《物流配送的车辆路径优化方法》(作者赵燕伟、张景玲、王万良)主要介绍静态和动态车辆路径问题、随机车辆路径问题，以及求解上述问题的粒子群算法、量子进化算法、蚁群算法等智能算法。本书共8 章。第1章全面综述车辆路径问题的周内外研究现状；第2章至第4章分别介绍静态车辆路径问题的三种经典模型：有能力约束车辆路径问题、开放式车辆路径问题、带时问窗的车辆路径问题；第5章、第6章分别研究动态车辆路径问题的两类热点问题：动态需求车辆路径问题和动态网络车辆路径问题；第7章研究一类不确定性问题随机车辆路径问题；第8章开发智能车辆调度系统，并搭建动态车辆调度仿真平台。 《物流配送的车辆路径优化方法》可供计算机、自动化、工业工程、物流工程、管理、机械、应用数学及相关工程应用领域的教学与科研人员阅读，也可作为相关专业研究生的教材或教学参考书，特别是可供物流企业调度人员阅读与参考。

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0vrp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()vrp中的应用3．4．1 *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*近邻启发式算法3．6．3 改进的*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 算法框架描述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**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**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问窗随机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