敏度分析,探讨不同计算条件对纯电动公交线网优化结果的影响程度;以此为基础,从线网规划、线路运营、车辆技术和财政补贴四个层面分别提出七项优化策略,并比较分析各优化策略的实施效果。研究结果表明实施大力发展纯电动公交车电池技术能够有效提高公交线网的运营效益;与之相比,扩大实时公交查询覆盖范围的实施能够显着改善公交出行者的整体出行满意度。此外,综合优化策略的实施能够实现公交线网运营效益和公交出行者的整体出行效率的最大化,但其实施成本最高,且包含多项子策略,实施难度较大。图36幅,表8个,参考文献171篇。
刘文宁[3]（2019）在《基于群集智能算法的综合交通枢纽人员疏散模型研究》文中指出综合交通枢纽承担着区域客货运中转的重任,与区域的民生和经济发展息息相关。对于枢纽内的人员疏散管理,如何设计合理的疏散模型,为人群提供路径规划参考方案,为综合交通枢纽运营者提供决策辅助,减少疏散资源投入,提高枢纽运营效率和质量,具有重要的现实意义。本文以重庆北站北广场综合交通枢纽人员疏散为研究对象,以疏散路径规划和疏散模拟模型为研究重点,分别提出了多蚁群双信息素（Multi-Ant Colony and Dual Pheromone Algorithm,MACDPA）换乘疏散路径规划算法、动态分区蚁群（Dynamic Partitioned Ant Colony Optimization,DPACO）应急疏散路径规划算法,并以两种路径规划算法得到的方案为宏观引导,提出了基于元胞鱼群算法（Cellular Automaton-Improved Artificial Fish School Algorithm,CA-IAFSA）的人员疏散模拟模型。具体的研究工作包含以下四个方面:（1）综合交通枢纽常规换乘疏散路径规划研究。针对常规场景中,铁路到站人员疏散到目标乘车点的单源多目的地路径规划问题,根据不同的换乘意向将疏散人群划分为多个蚁群,引入种群信息素和部落信息素,采用多蚁群规划、双信息素反馈策略,提出了MACDPA路径规划算法。实验结果表明:在同等实验条件下,由MACDPA算法得到的最小网络清空时间较ACO、HMERP-ACO两种算法分别减少了32.6%、5.2%,最小累计拥挤系数较二者分别减少了38.8%、5.5%,最小人均疏散时间较二者分别减少了18.8%、3.3%。MACDPA算法的双信息协作机制能够有效均衡路径负载,使搜索过程跳出局部最优,既扩大了搜索范围,又增加了Pareto解集的多样性。（2）综合交通枢纽应急疏散路径规划研究。对于灾害突发场景中,鉴于MACDPA算法无法针对性地解决人员从初始位置疏散到出口的多源多目的地路径规划问题,考虑灾害源及人员的初始分布进行动态分区,并结合改进ACO算法,提出了DPACO路径规划算法。实验结果表明:当疏散人数分别为500、5000时,由DPACO算法得到的最小网络清空时间相比HACO算法分别降低了约10.2%、20.67%,最小累计拥挤系数分别降低了13.77%、26.52%。DPACO算法可以优先为人员分配较短的路径,在降低疏散时间和累计拥挤系数的同时,保证人均疏散时间和人均疏散距离较小。（3）综合交通枢纽人员疏散模拟模型研究。基于研究内容（1）（2）中的算法求解的疏散路径规划方案,顶层采用改进的AFSA算法进行移动位置更新,底层采用CA模型解决位置冲突,实现宏观路径规划方案与微观疏散运动模拟相结合,提出了基于CA-IAFSA算法的微观疏散模拟模型。实验结果证明:CA-IAFSA模型克服了原始AFSA在存在障碍物的疏散环境中,易陷入局部最优的缺陷。当疏散人数为500,使用DPACO算法得到的最小网络清空时间的疏散方案时,相比ICA模型,CA-IAFSA模型将时间复杂度降低了43.6%,在刻画人员的导向、避障、跟随等行为上具有较好的模拟效果,能够较为真实地模拟枢纽内的人员疏散过程。（4）综合交通枢纽人员疏散系统设计。根据本文研究成果,从系统架构、功能模块、数据库等方面,分析并设计综合交通枢纽人员疏散系统,从而为综合交通枢纽管理者构造了一个疏散决策辅助的平台框架。
龚炜[4]（2019）在《移动群智感知中的任务调度算法设计与优化》文中研究说明移动群智感知是一种新型的物联网感知模式,它充分利用了无处不在的智能设备的移动、感知、计算和通信能力,实现对物理世界的大范围、长时间、多维度信息采集。移动群智感知具有成本低、移动性强、扩展性好、智能程度高等优点,在环境保护、智能交通、智慧城市、室内定位、公共安全等领域具有广泛的应用前景。任务调度是移动群智感知中的一个核心问题。影响任务调度算法设计及其性能的主要因素包括:数据采集者的感知能力、通信能力、移动模型、以及感知任务的时空分布和感知数据精度要求等。如何针对不同场景和应用要求的移动群智感知系统设计高效任务调度算法,有效提升任务调度的性能、降低系统运行成本,是一个亟待研究的重要课题。本文针对移动群智感知系统的多样性应用要求,结合不同设计目标和约束条件,开展移动群智感知任务调度算法设计与优化研究,针对多种不同群智感知应用场景,提出了多种新型高效任务调度模型和算法,有效地提升了任务调度性能。本文的主要研究工作和创新性成果包括:1.基于距离约束的参与式感知在线任务调度。研究了旅行距离约束下的任务质量最优化问题,证明了问题的NP难特性,提出了四种在线任务调度算法,包括基于任务质量/前进距离比率的算法、基于任务密度分布的算法、基于旅行距离余额的算法、和结合仿生搜索和旅行距离余额的算法。推导了各个算法的计算复杂度。仿真结果表明,前三个算法可以在较低计算复杂度的情况下达到很好的任务质量性能,第四个算法任务质量性能高于所有已知算法。2.半机会式群智感知模型下的任务调度。针对参与式感知和机会式感知模型的不足,首次提出了半机会式群智感知模型,以同时达到降低雇佣费用和提高任务覆盖率的目标。针对半机会式群智感知模型下的任务优化调度问题,提出了最佳路径/任务优先算法和基于线性规划松弛的算法,推导了算法的计算复杂度。基于真实数据集的仿真实验表明所提出算法可以有效提升任务质量。3.环境友好的群智感知系统下的任务调度。在分析不同交通方式特点基础上,将任务时限约束下的最小化碳排放量任务调度最优化问题建模为最小代价二分图匹配问题,然后结合在线和离线两种场景,分别提出了用户交通方式选择算法和用户-任务优化匹配算法,推导了算法的计算复杂度。仿真结果验证了所提出算法的有效性。4.面向隐私保护的群智感知任务调度。设计了一种面向隐私保护的群智感知任务调度方案,包括激励机制、用户的任务选择策略和服务平台的用户选择策略三部分。执行过程中,每个数据采集者可以自主决定其隐私保护级别。仿真结果表明,所提出的算法可以在保护用户隐私的前提下,达到高任务完成率。
汪晶[5]（2019）在《交通多电子地图融合方法及其应用研究》文中研究指明随着经济的快速发展,车辆数量急剧增长,导致交通领域存在着诸多问题,如交通拥堵、事故等问题频繁发生。而电子地图作为一种交通化工具可以把地理空间数据很好的展现出来,被称为智能交通领域的基石和源泉。由于电子地图的发展十分迅速,它的种类也十分繁多,任意一种电子地图都使用其对应的地图格式数据,这就导致了不同地图端的数据在数据资源上不能很好的共享。因此,本文针对不同种类的电子地图POI等信息存在差异性,对不同来源的POI等信息进行融合处理,最终实现数据的复用。车辆合理的路径规划在一定程度上能很好的避免城市交通拥堵及事故问题,为了推动电子地图在路径规划上的应用,本文还根据电子地图提供的相关技术结合改进的智能优化算法在镇江市的实际道路情况下对物流配送车辆路径规划问题进行了研究。在文中理论研究的基础之上最终设计并实现了一套基于Java EE技术的车辆路径规划信息系统,能够为相关工作人员提供合理的车辆配送路线安排,且支持融合处理后的POI等信息的查询功能。本文内容上首先对电子地图的一些相关技术做了详细分析,对电子地图的概念以及电子地图的结构,整体框架进行了概述,并对若干电子地图的API中相关类做了详细说明。其次本文在电子地图融合技术上面进行了研究,分析了如何从不同电子地图上获取镇江市的POI信息点并进行对应数据格式的转换,然后采用基于空间位置的方式对获取的POI数据进行融合处理形成融合集。接着,本文对基于电子地图的物流配送车辆路径规划问题进行了分析并建立了相应数学模型。在数学模型的基础之上对蚁群算法进行了分析和研究,并对基本蚁群算法容易出现停滞和陷入局部最优解等问题对算法进行了改进,再将改进的蚁群算法结合电子地图技术应用于物流车辆路径规划问题之中,且给出了算法具体求解过程的详细流程图并结合实际数据进行了实验分析。最后,在全文理论基础之上设计并实现了一套车辆路径规划信息系统,并对系统的各个功能模块进行了测试。
赵晓娟[6]（2017）在《基于复杂网络理论的城市公交系统-互联网租赁自行车站的配置研究》文中研究表明在倡导自行车出行的背景下,互联网租赁自行车（俗称共享单车）市场规模不断扩大,自行车出行已成为一种公共出行趋势,势必对原有公共交通出行产生影响。因此,如何处理好互联网租赁自行车与原有公共交通出行方式竞争与合作的关系,正确引导互联网租赁自行车发展,使自行车规划与公交系统网络规划相结合,形成一个协调、统一的公共交通出行网络成为研究的重点。本文以轨道交通和公共汽车形成的公交系统网络为基础,研究互联网租赁自行车投放站点的配置问题,以求通过配置互联网租赁自行车投放站点优化公交系统网络,同时为互联网租赁自行车投放站点选址提供理论依据,为此进行以下几个方面的研究:第一,结合复杂网络中节点重要度评价指标对可达性拓扑度量法进行改进,并利用熵值法确定其权重,应用改进的可达性拓扑度量模型评价分析公交系统网络站点的可达性,选择可达性水平低的站点配置互联网租赁自行车投放站点。第二,建立公共交通多模式换乘模型并应用改进的蚁群算法求解模型,搜索出行时间最优的出行路径,并确定路径中的自行车换乘选择站点,作为互联网租赁自行车投放站点选择的依据。第三,建立互联网租赁自行车投放站点配置模型。自行车投放站点选择主要分为三类,分别为公交系统网络线路起、终站点,公交系统网络可达性低的站点以及公共交通出行最优路径中自行车换乘选择站点。并根据选择的自行车投放站点结合自行车出行范围,建立公共交通出行网络。最后,利用天津市公交系统网络实例,研究天津市互联网租赁自行车投放站点选址问题,验证互联网租赁自行车投放站点配置模型的合理性和有效性。本文将自行车投放站点设置纳入城市综合交通体系规划中,在公共交通出行时考虑到利用自行车进行换乘的可行性,通过为公交系统网络配置互联网租赁自行车投放站点的方式,使自行车出行与公共汽车、轨道交通出行相结合,为居民提供一个灵活、高效、绿色可持续的公共交通出行系统。
兰少峰[7]（2016）在《群智能算法在公共交通换乘多模式路径选择中的应用研究》文中研究表明随着私家车保有量的逐年增加,城市交通拥堵现象变得更加严重,这就促使政府机构大力发展城市公共交通网络,以缓解交通拥堵问题。交通网络的大力发展,使得客流网络化特征逐渐显现,出行者不再局限于单一出行路线的选择,因此,乘客在交通网络中的出行路径选择行为发生了较大的变化。怎样选择一条即方便合理,又能够满足不同人群不同需求的出行线路,是城市智能交通系统（ITS）建设的重要组成部分,也是学者们研究的重要课题。本文通过分析和总结相关领域研究现状的基础上,针对城市公共交通多模式换乘方案,结合相关群智能算法,重点进行了如下几个方面的研究:第一,对换乘需求的多模式选择进行研究。综合考虑多种常用公共交通方式,分析城市公共交通网络的结构组成,建立公共交通网络出行换乘模型。利用蚂蚁寻食路径选择的行为特点,通过线路激素强度的更新机制,构建换乘次数模型、公交出行路径最优模型、出行时间模型和出行费用模型等多模型多模式的换乘方案,研究利用蚁群算法进行公共交通换乘搜索的方法,对乘客的出行进行主动而合理的引导,最大程度地方便乘客的出行,最终实现公共交通网络下居民出行的路径选择的最优化目标。第二,改进路径选择算法。在分析研究现有常用路径选择算法的基础上,本文将重点研究启发式群智能算法在交通路径选择中的应用。为克服蚁群算法易早熟、寻优速度慢等缺点,在蚁群算法（ACO）中引入与量子计算相关的一些原理,形成量子-蚁群算法（QACA）。量子蚁群算法以量子计算的理论和概念作为基础,在蚁群算法中引入量子旋转门技术,增加量子比特启发式因子,信息素釆用量子位编码,通过量子旋转门更新信息素,群体大小可自由调控,可增强算法寻优特性,它可以有效增加种群的分散性,全局搜索能力增强,算法的收敛速度加快,良好的并行性使其具有重要的应用价值和理论价值。第三,为了验证算法的有效性,本文首先以典型算例进行分析研究,通过实验结果的对比发现,利用量子蚁群算法进行交通网络换乘的研究,与典型的最短路径路由算法——Dijkstra算法相比,可以增加选择的多样性,也可以减少搜索的时间;与基本的蚁群算法相比,可以增加搜索最优路径的速度。最后,以松江区城区的公共交通线路为应用实例进行案例研究,结合案例得出指定任意两站点之间的换乘方案,进一步验证研究的可行性、有效性。本文的重点是对蚁群算法进行有效的改进,将量子计算方法引入蚁群算法中来,并应用到现有的公共交通网络中来,使搜索更加具有可行性和有效性。
姚伯慧[8]（2013）在《导航软件之公交系统导航和TSP问题的研究与实现》文中指出城市公共交通是城市交通的不可缺的一部分，它也是各个政府大力发展的对象。但是随着城市建设的飞速发展，人口的迅速增长，如何选择合理的理想的出行方式是公众都比较关心的问题。随着计算机技术的发展，公交查询系统以C/S或者B/S的方式呈现给出行的人。因此导航软件或者web公交查询系统成为了人们首要的选择。在路径导航中旅行商问题又是一个非常经典的问题。一般在解决TSP（旅行商问题）问题时，我们应该先对其进行预处理，并且把详细的坐标道路图抽象成无向完全图，就是把旅行商问题抽象成一条回路（Hamilton），接着利用神经网络算法和蚁群算法来求解此问题，最后通过实验证明了想法的可实现性和高效性。本文在详细的介绍BP神经网络及其算法和蚁群算法的特点、原理后，具体的讲解了目前比较经典的BP算法和蚁群算法和它们的主要成果，也用联系和比较的方式说明了这些方法的优点和缺点及其应用，最后提出了较好的BP网络和蚁群算法并应用于解决TSP问题。主要工作如下：①针对传统的Dijkstra算法应用于城市公交导航的很多不适合，本文提出了站点归并和基于此的公交线路段归并，并充分考虑了人们的出行方式，主要包括:时间最短，地铁优先，步行最短。②实现了导航软件之公交导航该功能，并给出部分代码。③提出了基于L-M算法的改进BP神经网络，然后根据实际对该算法的参数进行讨论。④建立基于改进的BP网络的交通预测系统。⑤把预测结果反映给改进的蚁群算法，并计算出结果。所以根据城市交通问题，本文在城市公共交通和TSP这两方面进行了研究。
张培杰[9]（2011）在《基于WEB的智能公交查询系统的研究与设计》文中研究说明我国城市公交查询系统的发展处于一个较落后的水平,广大乘客可以获得信息的方式很少,为了解决这种问题,加快发展城市公交信息化,设计了这个城市公交出行线路查询系统。公交换乘查询系统是MAS技术和Web技术相结合的产物,利用基于公交换乘查询系统可以很方便的查询公交站点线路信息以及站与站之间的最优换乘路线的查询,从而方便了人们的出行选择。论文主要研究基于MAS构建公交换乘查询系统的有关技术以及结合蚁群算法设计了公交换乘算法。蚁群算法的应用是近些年人工智能领域的研究热点,在工程应用、计算机仿真等领域都解决了大量的实际问题。在设计过程中,作者首先介绍了蚁群算法的原理、特性,同时分析了我国城市公交乘客信息系统的发展现状。其次,在介绍、研究前人研究成果的基础上,结合各智能算法,研究了在智能系统中的应用,包括构件、规则修改、信息素更新、收敛测试、样本数据修改等几个重要步骤。同时,分析了公交乘客出行的心理特征,并在此基础上,融合乘客选择公交线路决策的因素,建立了基于换乘次数和时间长短的公交线路选择模型,并完成了系统的设计。系统运用了动态缓存技术对常用公交线路进缓存,能获得很高的运算速度。设计的软件较为符合公交运营的实际情况,充分考虑了不同公交乘客的实际要求,有较强的实际应用价值。实验结果标明,该算法可以使专家系统准确有所保证。但是鉴于智能算法中参数选择的复杂性,可以在以后的实践检验中通过继续优化规则和参数设置,取得更加完美的成果。
刘坤[10]（2011）在《基于蚁群算法的轨道交通路径选择模型及应用研究》文中研究指明随着我国城市轨道交通网络化进程的日益加快,其客流网络化特征也随之显现出来,乘客在乘坐轨道交通出行时有多条路径可供选择,因此乘客在轨道交通网络中的出行时空分布特征及出行路径选择行为发生较大变化。一般情况下乘客从在车时间、换乘时间、换乘次数、票价等角度考虑选择出行路径。本文在考虑上述因素的基础上,引入线路拥挤度因素,从而从更为符合实际的角度选择轨道交通出行最优路径,达到引导客流、改善乘客乘车舒适度、提高轨道交通网络综合利用率和服务水平等目的。首先,本文对国内外在路径选择算法和路径选择系统领域相关研究成果进行分析,总结现有研究存在的问题。随后,对Dijkstra算法、遗传算法和蚁群算法三种常用最短路径算法的计算原理和优缺点进行分析,结合轨道交通网络对算法的要求,选取蚁群算法作为本文研究算法。其次,对在车时间、换乘时间、换乘次数、票价和拥挤度等影响轨道交通路径选择的因素进行实际调查和分析,并对各因素进行统一量化,最终建立轨道交通路径选择模型和求解算法；然后,运用VB语言,结合GIS技术开发基于蚁群算法的轨道交通路径选择系统,设计系统的总体目标,并建立相应的数据库和核心算法。最后,进行实际轨道交通网络的搭建,讨论蚁群算法各参数取值范围,进一步提高算法的效率,通过所开发的系统进行实际路径搜索并进行结果分析。
二、蚂蚁算法在公交查询最短路径求法中的应用（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、蚂蚁算法在公交查询最短路径求法中的应用（论文提纲范文）
（1）基于GIS的冬奥出行规划系统的设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 项目背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 论文组织结构及技术路线 |
| 1.4.1 论文组织结构 |
| 1.4.2 论文技术路线 |
| 1.5 本章小结 |
| 2 相关理论与技术概述 |
| 2.1 Layui.js前端框架 |
| 2.2 算法概述 |
| 2.2.1 蚁群算法 |
| 2.2.2 回溯剪枝算法 |
| 2.2.3 Dijkstra算法 |
| 2.3 ArcGIS Server |
| 2.4 ArcObjects开发组件 |
| 2.5 本章小结 |
| 3 需求分析 |
| 3.1 需求分析概述 |
| 3.2 功能性需求分析 |
| 3.2.1 冬奥基础数据管理 |
| 3.2.2 交通态势可视化及评价 |
| 3.2.3 应急资源调配和管理 |
| 3.2.4 出行路径规划 |
| 3.3 非功能性需求 |
| 3.4 本章小结 |
| 4 系统概要设计 |
| 4.1 系统架构设计 |
| 4.2 软件功能结构设计 |
| 4.3 数据库设计 |
| 4.3.1 概念结构设计 |
| 4.3.2 逻辑结构设计 |
| 4.3.3 物理结构设计 |
| 4.4 本章小结 |
| 5 出行路径规划算法的设计与实现 |
| 5.1 基于Dijkstra的轨道交通出行路径规划方法 |
| 5.1.1 最少总出行时间算法的设计与实现 |
| 5.1.2 最少换乘次数算法的设计与实现 |
| 5.2 基于改进蚁群算法的驾车出行规划方法 |
| 5.2.1 道路权重模型 |
| 5.2.2 蚁群算法的改进 |
| 5.2.3 算法流程描述 |
| 5.2.4 算法应用与分析 |
| 5.3 本章小结 |
| 6 系统详细设计与实现 |
| 6.1 系统运行及开发环境 |
| 6.2 冬奥基本数据管理模块 |
| 6.2.1 人机界面设计 |
| 6.2.2 模块流程设计 |
| 6.2.3 模块类设计 |
| 6.2.4 模块具体实现 |
| 6.3 交通态势可视化及评价 |
| 6.3.1 人机界面设计 |
| 6.3.2 模块流程设计 |
| 6.3.3 模块类设计 |
| 6.3.4 模块具体实现 |
| 6.4 应急资源调配和管理 |
| 6.4.1 应急车辆调配模型 |
| 6.4.2 人机界面设计 |
| 6.4.3 模块流程设计 |
| 6.4.4 模块类设计 |
| 6.4.5 模块具体实现 |
| 6.5 出行路径规划模块 |
| 6.5.1 路网建模 |
| 6.5.2 人机界面设计 |
| 6.5.3 模块流程设计 |
| 6.5.4 模块类设计 |
| 6.5.5 模块具体实现 |
| 6.6 本章小结 |
| 7 系统测试 |
| 7.1 测试环境 |
| 7.2 功能性测试 |
| 7.3 非功能性测试 |
| 7.3.1 系统性能测试 |
| 7.3.2 系统安全性测试 |
| 7.3.3 系统兼容性测试 |
| 7.3.4 算法与模型测试 |
| 7.4 本章小结 |
| 8 总结与展望 |
| 8.1 主要工作 |
| 8.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）城市纯电动公交线网综合集成优化建模研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容与方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 技术路线与论文结构 |
| 2 城市公交线网优化研究综述 |
| 2.1 城市公交线网基本设计方法 |
| 2.1.1 常规公交线网基本设计方法 |
| 2.1.2 纯电动公交线网基本设计方法 |
| 2.2 充电站选址优化研究 |
| 2.3 公交客流分配方法研究 |
| 2.3.1 传统的静态公交客流分配 |
| 2.3.2 考虑实时公交信息的动态公交客流分配 |
| 2.4 本章小结 |
| 3 基于运营成本决策的纯电动公交线网优化建模 |
| 3.1 问题描述 |
| 3.2 模型建立 |
| 3.2.1 前提假设 |
| 3.2.2 决策变量 |
| 3.2.3 目标函数 |
| 3.2.4 约束条件 |
| 3.3 人工鱼群算法设计 |
| 3.4 案例研究 |
| 3.4.1 数据调查及分析 |
| 3.4.2 参数条件设置 |
| 3.4.3 优化结果分析 |
| 3.5 本章小结 |
| 4 静态需求下基于多目标成本决策的纯电动公交线网优化建模 |
| 4.1 问题描述 |
| 4.2 模型建立 |
| 4.3 Pareto人工鱼群算法设计 |
| 4.4 案例研究 |
| 4.4.1 数据调查及分析 |
| 4.4.2 参数条件设置 |
| 4.4.3 优化结果分析 |
| 4.5 本章小结 |
| 5 动态需求下基于综合成本决策的纯电动公交线网优化建模 |
| 5.1 问题描述 |
| 5.2 模型建立 |
| 5.2.1 决策变量 |
| 5.2.2 目标函数 |
| 5.2.3 约束条件 |
| 5.3 嵌套式集成优化算法设计 |
| 5.4 案例研究 |
| 5.4.1 数据调查及分析 |
| 5.4.2 参数条件设置 |
| 5.4.3 优化结果分析 |
| 5.5 本章小结 |
| 6 公交乘客出行及线网运营成本优化策略实施效果分析 |
| 6.1 灵敏度分析 |
| 6.2 策略实施效果分析 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 研究总结与主要创新 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于群集智能算法的综合交通枢纽人员疏散模型研究（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 群集智能算法概述 |
| 1.3 疏散模型研究概述 |
| 1.3.1 基于模拟的疏散模型概述 |
| 1.3.2 基于优化的疏散模型概述 |
| 1.4 国内外研究现状 |
| 1.4.1 基于模拟的疏散模型研究现状 |
| 1.4.2 基于优化的疏散模型研究现状 |
| 1.5 主要研究内容 |
| 1.6 论文组织结构 |
| 第二章 多蚁群双信息素换乘疏散路径规划算法 |
| 2.1 换乘疏散路径规划问题分析 |
| 2.1.1 问题描述 |
| 2.1.2 目标函数及约束 |
| 2.2 多蚁群双信息素疏散路径规划算法 |
| 2.2.1 基本蚁群算法 |
| 2.2.2 多蚁群双信息素路径规划算法 |
| 2.3 实验与分析 |
| 2.3.1 实验设计 |
| 2.3.2 实验结果及分析 |
| 2.4 本章小结 |
| 第三章 动态分区蚁群应急疏散路径规划算法 |
| 3.1 应急疏散路径规划问题分析 |
| 3.1.1 问题描述 |
| 3.1.2 目标函数及约束 |
| 3.2 动态分区蚁群应急疏散路径规划算法 |
| 3.2.1 动态分区 |
| 3.2.2 改进蚁群算法 |
| 3.3 实验与分析 |
| 3.3.1 实验设计 |
| 3.3.2 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于元胞鱼群算法的人员疏散模拟模型 |
| 4.1 综合交通枢纽人员疏散行为特性分析 |
| 4.2 基于元胞鱼群算法的人员疏散模拟模型 |
| 4.2.1 元胞自动机模型 |
| 4.2.2 人工鱼群算法 |
| 4.2.3 元胞鱼群算法 |
| 4.3 实验与分析 |
| 4.3.1 实验设计 |
| 4.3.2 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 综合交通枢纽人员疏散系统设计 |
| 5.1 系统背景及目标 |
| 5.2 系统分析 |
| 5.3 系统架构设计 |
| 5.3.1 逻辑架构设计 |
| 5.3.2 物理架构设计 |
| 5.4 功能模块设计 |
| 5.5 数据库设计 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（4）移动群智感知中的任务调度算法设计与优化（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 移动群智感知任务调度中的重要因素 |
| 1.2.1 数据采集者 |
| 1.2.2 感知任务 |
| 1.2.3 群智感知任务调度的性能指标 |
| 1.3 移动群智感知任务调度模型的分类 |
| 1.3.1 基于参与式感知/机会式感知下的任务调度 |
| 1.3.2 在线/离线任务调度 |
| 1.3.3 基于兴趣点/全区域的任务调度 |
| 1.4 参与式感知下的任务调度方法 |
| 1.5 机会式感知下的任务调度方法 |
| 1.6 已有工作中存在的问题 |
| 1.7 本文的主要工作和贡献 |
| 1.8 本文的组织结构 |
| 第2章 基于距离约束的参与式感知在线任务调度 |
| 2.1 相关工作 |
| 2.2 系统模型和问题阐述 |
| 2.2.1 系统模型 |
| 2.2.2 问题阐述 |
| 2.2.3 NP-hardness证明 |
| 2.3 任务调度算法设计 |
| 2.3.1 基于任务质量/前进距离比率的算法(QPA) |
| 2.3.2 基于任务密度分布的算法(TDA) |
| 2.3.3 基于旅行距离余额的算法(DBA) |
| 2.3.4 结合仿生搜索和旅行距离余额的算法(B-DBA) |
| 2.3.5 本节小结 |
| 2.4 性能评估 |
| 2.4.1 仿真设置 |
| 2.4.2 仿真结果 |
| 2.5 本章小结 |
| 第3章 半机会式群智感知模型下的任务调度 |
| 3.1 相关工作 |
| 3.2 系统模型和问题阐述 |
| 3.2.1 半机会式群智感知模型 |
| 3.2.2 系统模型 |
| 3.2.3 问题阐述 |
| 3.3 任务调度算法设计 |
| 3.3.1 BPT算法 |
| 3.3.2 LPR算法 |
| 3.4 性能评估 |
| 3.4.1 合成数据集上的实验结果 |
| 3.4.2 真实轨迹数据集上的实验结果 |
| 3.5 本章小结 |
| 第4章 环境友好的群智感知系统下的任务调度 |
| 4.1 相关工作 |
| 4.2 系统模型和问题阐述 |
| 4.2.1 系统模型 |
| 4.2.2 离线场景下任务调度问题 |
| 4.2.3 在线场景下任务调度问题 |
| 4.3 离线场景下任务调度算法设计 |
| 4.3.1 交通方式选择 |
| 4.3.2 用户任务匹配 |
| 4.4 在线场景下任务调度算法设计 |
| 4.5 性能评估 |
| 4.5.1 仿真设置 |
| 4.5.2 离线场景下的仿真结果 |
| 4.5.3 在线场景下的仿真结果 |
| 4.6 本章小结 |
| 第5章 面向隐私保护的群智感知任务调度 |
| 5.1 相关工作 |
| 5.2 系统模型和问题阐述 |
| 5.3 提出的任务调度方案 |
| 5.3.1 激励机制 |
| 5.3.2 用户的任务选择策略 |
| 5.3.3 平台的用户选择策略 |
| 5.4 性能评估 |
| 5.4.1 仿真设置 |
| 5.4.2 仿真结果 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（5）交通多电子地图融合方法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 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 主要研究内容 |
| 1.4 章节安排 |
| 1.5 本章小结 |
| 第2章 电子地图相关技术分析 |
| 2.1 电子地图简介 |
| 2.2 电子地图技术点分析 |
| 2.2.1 数据模型 |
| 2.2.2 图层结构 |
| 2.3 电子地图API技术介绍 |
| 2.3.1 Google地图API |
| 2.3.2 百度地图API |
| 2.3.3 高德地图API |
| 2.4 本章小结 |
| 第3章 电子地图融合技术研究 |
| 3.1 电子地图融合技术理论概述 |
| 3.2 多源POI数据的获取及融合 |
| 3.2.1 POI简介 |
| 3.2.2 电子地图POI数据的获取 |
| 3.2.3 多源电子地图POI数据融合 |
| 3.3 本章小结 |
| 第4章 基于电子地图的车辆路径规划理论模型 |
| 4.1 车辆路径问题概述 |
| 4.2 车辆路径规划最优准则 |
| 4.3 车辆路径规划数学模型建立 |
| 4.5 本章小结 |
| 第5章 基于电子地图的改进蚁群算法及其路径规划 |
| 5.1 蚁群算法基本理论 |
| 5.1.1 蚁群算法基本原理 |
| 5.1.2 基本蚁群算法求解模型 |
| 5.2 改进蚁群算法及车辆路径规划问题实现 |
| 5.2.1 改进基本蚁群算法 |
| 5.2.2 车辆路径规划问题实现 |
| 5.3 实验与结果分析 |
| 5.4 本章小结 |
| 第6章 软件系统实现与测试 |
| 6.1 系统开发环境与架构分析 |
| 6.1.1 系统开发环境介绍 |
| 6.1.2 系统架构分析 |
| 6.2 系统功能模块实现 |
| 6.2.1 用户信息模块 |
| 6.2.2 路径规划模块 |
| 6.2.3 其他功能模块 |
| 6.3 系统测试 |
| 6.4 本章小结 |
| 总结和展望 |
| 论文总结 |
| 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
| 大摘要 |
（6）基于复杂网络理论的城市公交系统-互联网租赁自行车站的配置研究（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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文创新点 |
| 1.5 技术路线 |
| 第二章 公交系统网络站点可达性评价模型 |
| 2.1 复杂网络理论 |
| 2.1.1 图的基本概念 |
| 2.1.2 复杂网络的拓扑参数 |
| 2.1.3 网络的构建模型 |
| 2.1.4 本节利用到的软件 |
| 2.2 公交系统网络的建立 |
| 2.3 基于可达性理论的公交系统网络站点重要度评价 |
| 2.3.1 可达性理论 |
| 2.3.2 常见可达性度量方法的比较 |
| 2.3.3 改进的可达性拓扑度量法 |
| 2.4 本章小结 |
| 第三章 公共交通多模式换乘模型 |
| 3.1 公共交通出行路径 |
| 3.2 出行总时间模型 |
| 3.2.1 目标函数 |
| 3.2.2 约束条件 |
| 3.3 模型求解及算法研究 |
| 3.3.1 蚁群算法基本原理 |
| 3.3.2 蚁群算法的基本结构模型 |
| 3.3.3 算法的优化 |
| 3.4 本章小结 |
| 第四章 公交系统-互联网租赁自行车站的配置模型 |
| 4.1 互联网租赁自行车现状及影响 |
| 4.1.1 互联网租赁自行车市场现状 |
| 4.1.2 互联网租赁自行车发展产生的影响 |
| 4.1.3 互联网租赁自行车市场发展现存问题 |
| 4.2 自行车接驳距离的确定 |
| 4.3 自行车投放站点配置模型 |
| 4.4 本章小结 |
| 第五章 天津互联网租赁自行车-公交系统站的配置 |
| 5.1 天津公交系统网络分析 |
| 5.1.1 天津市公交系统停靠站点网络的拓扑参数分析 |
| 5.1.2 天津市公交系统换乘网络拓扑参数分析 |
| 5.2 天津市互联网租赁自行车投放站点配置 |
| 5.2.1 公交系统网络站点可达性评价 |
| 5.2.2 基于蚁群算法的公交系统网络自行车换乘选择站点 |
| 5.2.3 互联网租赁自行车投放站点 |
| 5.3 配置自行车投放站点后公交系统网络评价 |
| 5.4 本章小结 |
| 第六章 总结 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的相关成果 |
| 致谢 |
（7）群智能算法在公共交通换乘多模式路径选择中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的来源、背景和意义 |
| 1.1.1 选题的来源 |
| 1.1.2 背景 |
| 1.1.3 意义 |
| 1.2 文献综述 |
| 1.2.1 路径寻优算法研究现状 |
| 1.2.2 换乘理论国内外研究现状 |
| 1.3 研究内容及框架 |
| 1.3.1 论文的主要内容 |
| 1.3.2 关键问题 |
| 1.3.3 技术路线图 |
| 1.4 本文的组织结构 |
| 第二章 公共交通换乘理论基础 |
| 2.1 公共交通系统分析 |
| 2.1.1 城市公共交通系统构成及特点 |
| 2.1.2 几种公共交通特性对比 |
| 2.2 公交网络特征 |
| 2.2.1 图论基础 |
| 2.2.2 城市公共交通网络特性 |
| 2.2.3 交通网络数学描述 |
| 2.3 居民出行行为特征分析 |
| 2.3.1 出行心理特征分析 |
| 2.3.2 出行决策分析 |
| 2.4 本章小结 |
| 第三章 公共交通多模式换乘模型构建 |
| 3.1 出行决策的影响因素模型 |
| 3.1.1 出行总花费模型 |
| 3.1.2 时间总费用模型 |
| 3.1.3 换乘费用模型 |
| 3.1.4 路径最少模型 |
| 3.2 广义费用模型 |
| 3.3 公共交通出行决策模型 |
| 3.4 模型的应用去向分析 |
| 3.5 本章小结 |
| 第四章 模型求解及算法研究 |
| 4.1 蚁群优化算法概述 |
| 4.1.1 蚁群算法原理 |
| 4.1.2 蚁群算法的结构模型 |
| 4.1.3 蚁群算法的参数分析 |
| 4.1.4 算例仿真 |
| 4.2 量子算法概述 |
| 4.2.1 量子算法的物理学基础 |
| 4.2.2 量子算法及其实现 |
| 4.3 量子蚁群算法（QACA） |
| 4.3.1 量子编码特性 |
| 4.3.2 量子旋转门更新策略 |
| 4.3.3 量子蚁群算法流程描述 |
| 4.4 量子蚁群算法的应用去向分析 |
| 4.5 本章小结 |
| 第五章 算法优化及仿真实验 |
| 5.1 算法求解过程 |
| 5.1.1 算法思想 |
| 5.1.2 算法初始化及参数设置 |
| 5.2 算例分析 |
| 5.2.1 算例网络 |
| 5.2.2 数据优化 |
| 5.2.3 模型参数 |
| 5.2.4 算法参数 |
| 5.2.5 算例结果 |
| 5.3 结果对比分析 |
| 5.3.1 与Dijkstra算法对比 |
| 5.3.2 与基本蚁群算法的对比 |
| 5.4 本章小结 |
| 第六章 松江区城区交通网络应用 |
| 6.1 松江区城区交通网络特征 |
| 6.1.1 松江区城区交通网络现状 |
| 6.1.2 松江区城区交通网络发展目标 |
| 6.2 城区交通网发展依托 |
| 6.3 量子蚁群算法对松江城区交通网络应用 |
| 6.3.1 城区交通网线路分布 |
| 6.3.2 应用数据初始化操作 |
| 6.3.3 初始化参数设置 |
| 6.4 多模式路径选择结果 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 附录 |
| 附录一 量子蚁群算法 |
| 附录二 算例弧段信息表 |
| 附录三 松江城区交通网络部分弧段信息表 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（8）导航软件之公交系统导航和TSP问题的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外发展现状 |
| 1.2.1 国内外交通预测系统研究现状 |
| 1.2.2 国内外公交系统研究现状 |
| 1.2.3 国内外主流导航软件 |
| 1.3 研究意义 |
| 1.4 城市交通拥挤原因 |
| 1.5 本文论文结构 |
| 第二章 神经网络 |
| 2.1 神经网络基础知识 |
| 2.1.1 生物神经网络 |
| 2.1.2 人工神经网络模型 |
| 2.1.3 神经网络的结构和工作方式 |
| 2.2 BP 神经网络 |
| 2.2.1 BP 神经网络的定义及其特点和应用 |
| 2.2.2 BP 神经网络的结构 |
| 2.2.3 BP 算法的流程图 |
| 2.3 网络性能分析 |
| 2.4 几种改进的 BP 算法 |
| 2.4.1 附加动量项法 |
| 2.4.2 自适应学习率法 |
| 2.4.3 附加动量项与自适应学习率结合的快速 BP 算法 |
| 2.4.4 共轭梯度算法 |
| 2.5 本章小结 |
| 第三章 蚁群算法 |
| 3.1 蚂蚁生物特征和种群行为 |
| 3.1.1 蚂蚁的特征 |
| 3.1.2 蚂蚁的群体行为 |
| 3.2 蚁群算法基础知识 |
| 3.2.1 蚁群算法的定义和应用 |
| 3.2.2 蚁群算法的原理极其过程 |
| 3.3 蚁群算法特点 |
| 3.3.1 蚁群算法的优点 |
| 3.3.2 蚁群算法的缺点 |
| 3.4 算法的实现 |
| 3.4.1 算法实现的简单文字描述 |
| 3.4.2 轮盘选择 |
| 3.4.3 蚁群算法模型 |
| 3.4.4 蚁群算法实现步骤 |
| 3.5 算法流程图 |
| 3.6 本章小结 |
| 第四章 一种改进的 TSP 解决方案 |
| 4.1 改进的 BP 算法 |
| 4.2 改进的 BP 网络在道路拥堵预测系统中的应用 |
| 4.2.1 预测系统的原理与分类 |
| 4.2.2 网络输入参数的选择 |
| 4.2.3 网络各层节点的选择 |
| 4.2.4 神经网络模型和训练 |
| 4.3 结果 |
| 4.4 改进的蚁群算法 |
| 4.4.1 现有的改进的蚁群算法-ACS[42,43] |
| 4.4.2 基于等级的蚂蚁系统-AS[44] |
| 4.4.3 最大最小蚂蚁系统-MMAS[45,46] |
| 4.5 新的改进的蚁群算法 |
| 4.5.1 选择概率设置 |
| 4.5.2 信息素更新规则设置 |
| 4.5.3 算法测试 |
| 4.6 本章小结 |
| 第五章 导航软件 |
| 5.1 基础理论 |
| 5.2 公交线路网模型 |
| 5.2.1 城市公交网的设计 |
| 5.2.2 城市公交线网模型 |
| 5.3 公交数据分析 |
| 5.3.1 公交线路分析 |
| 5.3.2 公交站点分析 |
| 5.4 公交网络建模 |
| 5.4.1 公交网络的特点 |
| 5.4.2 公交站点抽象 |
| 5.4.3 公交线路抽象 |
| 5.4.4 道路分类及导航系统代码字段介绍 |
| 5.5 公交路径算法的设计与实现 |
| 5.5.1 出行选择的分析 |
| 5.5.2 算法选择之最短路径 |
| 5.5.3 传统的 Dijkstra 的算法描述 |
| 5.5.4 导航软件中的导航算法 |
| 5.6 算法流程图 |
| 5.7 导航软件在 VS2005 中的实现 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）基于WEB的智能公交查询系统的研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 现有公交查询现状及国内外换乘算法研究分析 |
| 1.2.1 现有公交查询现状 |
| 1.2.2 国内外换乘算法研究分析 |
| 1.3 论文组织 |
| 第二章 公交换乘查询系统分析 |
| 2.1 公交信息查询系统结构分析 |
| 2.2 乘客出行心理分析 |
| 2.3 公交信息查询系统工作流程分析 |
| 2.4 公交系统分析 |
| 2.4.1 公交站点分析 |
| 2.4.2 公交线路分析 |
| 2.4.3 公交网络的抽象 |
| 2.5 换乘方案的分析 |
| 2.6 本章小结 |
| 第三章 蚁群算法 |
| 3.1 蚁群算法的发展历程 |
| 3.2 蚁群算法的基本原理 |
| 3.3 蚁群算法模型及其参数选择 |
| 3.3.1 蚁群算法的模型 |
| 3.3.2 蚁群算法的参数选择 |
| 3.3.3 蚁群算法的改进 |
| 3.4 蚁群优化算法模型 |
| 3.5 本章小结 |
| 第四章 系统的设计 |
| 4.1 系统的设计目标 |
| 4.2 公交换乘优化数学模型 |
| 4.3 系统的平台与结构设计 |
| 4.3.1 系统的平台 |
| 4.3.2 系统概要结构设计 |
| 4.3.3 系统数据库的设计与实现 |
| 4.3.4 系统查询详细实现 |
| 4.4 结合蚁群算法计算公交网络最短路径 |
| 4.5 查询决策过程 |
| 4.6 本章小结 |
| 第五章 系统实现和测试 |
| 5.1 用户界面设计的原则 |
| 5.2 公交换乘蚁群算法实现 |
| 5.3 数据库查询过程 |
| 5.4 公交换乘算法查询结果分析 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
（10）基于蚁群算法的轨道交通路径选择模型及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 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 路径选择算法研究现状 |
| 1.2.2 路径选择系统研究现状 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究技术路线 |
| 1.5 本章小结 |
| 2 最优路径算法选取 |
| 2.1 Dijkstra算法原理和优缺点分析 |
| 2.1.1 Dijkstra算法计算原理 |
| 2.1.2 Dijkstra算法优缺点分析 |
| 2.2 遗传算法原理和优缺点分析 |
| 2.2.1 遗传算法计算原理 |
| 2.2.2 遗传算法优缺点分析 |
| 2.3 蚁群算法原理和优缺点分析 |
| 2.3.1 蚁群算法计算原理 |
| 2.3.2 蚁群算法优缺点分析 |
| 2.4 最优路径算法选取 |
| 2.5 本章小结 |
| 3 轨道交通路径选择模型建立与求解 |
| 3.1 轨道交通乘客出行调查分析 |
| 3.1.1 调查问卷设计 |
| 3.1.2 调查结果分析 |
| 3.2 路径选择影响因素分析 |
| 3.2.1 在车时间因素分析 |
| 3.2.2 换乘时间因素分析 |
| 3.2.3 换乘次数因素分析 |
| 3.2.4 票价因素分析 |
| 3.2.5 拥挤度因素分析 |
| 3.3 轨道交通路径选择模型建立 |
| 3.4 轨道交通路径选择模型求解 |
| 3.4.1 轨道交通网络特点分析 |
| 3.4.2 轨道交通路径选择模型求解算法设计 |
| 3.5 本章小结 |
| 4 基于蚁群算法的轨道交通路径选择系统的设计与实现 |
| 4.1 系统总体设计 |
| 4.1.1 系统设计目标 |
| 4.1.2 系统结构设计 |
| 4.1.3 系统功能模块设计 |
| 4.2 系统开发环境 |
| 4.3 系统数据库建立 |
| 4.3.1 系统基础数据的获取与处理 |
| 4.3.2 系统数据结构设计 |
| 4.3.3 系统数据流程设计 |
| 4.4 系统核心算法设计 |
| 4.5 系统开发与实现 |
| 4.6 本章小结 |
| 5 实例验证 |
| 5.1 轨道交通网络选取 |
| 5.2 基于轨道交通网络的蚁群算法参数讨论与选择 |
| 5.3 轨道交通出行路径搜索 |
| 5.4 结果分析与评价 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A 北京市轨道交通出行问卷调查 |
| 作者简历 |
| 学位论文数据集 |
四、蚂蚁算法在公交查询最短路径求法中的应用（论文参考文献）
- [1]基于GIS的冬奥出行规划系统的设计与实现[D]. 赵添. 北京交通大学, 2021(02)
- [2]城市纯电动公交线网综合集成优化建模研究[D]. 刘异. 北京交通大学, 2021(02)
- [3]基于群集智能算法的综合交通枢纽人员疏散模型研究[D]. 刘文宁. 重庆交通大学, 2019(06)
- [4]移动群智感知中的任务调度算法设计与优化[D]. 龚炜. 中国科学院大学(中国科学院人工智能学院), 2019(02)
- [5]交通多电子地图融合方法及其应用研究[D]. 汪晶. 江苏科技大学, 2019(03)
- [6]基于复杂网络理论的城市公交系统-互联网租赁自行车站的配置研究[D]. 赵晓娟. 河北工业大学, 2017(01)
- [7]群智能算法在公共交通换乘多模式路径选择中的应用研究[D]. 兰少峰. 上海工程技术大学, 2016(12)
- [8]导航软件之公交系统导航和TSP问题的研究与实现[D]. 姚伯慧. 南京邮电大学, 2013(06)
- [9]基于WEB的智能公交查询系统的研究与设计[D]. 张培杰. 电子科技大学, 2011(06)
- [10]基于蚁群算法的轨道交通路径选择模型及应用研究[D]. 刘坤. 北京交通大学, 2011(08)