基于遗传算法的农产品运输系统的设计与实现

论文摘要

随着社会经济的飞速发展,人们的生活水平也随之提高,由此也带动起农产品消费需求的提升和流通规模的增长。大部分的运输优化问题都是围绕着在运输任务已知的前提下如何选择最佳的运输路线、最好的运输方式、以及如何用最少的运输成本在最短的时间内把货物送到客户手中。但对于一个靠承接运输任务来盈利的运输企业而言,一个非常重要的问题是如何根据企业本身的情况,在众多运输任务中承接那些可获得最大利润的运输任务。以此为出发点,本文主要研究如何依据企业自身的条件,对现有的遗传算法进行改进,来有效解决农产品运输问题。本文首先对遗传算法的背景、基本思想和基本理论等作了详细介绍。然后,结合实际情况,将系统设计为基于SOA架构的B／S模式,以满足随需求而变化的农业信息化系统,提高系统的可用性、扩展性。集成运用信息采编、信息智能匹配技术,实现信息的来源、处理、发布、应用各个环节的全流程操作,保障了信息的来源与信息的可用性。针对简单遗传算法存在的收敛过慢、局部搜索能力不强等缺陷,提出了一种新的改进遗传算法(RGA)。思路是先通过较小的实验来对各种操作参数进行比较设定,来微调遗传算法；接着使用设定参数和局部搜索组合,进行遗传操作。实验表明,在较多时间开销的情况下,改进的遗传算法(RGA)比近似启发式算法(FAC)有更好的性能。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 论文的研究背景和意义
• 1.2 国内外研究状况及研究方向
• 1.2.1 农产品流通信息的研究概况
• 1.2.2 遗传算法的发展及研究现状
• 1.2.2.1 遗传算法的发展及国外研究现状
• 1.2.2.2 遗传算法国内研究现状
• 1.3 本文的研究思路及论文结构
• 2 遗传算法和启发式算法的基本理论
• 2.1 遗传算法概述
• 2.1.1 遗传算法的历史和现状
• 2.1.2 基本术语
• 2.1.3 遗传算法的基本原理和方法
• 2.1.3.1 编码
• 2.1.3.2 初始群体的生成
• 2.1.3.3 适应度评估检测
• 2.1.3.4 遗传操作
• 2.1.4 遗传算法的特点
• 2.2 启发式算法（HEURISTIC ALGORITHM）
• 2.2.1 启发式算法的产生与发展
• 2.2.2 常见的启发式搜索算法
• 2.2.2.1 传统启发式算法（Classical heuristics）
• 2.2.2.2 现代启发式算法（Meta-heuristics）
• 2.2.2.3 一种改进的启发式算法FAC
• 2.3 本章小结
• 3 基于遗传算法的农产品运输系统的方案设计
• 3.1 农产品运输系统概述
• 3.1.1 农产品运输系统功能概述
• 3.1.2 软件结构
• 3.2 接口设计
• 3.2.1 用户接口
• 3.2.2 软件接口
• 3.3 基本设计概念、技术和处理流程
• 3.3.1 术语
• 3.3.2 系统设计中使用的关键技术
• 3.3.3 系统开发工具和运行环境
• 3.4 数据仓库设计
• 3.5 本章小结
• 4 HOLLAND遗传算法的改进
• 4.1 概述
• 4.2 变种群规模的遗传算法
• 4.3 自适应遗传算法
• 4.4 协同多群体遗传算法
• 4.5 混合遗传算法
• 4.6 本章小结
• 5 改进的遗传算法在农产品运输系统中的应用
• 5.1 概述
• 5.2 遗传算法的描述
• 5.2.1 构造模型
• 5.2.2 初始化解
• 5.2.3 产生下一代
• 5.2.4 交叉
• 5.3 试验研究
• 5.3.1 种群的多样性
• 5.3.2 局部搜索
• 5.3.3 测试问题和实验设计
• 5.3.4 终止准则
• 5.3.5 性能测度
• 5.3.6 实验研究结果
• 5.4 结论
• 5.5 本章小结
• 6 结论与展望
• 6.1 本文的主要内容
• 6.2 展望
• 参考文献
• 致谢
• 个人简历 在学期间发表的学术论文与研究成果