CN107832894A - 一种基于蚁群算法的智能旅游行程规划方法 - Google Patents

一种基于蚁群算法的智能旅游行程规划方法 Download PDF

Info

Publication number
CN107832894A
CN107832894A CN201711207377.4A CN201711207377A CN107832894A CN 107832894 A CN107832894 A CN 107832894A CN 201711207377 A CN201711207377 A CN 201711207377A CN 107832894 A CN107832894 A CN 107832894A
Authority
CN
China
Prior art keywords
mrow
msub
msup
ant
mtd
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711207377.4A
Other languages
English (en)
Inventor
宋夫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Drore Technology Co Ltd
Original Assignee
Zhejiang Drore Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Drore Technology Co Ltd filed Critical Zhejiang Drore Technology Co Ltd
Priority to CN201711207377.4A priority Critical patent/CN107832894A/zh
Publication of CN107832894A publication Critical patent/CN107832894A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种基于蚁群算法的智能旅游行程规划方法，本发明引入蚁群算法，从旅游时间、旅游花费、节点距离、游客偏好等方面的游客需求出发，分别定义对应类型的蚁群；在行程求解过程中，对时间蚂蚁、花费蚂蚁、距离蚂蚁、偏好蚂蚁的状态转移引入控制参数，实现自适应路径优化；根据不同游客的偏好，可以灵活组合与调整行程规划的评估要素及评价目标，确保在有限的时间内规划出满意的行程；旅游目的地的实际应用表明，本发明提出的行程规划技术方案，基于旅游应用真实数据，可操作性及可用性强。

Description

一种基于蚁群算法的智能旅游行程规划方法
技术领域
本发明属于智能旅游技术领域，具体涉及一种基于蚁群算法的智能旅游行程规划方法。
背景技术
随着人们旅游方式和旅游观念的改变，出游方式已从组团游向自助游方式过渡，旅客对旅游的要求也越来越高，外出旅行时的自主意识和选择性越来越强，旅游更具个性化要求。而目前旅游应用***平台所提供的旅游线路、旅游服务等几乎都是固定的内容和形式，这使得游客不能自主选择旅游景点和旅游服务，不能自由支配自己的旅游时间，无法根据游客各自的特点和需求组合定制旅游产品，无法获得个性化的旅游行程建议，从而无法满足个性化的旅游信息需求。
在当前状况下，如何安排个性化的旅游行程，是一件非常麻烦而且棘手的工作。通过分析旅行计划制定过程中的种种麻烦和不便后发现，为了制定一次旅行计划过程，游客需要收集和分析大量的分散化信息。比如，景点、美食等信息需参照旅游网站等；机票、酒店等信息需参照短信或邮件等；攻略则需通过搜索才能获得等。然而，即便这样，最终得到的行程规划结果仍然不尽人意。
近年来国内外学者对旅游线路规划问题的相关研究大致可分为两个方向：一种是从数学理论的角度进行分析研究，另外一种是从应用的角度进行研究。从数学理论分析的角度，旅游线路规划属于组合优化问题，可以用经典旅行商问题来简单描述。该问题求解所需的时间和空间复杂度都会随着目的地数目增加而迅速以指数级的速度增长，现在已被证明属于NP难题。很多学者针对该难题已开展广泛的探索和研究，包括原始的精确求解法到新兴的启发式算法和智能优化算法，如文献“栗雪娟,崔尚森,张柯.最佳旅游路线选择的神经网络算法[J].交通与计算机,2006,24(5):103-106”采用神经网络算法处理最佳旅游路线的优化选择问题；文献“Abbaspour R.A.,Samadzadgan F.Asolution for Time-Dependent Multimodal Shortest Path Problem[J].Journal of Applied Sciences,2009,9(21):3804-3812”采用遗传算法求解最短路问题，文献“Rahim A.Abbaspour,FarhadSamadzadegan.Time-dependent personal tour planning and scheduling inmetropolises[J].Expert Systems with Applications,2011,38(10):12439-12452”对大城市内具有时间约束的行程规划问题进行了分析，提出基于嵌套结构的线路规划方法，根据游客的需求和选择的旅游景点自动生成优化的旅游线路；文献“胡国军,祁亨年,董峰等.一种改进蚁群算法的研究和旅游景区路径规划问题的求解[J].计算机应用研究,2011,28(5):1647-1650”在蚁群算法基础上分别结合2-opt算法和模拟退火算法优化旅游线路。
从应用分析的角度，这类研究主要着重于在优化算法的支撑下，开发旅游规划***，为游客规划出一条旅游线路。文献“Beatriz Rodriguez,Julian Molina,FatimaPerez,Rafael Caballero.Interactive design of personalized tourism routes[J].Tourism Management,2012,33(4):926-940”利用数学模型和交互式多目标技术设计了旅游线路规划***，可以生成一条基于用户选择的旅游线路；文献“Gavalas,D.,Kenteris,M.,Konstantopoulos,C.,et.al.Web application for recommending personalizedmobile tourist routes[J].IET Software,2012,6(4):313-322”实现了一个基于网络和手机端的个性化旅游线路推送***，采用改进的启发式搜索方法为用户生成一条近似优化路线；文献“Pieter V.,Wouter S.,Greet V B.,etal.The City Trip Planner:An expertsystem for tourists[J].Expert Systems with Applications,2011,38(6):6540-6546”开发了一个专门为游客提供城市旅行计划的***。
由上述可知，现有旅游行程定制领域的研究绝大多数都是理论算法方面的探讨，缺乏基于旅游目的地真实数据的可操作性***，可用性不高；***的延展性不够，随着旅游景点数目、交通、时间等约束因素的增多，现有***不能在有限的时间内规划出满意的行程；***的灵活性不够，由于各个景点的开放时间、门票价格等的差异，景点之间的交通费用、迁移时间、拓扑结构等的差异，游客的景点类型偏好、距离优先、价格优先等的诉求差异千差万别，在实际情况中，通常包括大量的兴趣点和复杂的交通网络，潜在的问题解空间的搜索范围广而且复杂，传统的优化算法不能很好的解决这一问题。因此，需要提出有效的优化策略。此外，大部分文献都假设旅游兴趣点之间的交通网络是简化的，而不是在一个真实的多模式交通网络中。现有***不能统一适配，无法满足各类游客的个性化需求。
发明内容
为了解决上述问题，本发明提供了一种基于蚁群算法的智能旅游行程规划方法，对旅游行程的各个要素进行统一适配，满足各类游客的个性化需求。
本发明的技术方案为：一种基于蚁群算法的智能旅游行程规划方法，包括以下步骤：
(1)输入游客需求信息；
(2)参数初始化：初始化***运行参数；
(3)迭代步数超限判断：判断迭代步数是否超限，如果超限调转到步骤(11)步，否则继续运行以下步骤；
(4)基本要素约束计算
定义时间、费用、距离三个基本要素的旅游行程规划启发式信息计算规则：
式中φ1、φ2、φ3分别为时间、费用、距离的重要程度参数；
Tout(i,j)、Tin(i,j)分别表示行程节点间迁移时间和行程节点内游览时间；
Mout(i,j)、Min(i,j)分别表示行程节点间花费和行程节点内花费；
Dout(i,j)、Din(i,j)分别表示行程节点间距离和行程节点内距离；
α1、α2、β1、β2、γ1、λ2均为权值参数；
(5)时间、费用和距离以外的其他游客偏好约束计算
在计算蚂蚁个体选择下一个可能景点的概率时，计算时间、费用和距离以外的其他游客偏好约束γij(t)，γij(t)的表达式为：
其中Ij,k∈{1,2,3,4,5},k＝1,2,...,m为景点j的m维固有特性，It,k∈{1,2,3,4,5},k＝1,2,...,m为游客t的m维需求信息；wj,k∈[0,1],k＝1,2,...,m为景点j的各个特性权重；wt,k∈[0,1],k＝1,2,...,m为游客的各个需求权重；
(6)动态控制参数计算
根据算法迭代过程，算法控制参数q0的动态调整公式，如下式所示：
其中t是算法当前迭代次数，T是最大迭代次数；
(7)蚂蚁个体状态转移概率计算
其中，λij(t)表示路径(i，j)上的信息素强度；σij(t)表示时间启发式信息，ρij ε(t)表示花费启发式信息，πij(t)表示距离启发式信息，γij(t)表示游客偏好的约束；α、β、ε、δ、ε分别表示信息素浓度、启发式信息和游客偏好约束的相对重要性；初始迭代时，路径上的信息素被初始化为一个常数；
首先根据蚂蚁个体状态转移概率求得各个景点的选择概率，然后产生一个[0，1]内均匀分布的随机变量q，与控制参数q0(q0∈[0,1])进行比较，如果q≤q0，蚂蚁个体按照已知的信息素、启发式信息和游客偏好约束来确定下一目的景点j，具体确定方式为：j＝arg(max{λij α(t),σij β(t),ρij ε(t),πij δ(t),γij ε(t)})；如果q＞q0，下一目的景点j根据蚂蚁个体状态转移概率公式pij(t)确定；
(8)局部信息素更新
蚂蚁个体一边进行路线选择，一边对经过的局部路径进行信息素更新，局部更新规则为：λij(t)＝(1-μ)λij(t)+μλ0，其中μ是0到1之间的一个随机变量，λ0是初始信息素浓度；
(9)全局信息素更新
蚂蚁群体构建完成行程后，并不对所有蚂蚁走过的路线进行信息素更新，而是仅对蚂蚁群体中表现优秀的蚂蚁个体所有规划的行程进行全局信息度更新，全局更新规则为：
其中ρ(0≤ρ≤1)表示路径信息素的衰减度；
Rbest(t)表示本次迭代所有经过路径(i,j)蚂蚁的移动距离之和；
(10)局部行程规划
输出本次迭代的局部行程规划；
(11)规划行程输出
输出规划的旅游行程。
作为优选，所述游客需求信息包括时间、费用、交通、距离，以及偏好需求，所述偏好需求包括住宿、餐饮、娱乐以及旅游景点类型。本发明满足游客的多种个性化需求。
作为优选，所述φ1、φ2、φ3的取值为1。本发明中φ1、φ2、φ3分别为时间、费用、距离的重要程度相关参数，通常情况下取值为1，也可以根据游客的需求进行调节。
由于蚂蚁群体采用顺序访问方式构建问题的解，在计算蚂蚁个体选择下一个可能景点的概率时，本发明将时间、费用和距离以外的其他游客偏好约束γij(t)考虑进来。本发明结合蚁群算法本身的特点和优势，将其应用于旅游行程规划问题。通过定义路径启发式函数，支持对时间、花费、距离、游客偏好等所有的“吃、住、行、游、购、娱”旅游需求要素进行优化，并为游客规划最满意的旅游行程。
与现有技术相比，本发明的有益效果体现在：
(1)本发明根据旅游行程规划问题的实际需求，定义蚁群算法路径启发式信息计算规则，支持对时间、费用、距离等基本需求要素进行优化，并规划游客最为满意的行程；
(2)本发明通过定义相似度模型，准确匹配旅游服务供需双方的海量多源异构信息，将不同的旅游服务形式化成匹配向量，向量维度根据需求不同可灵活调整，向量大小根据各维度服务内容进行量化分级，支持对基本需求要素以外的个性化旅游需求进行灵活配置与综合优化；
(3)本发明基于伪随机比例规则，设计控制参数可动态调整的状态转移规则，动态控制已有开发信息与新解空间探索的权重大小，避免陷入局部优化，最大限度保证行程规划算法的高效性和准确性；
(4)区别现有技术，本发明同时设计全局信息素和局部信息素更新算法，及时挥发路径上的信息素，增加蚂蚁个体选择其它路径的可能性，使的解搜索空间变大，提供算法的全局搜索能力，有效避免早熟；同时，增强最优解上的信息素，吸引更多蚂蚁选择最优解路径，使得搜索更为直接，从而再最短的时间找到最优解；
(5)本发明针对旅游行程定制问题，创新性引入蚁群算法，从旅游时间、旅游花费、节点距离、游客偏好等方面的游客需求出发，分别定义对应类型的蚁群；在行程求解过程中，对时间蚂蚁、花费蚂蚁、距离蚂蚁、偏好蚂蚁的状态转移引入控制参数，实现自适应路径优化；根据不同游客的偏好，可以灵活组合与调整行程规划的评估要素及评价目标，确保在有限的时间内规划出满意的行程；旅游目的地的实际应用表明，本发明提出的行程规划技术方案，基于旅游应用真实数据，可操作性及可用性强。
附图说明
图1为本发明应用图例的示意图。
图2为本发明的流程图。
具体实施方式
实施例1
一种基于蚁群算法的智能旅游行程规划方法，包括以下步骤：
(1)输入游客需求信息，游客需求信息包括行程规划时间、费用、交通、距离，以及住宿、餐饮、娱乐、旅游景点类型等个性化的偏好需求；
(2)参数初始化：初始化***运行参数；
(3)迭代步数超限判断：判断迭代步数是否超限，如果超限调转到步骤(11)步，否则继续运行以下步骤；
(4)基本要素约束计算
定义时间、费用、距离三个基本要素的旅游行程规划启发式信息计算规则：
式中φ1、φ2、φ3分别为时间、费用、距离的重要程度参数；
Tout(i,j)、Tin(i,j)分别表示行程节点间迁移时间和行程节点内游览时间；
Mout(i,j)、Min(i,j)分别表示行程节点间花费和行程节点内花费；
Dout(i,j)、Din(i,j)分别表示行程节点间距离和行程节点内距离；
α1、α2、β1、β2、γ1、λ2均为权值参数；
(5)时间、费用和距离以外的其他游客偏好约束计算
蚂蚁群体采用顺序访问方式构建问题的解。在计算蚂蚁个体选择下一个可能景点的概率时，将时间、费用和距离以外的其他游客偏好约束γij(t)考虑进来，计算时间、费用和距离以外的其他游客偏好约束γij(t)，γij(t)的表达式为：
其中Ij,k∈{1,2,3,4,5},k＝1,2,...,m为景点j的m维固有特性(如山水、自然、人文、历史等景点类型；餐饮、住宿等服务内容)，It,k∈{1,2,3,4,5},k＝1,2,...,m为游客t的m维需求信息(其形式与景点的固有特性对应)；wj,k∈[0,1],k＝1,2,...,m为景点j的各个特性权重；wt,k∈[0,1],k＝1,2,...,m为游客的各个需求权重；
(6)动态控制参数计算
为增加***开发新解空间的积极性，从而避免陷入局部解空间约束，本发明在基于伪随机比例规则，设计控制参数可动态调整的状态转移规则，动态控制已有开发信息与新解空间探索的权重大小。根据算法迭代过程，算法控制参数q0的动态调整公式，如下式所示：
其中t是算法当前迭代次数，T是最大迭代次数；
(7)蚂蚁个体状态转移概率计算
其中，λij(t)表示路径(i，j)上的信息素强度；σij(t)表示时间启发式信息(时间、花费、距离)，ρij ε(t)表示花费启发式信息，πij(t)表示距离启发式信息，γij(t)表示游客偏好的约束；α、β、ε、δ、ε分别表示信息素浓度、启发式信息和游客偏好约束的相对重要性；不难看出，在路线上信息素相同的条件下，时间越省、花费越少、距离越短、游客偏好满足度越大的景点将会被优先选择进行游览。初始迭代时，路径上的信息素被初始化为一个常数。初始迭代时，路径上的信息素被初始化为一个常数；
首先根据蚂蚁个体状态转移概率求得各个景点的选择概率，然后产生一个[0，1]内均匀分布的随机变量q，与控制参数q0(q0∈[0,1])进行比较，如果q≤q0，蚂蚁个体按照已知的信息素、启发式信息和游客偏好约束来确定下一目的景点j，具体确定方式为：j＝arg(max{λij α(t),σij β(t),ρij ε(t),πij δ(t),γij ε(t)})；如果q＞q0，下一目的景点j根据蚂蚁个体状态转移概率公式pij(t)确定；
(8)局部信息素更新
蚂蚁个体一边进行路线选择，一边对经过的局部路径进行信息素更新，局部更新规则为：λij(t)＝(1-μ)λij(t)+μλ0，其中μ是0到1之间的一个随机变量，λ0是初始信息素浓度；
(9)全局信息素更新
蚂蚁群体构建完成行程后，并不对所有蚂蚁走过的路线进行信息素更新，而是仅对蚂蚁群体中表现优秀的蚂蚁个体所有规划的行程进行全局信息度更新，全局更新规则为：
其中ρ(0≤ρ≤1)表示路径信息素的衰减度；
Rbest(t)表示本次迭代所有经过路径(i,j)蚂蚁的移动距离之和；
(10)局部行程规划
输出本次迭代的局部行程规划；
(11)规划行程输出
输出规划的旅游行程。
传统蚁群算法求解问题时，主要基于正反馈的工作原理，有利于引导算法收敛，但在一定程度上限制了蚂蚁***搜索空间的多样性，算法容易过早停滞在一个局部最优解。但增加算法的搜索空间和加快收敛两者之间有着相互抑制的作用，如何控制好两者之间的相对重要性是影响算法求解效率的一个重要因素。本发明基于旅游行程规划的实际数据，针对游客的个性化需求，本发明设计了基于蚁群算法的智能旅游行程规划***，区别于传统的蚁群算法，在蚂蚁个体的行为选择上更具积极性，实际应用中效率较高，应用图例参见图1，本发明的流程图参见图2。
本发明提出的技术方案主要从游客需求分类、启发式信息定义、状态转移规则、相似度模型和控制参数选择等方面进行改进，实测数据和应用表明本发明提出的技术方案相比现有方案，能获得最优的求解质量和求解效率。本发明创新性将共性需求以及游客个性需求进行有效分类，并对个性需求提出相似度模型，以灵活匹配多源异构的供需双方海量旅游要素，本发明对提出的技术框架进行保护的同时，对基于该框架下的局部算法调整(比如蚁群算法路径启发式信息计算规则、相似度模型、状态转移规则、信息素更新规则等)均在本发明保护的范围内。

Claims (3)

1.一种基于蚁群算法的智能旅游行程规划方法，其特征在于，包括以下步骤：
(1)输入游客需求信息；
(2)参数初始化：初始化***运行参数；
(3)迭代步数超限判断：判断迭代步数是否超限，如果超限调转到步骤(11)步，否则继续运行以下步骤；
(4)基本要素约束计算
定义时间、费用、距离三个基本要素的旅游行程规划启发式信息计算规则：
<mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>&amp;phi;</mi> <mn>1</mn> </msub> <mrow> <msub> <mi>&amp;alpha;</mi> <mn>1</mn> </msub> <msub> <mi>T</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;alpha;</mi> <mn>2</mn> </msub> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>&amp;phi;</mi> <mn>2</mn> </msub> <mrow> <msub> <mi>&amp;beta;</mi> <mn>1</mn> </msub> <msub> <mi>M</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mn>2</mn> </msub> <msub> <mi>M</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>&amp;phi;</mi> <mn>3</mn> </msub> <mrow> <msub> <mi>&amp;gamma;</mi> <mn>1</mn> </msub> <msub> <mi>D</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&amp;gamma;</mi> <mn>2</mn> </msub> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
式中φ1、φ2、φ3分别为时间、费用、距离的重要程度参数；
Tout(i,j)、Tin(i,j)分别表示行程节点间迁移时间和行程节点内游览时间；
Mout(i,j)、Min(i,j)分别表示行程节点间花费和行程节点内花费；
Dout(i,j)、Din(i,j)分别表示行程节点间距离和行程节点内距离；
α1、α2、β1、β2、γ1、λ2均为权值参数；
(5)时间、费用和距离以外的其他游客偏好约束计算
在计算蚂蚁个体选择下一个可能景点的概率时，计算时间、费用和距离以外的其他游客偏好约束γij(t)，γij(t)的表达式为：
<mrow> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msub> <mi>I</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msub> <mi>I</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msub> <mi>I</mi> <mrow> <mi>t</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <msub> <mi>I</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow>
其中Ij,k∈{1,2,3,4,5},k＝1,2,...,m为景点j的m维固有特性，It,k∈{1,2,3,4,5},k＝1,2,...,m为游客t的m维需求信息；wj,k∈[0,1],k＝1,2,...,m为景点j的各个特性权重；wt,k∈[0,1],k＝1,2,...,m为游客的各个需求权重；
(6)动态控制参数计算
根据算法迭代过程，算法控制参数q0的动态调整公式，如下式所示：
<mrow> <msub> <mi>q</mi> <mn>0</mn> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0.1</mn> <mo>+</mo> <mn>8</mn> <mo>&amp;CenterDot;</mo> <mfrac> <mi>t</mi> <mi>T</mi> </mfrac> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0</mn> <mo>,</mo> <mfrac> <mi>T</mi> <mn>10</mn> </mfrac> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.9</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0.9</mn> <mi>T</mi> <mo>,</mo> <mi>T</mi> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中t是算法当前迭代次数，T是最大迭代次数；
(7)蚂蚁个体状态转移概率计算
<mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <msup> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>&amp;alpha;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>&amp;beta;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>&amp;epsiv;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>&amp;delta;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>&amp;epsiv;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </msub> <msup> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>&amp;alpha;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>&amp;beta;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>&amp;epsiv;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>&amp;delta;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msup> <msub> <mi>&amp;gamma;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mi>&amp;epsiv;</mi> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>&amp;NotElement;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，λij(t)表示路径(i，j)上的信息素强度；σij(t)表示时间启发式信息，ρij ε(t)表示花费启发式信息，πij(t)表示距离启发式信息，γij(t)表示游客偏好的约束；α、β、ε、δ、ε分别表示信息素浓度、启发式信息和游客偏好约束的相对重要性；初始迭代时，路径上的信息素被初始化为一个常数；
首先根据蚂蚁个体状态转移概率求得各个景点的选择概率，然后产生一个[0，1]内均匀分布的随机变量q，与控制参数q0(q0∈[0,1])进行比较，如果q≤q0，蚂蚁个体按照已知的信息素、启发式信息和游客偏好约束来确定下一目的景点j，具体确定方式为：j＝arg(max{λij α(t),σij β(t),ρij ε(t),πij δ(t),γij ε(t)})；如果q＞q0，下一目的景点j根据蚂蚁个体状态转移概率公式pij(t)确定；
(8)局部信息素更新
蚂蚁个体一边进行路线选择，一边对经过的局部路径进行信息素更新，局部更新规则为：λij(t)＝(1-μ)λij(t)+μλ0，其中μ是0到1之间的一个随机变量，λ0是初始信息素浓度；
(9)全局信息素更新
蚂蚁群体构建完成行程后，并不对所有蚂蚁走过的路线进行信息素更新，而是仅对蚂蚁群体中表现优秀的蚂蚁个体所有规划的行程进行全局信息度更新，全局更新规则为：
λij(t)＝(1-ρ)λij(t)+ρΔτij
其中ρ(0≤ρ≤1)表示路径信息素的衰减度；
Rbest(t)表示本次迭代所有经过路径(i,j)蚂蚁的移动距离之和；
(10)局部行程规划
输出本次迭代的局部行程规划；
(11)规划行程输出
输出规划的旅游行程。
2.如权利要求1所述的基于蚁群算法的智能旅游行程规划方法，其特征在于，所述游客需求信息包括时间、费用、交通、距离，以及偏好需求，所述偏好需求包括住宿、餐饮、娱乐以及旅游景点类型。
3.如权利要求1所述的基于蚁群算法的智能旅游行程规划方法，其特征在于，所述φ1、φ2、φ3的取值为1。
CN201711207377.4A 2017-11-27 2017-11-27 一种基于蚁群算法的智能旅游行程规划方法 Pending CN107832894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711207377.4A CN107832894A (zh) 2017-11-27 2017-11-27 一种基于蚁群算法的智能旅游行程规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711207377.4A CN107832894A (zh) 2017-11-27 2017-11-27 一种基于蚁群算法的智能旅游行程规划方法

Publications (1)

Publication Number Publication Date
CN107832894A true CN107832894A (zh) 2018-03-23

Family

ID=61645690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711207377.4A Pending CN107832894A (zh) 2017-11-27 2017-11-27 一种基于蚁群算法的智能旅游行程规划方法

Country Status (1)

Country Link
CN (1) CN107832894A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629323A (zh) * 2018-05-11 2018-10-09 哈尔滨工业大学 一种景区游客链式出行一体化提供方法
CN110489837A (zh) * 2019-08-07 2019-11-22 北京师范大学 一种城市景观满意度计算方法、计算机设备和存储介质
CN110648027A (zh) * 2019-09-30 2020-01-03 福州林景行信息技术有限公司 一种自驾游数字化线路交互式生成***及其工作方法
CN110796308A (zh) * 2019-10-29 2020-02-14 四川旅游学院 基于模糊蚁群算法的旅游线路优化方法
CN111815057A (zh) * 2020-07-13 2020-10-23 携程旅游信息技术（上海）有限公司 路径行程自动规划方法、***、设备及存储介质
CN113159390A (zh) * 2021-03-27 2021-07-23 桂林理工大学 一种面向参数不确定路程规划问题的蚁群寻优方法
CN113159391A (zh) * 2021-03-27 2021-07-23 桂林理工大学 一种求解带交通选择路程规划问题的多目标存档蚁群寻优方法
CN113326980A (zh) * 2021-05-25 2021-08-31 汕头大学 一种改进蚁群算法的区域景点单程路线多目标规划方法
CN113326979A (zh) * 2021-05-25 2021-08-31 汕头大学 基于改进蚁群算法的区域景点双程路线多目标规划方法
CN113420938A (zh) * 2021-07-12 2021-09-21 海南大学 一种基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法
CN113935547A (zh) * 2021-11-11 2022-01-14 扆林海 最优效用的定制化旅游景区线路规划***
CN114528479A (zh) * 2022-01-20 2022-05-24 华南理工大学 一种基于多尺度异构图嵌入算法的事件检测方法
CN118134221A (zh) * 2024-05-08 2024-06-04 南京信息工程大学 一种基于密度蚁群算法的多旅游行程规划方法及智能***

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629323B (zh) * 2018-05-11 2021-10-01 哈尔滨工业大学 一种景区游客链式出行一体化提供方法
CN108629323A (zh) * 2018-05-11 2018-10-09 哈尔滨工业大学 一种景区游客链式出行一体化提供方法
CN110489837A (zh) * 2019-08-07 2019-11-22 北京师范大学 一种城市景观满意度计算方法、计算机设备和存储介质
CN110489837B (zh) * 2019-08-07 2021-08-06 北京师范大学 一种城市景观满意度计算方法、计算机设备和存储介质
CN110648027A (zh) * 2019-09-30 2020-01-03 福州林景行信息技术有限公司 一种自驾游数字化线路交互式生成***及其工作方法
CN110648027B (zh) * 2019-09-30 2022-08-16 福州林景行信息技术有限公司 一种自驾游数字化线路交互式生成***及其工作方法
CN110796308A (zh) * 2019-10-29 2020-02-14 四川旅游学院 基于模糊蚁群算法的旅游线路优化方法
CN111815057A (zh) * 2020-07-13 2020-10-23 携程旅游信息技术（上海）有限公司 路径行程自动规划方法、***、设备及存储介质
CN111815057B (zh) * 2020-07-13 2024-04-26 携程旅游信息技术（上海）有限公司 路径行程自动规划方法、***、设备及存储介质
CN113159390A (zh) * 2021-03-27 2021-07-23 桂林理工大学 一种面向参数不确定路程规划问题的蚁群寻优方法
CN113159391A (zh) * 2021-03-27 2021-07-23 桂林理工大学 一种求解带交通选择路程规划问题的多目标存档蚁群寻优方法
CN113326980A (zh) * 2021-05-25 2021-08-31 汕头大学 一种改进蚁群算法的区域景点单程路线多目标规划方法
CN113326979A (zh) * 2021-05-25 2021-08-31 汕头大学 基于改进蚁群算法的区域景点双程路线多目标规划方法
CN113420938A (zh) * 2021-07-12 2021-09-21 海南大学 一种基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法
CN113935547A (zh) * 2021-11-11 2022-01-14 扆林海 最优效用的定制化旅游景区线路规划***
CN114528479A (zh) * 2022-01-20 2022-05-24 华南理工大学 一种基于多尺度异构图嵌入算法的事件检测方法
CN114528479B (zh) * 2022-01-20 2023-03-21 华南理工大学 一种基于多尺度异构图嵌入算法的事件检测方法
CN118134221A (zh) * 2024-05-08 2024-06-04 南京信息工程大学 一种基于密度蚁群算法的多旅游行程规划方法及智能***

Similar Documents

Publication Publication Date Title
CN107832894A (zh) 一种基于蚁群算法的智能旅游行程规划方法
Shavarani et al. A congested capacitated multi-level fuzzy facility location problem: An efficient drone delivery system
Liu et al. A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication
Zhan et al. Shortest path algorithms: an evaluation using real road networks
Ruiz-Meza et al. A systematic literature review for the tourist trip design problem: Extensions, solution techniques and future research lines
Calabrò et al. Bridging the gap between weak-demand areas and public transport using an ant-colony simulation-based optimization
Uchimura et al. Demand responsive services in hierarchical public transportation system
Arias-Rojas et al. Solving of school bus routing problem by ant colony optimization
CN109636679A (zh) 一种基于人工智能的交互式旅游行程规划方法
Hacizade et al. Ga based traveling salesman problem solution and its application to transport routes optimization
Li et al. A dynamic and scalable user-centric route planning algorithm based on polychromatic sets theory
Jung et al. High-coverage point-to-point transit: study of path-based vehicle routing through multiple hubs
Mansour et al. Spatial assessment of audience accessibility to historical monuments and museums in Qatar during the 2022 FIFA World Cup
Pugliese et al. Combining variable neighborhood search and machine learning to solve the vehicle routing problem with crowd-shipping
Lee et al. Design and implementation of a tour planning system for telematics users
Jelokhani-Niaraki et al. A hybrid ridesharing algorithm based on GIS and ant colony optimization through geosocial networks
Sun et al. Agent-based personalised tourist route advice system
Li et al. Ant intelligence for solving optimal path‐covering problems with multi‐objectives
Lu et al. Optimization of vehicle automatic navigation path based on remote sensing and GIS
Kang et al. A heuristic for the vehicle routing problem with due times
CN111797331A (zh) 基于群智感知的多目标多约束路线推荐方法
Qi et al. Tourism Route Selection Model for Tourism Sustainable Development Based on Improved Genetic Algorithm
De Falco et al. Optimizing personalized touristic itineraries by a multiobjective evolutionary algorithm
Hashim et al. Determination of optimal self-drive tourism route using the orienteering problem method
Lieberman et al. Creating a new century of transit opportunity: Strategic planning for transit

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323