CN106408097A - 一种基于遗传算法的旅游行程规划系统 - Google Patents

Abstract

本发明公开了一种基于遗传算法的旅游行程规划系统，包括存放游客兴趣点的数据库，该数据库根据用户的约束条件建立，所述约束条件包括用户所选出发地、游玩目的地、游玩时间、游玩消费；行程规划模块，根据遗传算法，生成满足用户要求的自助游行程路线。该基于遗传算法的旅游行程规划系统与现有技术相比，丰富了旅游市场上的行程定制服务，不仅具有良好的易操作性，而且行程规划功能非常个性合理，显著减轻自助游游客制定个人行程的繁琐程度，实用性强，适用范围广泛，易于推广。

Description

一种基于遗传算法的旅游行程规划系统

技术领域

本发明涉及计算机信息技术领域，具体地说是一种实用性强、基于遗传算法的旅游行程规划系统。

背景技术

随着经济的发展和人民生活水平的提高，旅游休闲逐渐成为人们生活的重要组成部分。在国内，大多数游客都只是进行类似周边游、当地游的短途旅游，然而在交通不断完善、网络迅猛发展、旅游配套设施日益齐全以及旅游接待服务规范化的影响下，自助游的发展日趋成熟。旅游业已经从单一的观光旅游形式逐渐向多元化结构扩展，原有的传统旅游已逐渐被自驾游、自助游等多样化的旅游形式所替代。

目前，人们自助旅游最为关心的就是考虑时间、消费倾向等因素制定出一个比较周详的游玩行程规划，行程制定必须对旅游目的地的吃、住、行、游、娱、购几个方面进行信息查询，获取上述信息的方法多数游客都是通过旅游资讯网站和搜索引擎网站获得，可见自己制定行程是非常耗时耗力的。国内有一些提供行程规划服务的旅游网站，如百度旅游、穷游网等，但普遍缺少人性化与合理化的考虑，基于此，现提供一种科学高效、基于遗传算法的旅游行程规划系统。

发明内容

本发明的技术任务是针对以上不足之处，提供一种实用性强、基于遗传算法的旅游行程规划系统。

一种基于遗传算法的旅游行程规划系统，包括存放游客兴趣点的数据库，该数据库根据用户的约束条件建立，所述约束条件包括用户所选出发地、游玩目的地、游玩时间、游玩消费；行程规划模块，根据遗传算法，生成满足用户要求的自助游行程路线。

所述数据库是指从网络上获取系统所必需的信息，并将其作提取、分类处理，最后保存到本地按照必需信息划分的兴趣点数据库中。

从互联网上获取系统所必需的信息步骤中的必需信息包括景点信息、餐馆信息、宾馆信息，并将其作提取、分类处理，最后保存到本地的兴趣点数据库中，即对应的景点信息数据库、餐厅信息数据库、旅馆信息数据库；然后进行周期性维护。

当游客输入出行的约束条件时，行程规划模块首先判断游客输入的信息集合是否合理：若合理则根据游客选择的规划关键信息集，在线获取所选的兴趣点之间的最新的交通信息存储到本地，再根据已有的兴趣点信息数据库运行行程规划算法程序，即基于遗传算法的计算引擎算法，得到并以直观的方式输出规划结果。

行程规划模块运行在客户端上并与游客实现交互，在用户输入约束条件后，通过基于遗传算法的计算引擎算法计算并展示规划结果，该规划结果包括用户输入的各类兴趣点的位置、行程规划结果、交通信息，所述客户端安装在包括智能手机、平板电脑的智能终端上。

所述行程规划模块采用的基于遗传算法的计算引擎算法具体为:

1）首先基于贪婪算法生成初始种群；

2）每一次迭代过程首先计算种群中个体的适应函数值；

3）执行选择算子：根据精英个体保存策略，将适应值最高的个体纳入待交叉操作的个体中,对于所有个体，按照适应函数值比例执行赌轮选择算子,得到待交叉的父代个体；

4）执行交叉算子：动态调整交叉概率大小，根据交叉概率对父代个体执行贪婪交叉算子,得到交叉后子代群体，采用精英个体保留策略，用交叉前的精英个体替换子代中适应函数值最差的个体；

5）执行变异算子：计算当前变异概率大小，对发生变异的个体执行逆序变异算子。

本发明的一种基于遗传算法的旅游行程规划系统，具有以下优点：

本发明提供的一种基于遗传算法的旅游行程规划系统，丰富了旅游市场上的行程定制服务，不仅具有良好的易操作性，而且行程规划功能非常个性合理，显著减轻自助游游客制定个人行程的繁琐程度，实用性强，适用范围广泛，易于推广。

附图说明

附图1为本发明的实现示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

如附图1所示，本发明的一种基于遗传算法的旅游行程规划系统，根据用户所选游玩目的地、游玩时间、游玩消费等约束条件，建立游客兴趣点数据库，采用遗传算法，生成满足用户要求的人性化（不违背人的日常的作息时间）的自助游行程路线，为游客节省大量的出行前准备时间。

包括游客兴趣点数据库模块与基于遗传算法的行程规划模块。其中：

游客兴趣点数据库模块，从网络上获取系统所必需的信息，并将其作提取、分类等处理，最后保存到本地的兴趣点数据库。

基于遗传算法的行程规划模块，采用精英个体保留策略优化传统的遗传算法，提高遗传算法的寻优效果。

本系统主要功能是自助游行程规划，游客可以使用该规划服务进行行程规划。由游客选择规划关键出行信息（如出发地、目的地、旅行时间、旅行预算等），系统首先判断所选择的信息集合是否合理，这里的合理是指根据实际情况判断，比如旅行预算设置上下阈值，合理即为旅行预算在上下阈值之间的范围内；旅行时间设置游览时间的阈值，合理即为旅行时间在游览时间的阈值范围内；出发地与目的地之间的交通实现方式是否合理等可由设计人员在系统中录入标准值后与游客输入信息进行对比即可。若合理则根据游客选择的规划关键信息集，在线获取所选的兴趣点之间的最新的交通信息存储到本地，再根据已有的兴趣点信息数据库运行行程规划算法程序，得到并以直观的方式输出规划结果。

游客兴趣点数据库维护模块的主要功能是从互联网上获取系统所必需的信息，并将其作提取、分类等处理，最后保存到本地的兴趣点数据库（景点信息数据库、餐厅信息数据库、旅馆信息数据库）。选择国内LBS服务最全面、最优秀的两家公司（百度、高德）提供的数据作为搜索的目标源。每间隔一段时间进行一次更新维护，以保证数据的最新性。

系统最重要的模块是行程路线规划服务，系统组织交互平台向用户提供基本规划需求选项列表，如有景点列表、餐厅列表等。用户在交互平台上完成交互操作后，行程规划模块根据用户的选择和其它基本规划需求，如旅游目的地、旅游总时间安排等，运用基于遗传算法的计算引擎进行规划行程并输出规划结果。这个模块主要运行在客户端上，客户端实现这个交互，在客户端上可以直观的查看各类兴趣点的位置、行程规划结果、交通信息等，并且可以方便的操作。

基于遗传算法的计算引擎算法基本流程如下:

1）基于贪婪算法生成初始种群。

2）每一次迭代过程首先计算种群中个体的适应函数值。

3）执行选择算子：根据精英个体保存策略，将适应值最高的个体纳入待交叉操作的个体中,对于所有个体，按照适应函数值比例执行赌轮选择算子,得到待交叉的父代个体。

4）执行交叉算子：结合当前进化情况动态调整交叉概率大小，根据交叉概率对父代个体执行贪婪交叉算子,得到交叉后子代群体。采用精英个体保留策略，用交叉前的精英个体替换子代中适应函数值最差的个体。

5）执行变异算子：结合当前进化情况计算当前变异概率大小，对发生变异的个体执行逆序变异算子。

上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式，任何符合本发明的一种基于遗传算法的旅游行程规划系统的权利要求书的且任何所述技术领域的普通技术人员对其所做的适当变化或替换，皆应落入本发明的专利保护范围。

Claims (6)

1.一种基于遗传算法的旅游行程规划系统，其特征在于，包括存放游客兴趣点的数据库，该数据库根据用户的约束条件建立，所述约束条件包括用户所选出发地、游玩目的地、游玩时间、游玩消费；行程规划模块，根据遗传算法，生成满足用户要求的自助游行程路线。

2.根据权利要求1所述的一种基于遗传算法的旅游行程规划系统，其特征在于，所述数据库是指从网络上获取系统所必需的信息，并将其作提取、分类处理，最后保存到本地按照必需信息划分的兴趣点数据库中。

3.根据权利要求2所述的一种基于遗传算法的旅游行程规划系统，其特征在于，从互联网上获取系统所必需的信息步骤中的必需信息包括景点信息、餐馆信息、宾馆信息，并将其作提取、分类处理，最后保存到本地的兴趣点数据库中，即对应的景点信息数据库、餐厅信息数据库、旅馆信息数据库；然后进行周期性维护。

4.根据权利要求1所述的一种基于遗传算法的旅游行程规划系统，其特征在于，当游客输入出行的约束条件时，行程规划模块首先判断游客输入的信息集合是否合理：若合理则根据游客选择的规划关键信息集，在线获取所选的兴趣点之间的最新的交通信息存储到本地，再根据已有的兴趣点信息数据库运行行程规划算法程序，即基于遗传算法的计算引擎算法，得到并以直观的方式输出规划结果。

5.根据权利要求4所述的一种基于遗传算法的旅游行程规划系统，其特征在于，行程规划模块运行在客户端上并与游客实现交互，在用户输入约束条件后，通过基于遗传算法的计算引擎算法计算并展示规划结果，该规划结果包括用户输入的各类兴趣点的位置、行程规划结果、交通信息，所述客户端安装在包括智能手机、平板电脑的智能终端上。

6.根据权利要求5所述的一种基于遗传算法的旅游行程规划系统，其特征在于，所述行程规划模块采用的基于遗传算法的计算引擎算法具体为:

1）首先基于贪婪算法生成初始种群；

2）每一次迭代过程首先计算种群中个体的适应函数值；

3）执行选择算子：根据精英个体保存策略，将适应值最高的个体纳入待交叉操作的个体中,对于所有个体，按照适应函数值比例执行赌轮选择算子,得到待交叉的父代个体；

4）执行交叉算子：动态调整交叉概率大小，根据交叉概率对父代个体执行贪婪交叉算子,得到交叉后子代群体，采用精英个体保留策略，用交叉前的精英个体替换子代中适应函数值最差的个体；

5）执行变异算子：计算当前变异概率大小，对发生变异的个体执行逆序变异算子。