CN107145961A - 一种基于改进遗传算法的旅游行程规划方法 - Google Patents

一种基于改进遗传算法的旅游行程规划方法 Download PDF

Info

Publication number
CN107145961A
CN107145961A CN201710181752.6A CN201710181752A CN107145961A CN 107145961 A CN107145961 A CN 107145961A CN 201710181752 A CN201710181752 A CN 201710181752A CN 107145961 A CN107145961 A CN 107145961A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
mtr
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
CN201710181752.6A
Other languages
English (en)
Inventor
张登银
陈佳敏
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710181752.6A priority Critical patent/CN107145961A/zh
Publication of CN107145961A publication Critical patent/CN107145961A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

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

Abstract

本发明公开了一种基于改进遗传算法的旅游行程规划方法，包括如下步骤：首先按照访问城市的顺序排列组成编码；然后采用双向贪心选择策略初始化种群；计算种群中每个个体的适应度值；采用轮盘赌选择，从旧群体中选择适应度大的个体到新的群体中；按照自适应的交叉概率Pci进行交叉操作，选择若干父体进行配对，生成新的个体；按照自适应的变异概率Pmi进行变异操作，确定变异个体；最后判断是否满足预定的终止条件，如果满足则遗传终止，得到最优解，否则计算种群中每个个体的适应度值。本发明基于旅游行程规划模型，采用改进的贪心自适应遗传算法，为用户规划旅游行程路线。该方法提高了行程规划算法的速度，防止算法陷入局部最优解。

Description

一种基于改进遗传算法的旅游行程规划方法
技术领域
本发明属于路径规划领域，具体涉及一种基于改进遗传算法的旅游行程规划方法。
背景技术
旅游业具有“无烟产业”和“永远的朝阳产业”的美誉，作为一项具有劳动力密集、无污染等特点的新兴产业，目前和石油业、汽车业并列为全球第三大产业。随着社会科技的发展和人民生活水平的提高，旅游业发展势头迅猛。目前，市场上提供的旅游服务，大多数是由旅行社等传统旅游企业提供的旅游产品。此类产品的旅游路线和旅行时间一般都是由旅行社提前规划好的，用户没有自主权。因此，目前市场上的绝大多数旅游服务不能完全满足用户的个性化需求。
国内外众多著名学者针对行程规划问题已经进行了长达数十年的研究，求解该类问题与求解TSP(Travelling Salesman Problem，旅行推销员问题)问题的方法类似，在数学模型上有所差异。考虑到种群的规模，即景点数目的多少，解决此类问题目前最具有代表性的求解方法有以下两种：
(1)精确求解法
先列举所有可能的路线，再计算目标函数，逐个进行对比分析，最终选择使得结果最优的路线。此类解决方案只适用于小规模的求解，一旦规模变大，景点个数增多，解决问题所需要的计算量和时间是非常庞大的。
(2)智能优化算法
随着景点规模的增大，精确求解法的不足也逐渐显现。后来，随着人工智能的发展，智能优化算法的出现为此类问题的求解提供了新的方法。与传统算法不一样，该类算法不是针对每一个个体的单独优化求解，而是针对一个群体。虽然，所求的解可能不是问题的最优解，但一般都是非常接近的，求解速率远高于传统的求解算法。目前，常用于求解行程规划问题的智能方法有很多，如蚁群算法、粒子群算法、遗传算法和模拟退火算法等，这些算法各有优缺点。其中，蚁群算法具有较好的发现解的能力，然后由于本身过于复杂，一般需要较长的搜索时间且易于出现停滞现象；虽然粒子群算法早期收敛速度快，但也存在求解精度低，无法收敛到最优解的缺陷；相比于前两种算法，遗传算法较为成熟且应用范围更广，但容易陷入早熟；模拟退火算法虽然也是相对成熟的算法，但是其优化过程较长，不利于现实问题的求解。
遗传算法(Genetic Algorithm)的首次提出是在1975年《自然界和人工系统的适应性》一书中，该书由美国Michigan大学的J.H.Holland教授编写。从1985年，在美国卡耐基·梅隆大学召开的第一届国际遗传算法会议，到1990年在美国印第安阿纳大学召开的第一届遗传算法与分类系统研讨会，再到现在国际互联网络上多种相关的mailing list，Usenet上专门的新闻组comp.ai.genetic。经过20余年的发展，遗传算法已经取得了丰硕的研究成果。尤其是近几年人工智能研究的兴起，使得遗传算法受到国内外学者的广泛关注。
在遗传算法的改进方面，LizhuangTan等人提出改进的聚类遗传算法KGA(GeneticAlgorithm Based on K-means Clustering)、APGA(GeneticAlgorithm Based onAffinity Propagation Clustering)，于莹莹等提出自适应遗传参数求解TSP问题，孙文彬等借助去交叉、去小角操作优化TSP解的路径，能有效降低解的误差率，Radi Bouchaib针对选择性TSP问题，寻找起始点相同控制点的路径集合，以使得在规定约束条件内，收益最大化，此外还有不少学者将贪心策略与遗传算法相结合，从而提高算法精确性、有效性和收敛速度。
但目前现有技术中尚没有将遗传算法运用到旅游行程的规划，以满足用户个性化需求的解决方案。
发明内容
本发明目的在于针对旅游行程规划问题，提出了一种基于改进遗传算法的旅游行程规划方法，该方法针对传统遗传算法存在的问题，提高了算法的收敛速度，防止算法陷入局部最优解；针对用户的旅游行程安排，建立行程规划模型，满足用户个性化定制的需求。
本发明解决上述技术问题所采取的技术方案是一种基于改进遗传算法的旅游行程规划方法，具体包括如下步骤：
步骤1：按照访问城市的顺序排列组成编码；
步骤2：采用双向贪心选择策略初始化种群；
步骤3：计算种群中每个个体的适应度值；
步骤4：采用轮盘赌选择，从旧群体中选择适应度大的个体到新的群体中；
步骤5：按照自适应的交叉概率Pci进行交叉操作，选择若干父体进行配对，生成新的个体；
步骤6：按照自适应的变异概率Pmi进行变异操作，确定变异个体；
步骤7：判断是否满足预定的终止条件，如果满足则遗传终止，得到最优解。否则返回步骤3。
进一步的，本发明的步骤2包括以下步骤：
1)随机生成一个城市编号sa，再选择离城市sa最近的城市sb，构成一条路径sa-sb；
2)找出离通路两端(设点为si、sj，i,j∈S)，最近的两个城市，假设分别为sc、sd(sc、sd未被选择)，若sisc<scsj，则选择sc，构成路径sc-si-sj否则选择sd，构成路径sd-sj-si；
3)重复2)，直到所有的城市都在路径中；
4)若所有城市都已经在路径中，仍未达到种群规模，则随机选择两个城市构成路径，再重复Step2，直到达到种群规模。
进一步的，本发明步骤3的适应度函数为目标函数的倒数：
进一步的，本发明步骤5的自适应的交叉概率Pci为：
其中，Pci为个体i发生交叉的概率，G为进化过程的最大迭代数，g为当前迭代数，是当前种群的平均适应度值，fmax为当前个体的最大适应度值，Pcmin＝0.5。
进一步的，本发明步骤6的自适应的变异概率Pmi表示为：
其中Pmi为个体i发生变异的概率，G为进化过程的最大迭代数，g为当前迭代数；Pmmin的取值与进化迭代数相关；Pmmax＝0.05；fmax为当前所有个体的最大适应度值，是当前种群的平均适应度值。
与现有技术相比，本发明的有益效果：
1、本发明基于旅游行程规划模型，采用改进的贪心自适应遗传算法，为用户规划旅游行程路线。该方法提高了行程规划算法的速度，防止算法陷入局部最优解。
2、本发明结合TSP问题建立行程规划模型，满足用户定制个性化旅游行程的需求。
附图说明
图1为本发明实施例中的行程规划流程图。
图2为本发明行程示意图。
图3为本发明的遗传算法流程图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
本发明按照路径中景点的先后顺序将其组成行程路线，采用双向贪心选择策略初始化种群，使种群包含更多的最优子路径，提高种群适应度；通过自适应的交叉变异概率调节，提高算法的收敛速度，防止算法陷入局部最优解。将改进的遗传算法应用到行程规划模型中，满足用户定制个性化旅游行程的需求。
如图1所示，本发明是针对行程规划问题的解决方法，结合用户输入信息和数据库存放的数据项，通过改进的遗传算法，输出景点游玩次序、游玩时间和游玩费用。通过改进的遗传算法，为用户推荐个性化的旅游行程路线。该方法通过双向贪心策略初始化种群，提高算法的收敛速度；该方法通过自适应的交叉概率和变异概率的调节，提高算法速度，防止算法陷入早熟；该方法将改进的遗传算法应用到旅游行程规划模型中，满足用户个性化定制的需求。
本发明具体实现的过程，包括：行程规划模型和改进的遗传算法。
1.行程规划模型：
行程示意图如图2所示，用户在出游前需要考虑诸多因素，本发明建立的模型，将根据景点的开放时间、关闭时间、用户在景点的停留时间、旅行过程中产生的费用和旅行过程中消耗的时间，为用户设计合理、可行的旅游行程安排。
由于实际情况的多变，过多的不确定因素会使行程规划问题变得复杂。为简化问题，本发明在合理范围内进行一些假设：
(1)对于游客用户选择的景点，每个景点仅游览一次；
(2)游客到达目的地景点后无需等待；
(3)这里只做旅游前的行程规划，不考虑可能出现的突发情况，如天气突变、交通阻塞等状况；
(4)在开放时间段内，景点没有进入人数限制。
本发明求解问题的核心是在完全图上找出一个权值最小的哈密顿圈。本发明中行程规划问题的完全图由景点构成的，景点图G＝{S,E}，其中S＝{Si|i＝1,2,3,…,m}是景点的集合，E＝{eij|i,j＝1,2,3,…,m}是两景点构成的边的集合。
每个顶点Si有四个不同的属性，针对某个景点i：
ti：游客的游玩时间；
toi：景点开放时间；
tci：景点关闭时间；
tsi：到达时间；
ci：游客游览费用。
每条边eij有两个不同的属性，是有方向的，从景点i到景点j：
tij：行程所需时间；
cij：行程所需费用。
针对本发明的行程规划问题，问题建模用的符号和变量如下所示：
R：行程路线，R＝{s1,s2,……,sm}；
T：线路的旅游时间；
C：线路的旅游费用；
Tmax：用户可支配的最长旅游时间；
Cmax：用户可支配的最高费用预算；
xi：景点i决策变量；
xij：景点i到景点j的决策变量；
首先，确定决策变量，xi，xij：
游客花费的总费用C由景点的游览费用ci和景点之间的交通费用cij组成。游客总的旅游时间T由行程时间tij和景点游玩时间ti组成，C和T表示为：
行程规划的目的是满足用户的出行需求的同时结合实际问题，针对不同的用户有不同的的目标函数
(1)经济型用户：该类用户更考虑金钱成本，对旅游时间没有要求，愿意消耗更多的时间，换取价格上的优惠。目标函数为：
(2)舒适型用户：该类用户追求旅行的舒适度，不希望过多的时间消耗在旅行途中，目标函数为：
(3)综合型用户：该类用户因为没有特殊要求，希望能享受既经济又不会消耗太多时间的行程。目标函数如下，其中w0是衡量时间(单位：小时)和金钱(单位：元)关系的权重系数，这个值与游客设定的Tmax和Cmax有关：
基于实际情况考虑，设置如下的约束条件：
T≤Tmax
C≤Cmax
2.改进的遗传算法：
本发明采用改进的遗传算法解决行程规划问题，算法流程如图3所示。具体算法描述如下：
步骤1：采用自然编码方式，用1,2,…,i,…m的自然数标识景点，按照路径中景点的先后顺序设定行程路线。
步骤2：采用双向贪心选择策略初始化种群。
步骤3：取目标函数的倒数作为适应度函数，计算个体的适应度值fi。
步骤4：使用比例选择因子P从旧群体中选择适应度大的个体到新的群体，P＝fi/∑fi，其中适应度最高的个体一定会被选择。
步骤5：计算个体的交叉概率Pci，进行交叉操作，选择若干父体进行配对，生成新的个体。
步骤6：计算个体的变异概率Pmi，进行变异操作，确定变异个体。
步骤7：判断当前迭代数g是否等于最大迭代数G，不相等则执行步骤3；相等则继续执行。
步骤8：输出最优路径。
本发明基于旅游行程规划模型，采用改进的贪心自适应遗传算法，为用户规划旅游行程路线，有效提高了行程规划算法的速度，可以防止算法陷入局部最优解，满足了用户定制个性化旅游行程的需求。
以上所述的仅是本发明的优选实施方式。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干变形和改进，这些也应视为属于本发明的保护范围。

Claims (5)

1.一种基于改进遗传算法的旅游行程规划方法，其特征在于，所述方法包括如下步骤：
步骤1：按照访问城市的顺序排列组成编码；
步骤2：采用双向贪心选择策略初始化种群；
步骤3：计算种群中每个个体的适应度值；
步骤4：采用轮盘赌选择，从旧群体中选择适应度大的个体到新的群体中；
步骤5：按照自适应的交叉概率Pci进行交叉操作，选择若干父体进行配对，生成新的个体；
步骤6：按照自适应的变异概率Pmi进行变异操作，确定变异个体；
步骤7：判断是否满足预定的终止条件，如果满足则遗传终止，得到最优解，否则返回步骤3。
2.根据权利要求1所述的一种基于改进遗传算法的旅游行程规划方法，其特征在于，所述方法的步骤2包括：
1)随机生成一个城市编号sa，再选择离城市sa最近的城市sb，构成一条路径sa-sb；
2)找出离路径两端，设点为si、sj i,j∈S，最近的两个城市，假设分别为sc、sd，sc、sd未被选择，若sisc<scsj，则选择sc，构成路径sc-si-sj否则选择sd，构成路径sd-sj-si；
3)重复步骤2，直到所有的城市都在路径中；
4)若所有城市都已经在路径中，仍未达到种群规模，则随机选择两个城市构成路径，再重复步骤2，直到达到种群规模。
3.根据权利要求1所述的一种基于改进遗传算法的旅游行程规划方法，其特征在于，所述方法步骤3中计算适应度值时选取的适应度函数为目标函数的倒数，即：
4.根据权利要求1所述的一种基于改进遗传算法的旅游行程规划方法，其特征在于，所述方法步骤5的Pci为：
<mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>max</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <mrow> <mo>(</mo> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>max</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>min</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mrow> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>f</mi> <mi>max</mi> </msub> <mo>-</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mfrac> <mo>,</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>max</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>&lt;</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0.9</mn> <mo>,</mo> <mi>g</mi> <mo>&amp;le;</mo> <mfrac> <mi>G</mi> <mn>4</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.8</mn> <mo>,</mo> <mfrac> <mi>G</mi> <mn>4</mn> </mfrac> <mo>&lt;</mo> <mi>g</mi> <mo>&amp;le;</mo> <mfrac> <mrow> <mn>3</mn> <mi>G</mi> </mrow> <mn>4</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.7</mn> <mo>,</mo> <mfrac> <mrow> <mn>3</mn> <mi>G</mi> </mrow> <mn>4</mn> </mfrac> <mo>&lt;</mo> <mi>g</mi> <mo>&amp;le;</mo> <mi>G</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，Pci为个体i发生交叉的概率，G为进化过程的最大迭代数，g为当前迭代数，是当前种群的平均适应度值，fmax为当前个体的最大适应度值，Pcmin＝0.5。
5.根据权利要求1所述的一种基于改进遗传算法的旅游行程规划方法，其特征在于，所述方法步骤6的Pmi为：
<mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>min</mi> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <mo>(</mo> <mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>max</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>min</mi> </mrow> </msub> </mrow> <mo>)</mo> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>-</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>f</mi> <mi>max</mi> </msub> <mo>-</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mfrac> <mo>,</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>min</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>&lt;</mo> <mover> <mi>f</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0.001</mn> <mo>,</mo> <mi>g</mi> <mo>&amp;le;</mo> <mfrac> <mi>G</mi> <mn>4</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.002</mn> <mo>,</mo> <mfrac> <mi>G</mi> <mn>4</mn> </mfrac> <mo>&lt;</mo> <mi>g</mi> <mo>&amp;le;</mo> <mfrac> <mrow> <mn>3</mn> <mi>G</mi> </mrow> <mn>4</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.003</mn> <mo>,</mo> <mfrac> <mrow> <mn>3</mn> <mi>G</mi> </mrow> <mn>4</mn> </mfrac> <mo>&lt;</mo> <mi>g</mi> <mo>&amp;le;</mo> <mi>G</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中Pmi为个体i发生变异的概率，G为进化过程的最大迭代数，g为当前迭代数；Pmmin的取值与进化迭代数相关；Pmmax＝0.05；fmax为当前所有个体的最大适应度值，是当前种群的平均适应度值。
CN201710181752.6A 2017-03-24 2017-03-24 一种基于改进遗传算法的旅游行程规划方法 Pending CN107145961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710181752.6A CN107145961A (zh) 2017-03-24 2017-03-24 一种基于改进遗传算法的旅游行程规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710181752.6A CN107145961A (zh) 2017-03-24 2017-03-24 一种基于改进遗传算法的旅游行程规划方法

Publications (1)

Publication Number Publication Date
CN107145961A true CN107145961A (zh) 2017-09-08

Family

ID=59783636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710181752.6A Pending CN107145961A (zh) 2017-03-24 2017-03-24 一种基于改进遗传算法的旅游行程规划方法

Country Status (1)

Country Link
CN (1) CN107145961A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491848A (zh) * 2017-09-29 2017-12-19 集美大学 具有自动故障隔离的动力定位船舶能量管理优化方法
CN107679750A (zh) * 2017-09-30 2018-02-09 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
CN107909188A (zh) * 2017-10-19 2018-04-13 金华航大北斗应用技术有限公司 用于景区静态路线的数据预处理方法
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法
CN110472790A (zh) * 2019-08-16 2019-11-19 集美大学 一种多无人船路径规划方法、终端设备及存储介质
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系统及其工作方法
CN111369047A (zh) * 2020-03-02 2020-07-03 中国科学院软件研究所 一种基于微生物遗传算法的旅游路线规划方法和系统
CN111780759A (zh) * 2020-05-28 2020-10-16 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN113946761A (zh) * 2021-09-27 2022-01-18 华南理工大学 一种Web服务器上高频行程规划方法
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110026776A (ko) * 2009-09-08 2011-03-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
CN102073696A (zh) * 2010-12-28 2011-05-25 刘志 一种旅行行程规划辅助系统及方法
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN103024048A (zh) * 2012-12-17 2013-04-03 南京邮电大学 一种云环境下的资源调度方法
CN103402173A (zh) * 2013-07-18 2013-11-20 合肥工业大学 一种用于旅游景点的旅游时间优化方法
CN104063745A (zh) * 2014-04-21 2014-09-24 河海大学 基于改进粒子群算法的多路径规划方法
CN104574233A (zh) * 2014-12-29 2015-04-29 中国地质大学（武汉） 一种基于互联网的旅游便利服务平台
CN104615869A (zh) * 2015-01-22 2015-05-13 广西大学 一种基于相似度排挤的多种群模拟退火混合遗传算法
CN104820859A (zh) * 2015-04-27 2015-08-05 宁夏大学 基于预处理和自适应遗传模拟退火算法的相位解缠方法
CN104978607A (zh) * 2015-06-23 2015-10-14 浙江理工大学 一种基于贪心遗传算法的钵苗稀植移栽路径优化方法
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN105303486A (zh) * 2015-09-06 2016-02-03 李想 一种基于成本最低的智慧旅游推荐系统与方法
CN105761175A (zh) * 2016-01-29 2016-07-13 柳明 旅游路线订制方法和服务器
CN106125671A (zh) * 2016-07-25 2016-11-16 广东省自动化研究所 一种多类图元混合加工路径优化方法
CN106408097A (zh) * 2016-08-31 2017-02-15 浪潮软件集团有限公司 一种基于遗传算法的旅游行程规划系统
CN106444755A (zh) * 2016-09-22 2017-02-22 江苏理工学院 基于改进遗传算法的移动机器人路径规划方法及系统
CN106528433A (zh) * 2016-12-12 2017-03-22 西安邮电大学 一种用于白盒测试的测试用例优先级排序方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110026776A (ko) * 2009-09-08 2011-03-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
CN102073696A (zh) * 2010-12-28 2011-05-25 刘志 一种旅行行程规划辅助系统及方法
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN103024048A (zh) * 2012-12-17 2013-04-03 南京邮电大学 一种云环境下的资源调度方法
CN103402173A (zh) * 2013-07-18 2013-11-20 合肥工业大学 一种用于旅游景点的旅游时间优化方法
CN104063745A (zh) * 2014-04-21 2014-09-24 河海大学 基于改进粒子群算法的多路径规划方法
CN104574233A (zh) * 2014-12-29 2015-04-29 中国地质大学（武汉） 一种基于互联网的旅游便利服务平台
CN104615869A (zh) * 2015-01-22 2015-05-13 广西大学 一种基于相似度排挤的多种群模拟退火混合遗传算法
CN104820859A (zh) * 2015-04-27 2015-08-05 宁夏大学 基于预处理和自适应遗传模拟退火算法的相位解缠方法
CN104978607A (zh) * 2015-06-23 2015-10-14 浙江理工大学 一种基于贪心遗传算法的钵苗稀植移栽路径优化方法
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN105303486A (zh) * 2015-09-06 2016-02-03 李想 一种基于成本最低的智慧旅游推荐系统与方法
CN105761175A (zh) * 2016-01-29 2016-07-13 柳明 旅游路线订制方法和服务器
CN106125671A (zh) * 2016-07-25 2016-11-16 广东省自动化研究所 一种多类图元混合加工路径优化方法
CN106408097A (zh) * 2016-08-31 2017-02-15 浪潮软件集团有限公司 一种基于遗传算法的旅游行程规划系统
CN106444755A (zh) * 2016-09-22 2017-02-22 江苏理工学院 基于改进遗传算法的移动机器人路径规划方法及系统
CN106528433A (zh) * 2016-12-12 2017-03-22 西安邮电大学 一种用于白盒测试的测试用例优先级排序方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491848A (zh) * 2017-09-29 2017-12-19 集美大学 具有自动故障隔离的动力定位船舶能量管理优化方法
CN107679750A (zh) * 2017-09-30 2018-02-09 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
CN107679750B (zh) * 2017-09-30 2020-10-02 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
CN107909188A (zh) * 2017-10-19 2018-04-13 金华航大北斗应用技术有限公司 用于景区静态路线的数据预处理方法
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法
CN110472790A (zh) * 2019-08-16 2019-11-19 集美大学 一种多无人船路径规划方法、终端设备及存储介质
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系统及其工作方法
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系统及其工作方法
CN111369047A (zh) * 2020-03-02 2020-07-03 中国科学院软件研究所 一种基于微生物遗传算法的旅游路线规划方法和系统
CN111369047B (zh) * 2020-03-02 2022-11-15 中国科学院软件研究所 一种基于微生物遗传算法的旅游路线规划方法和系统
CN111780759A (zh) * 2020-05-28 2020-10-16 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN111780759B (zh) * 2020-05-28 2023-11-28 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN113946761A (zh) * 2021-09-27 2022-01-18 华南理工大学 一种Web服务器上高频行程规划方法
CN115560774A (zh) * 2022-10-24 2023-01-03 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法
CN115560774B (zh) * 2022-10-24 2023-11-17 重庆邮电大学 一种面向动态环境的移动机器人路径规划方法

Similar Documents

Publication Publication Date Title
CN107145961A (zh) 一种基于改进遗传算法的旅游行程规划方法
CN108133302B (zh) 一种基于大数据的公共自行车潜在需求预测方法
CN106779212A (zh) 一种基于改进蚁群算法的城市旅游路线规划方法
CN106910337A (zh) 一种基于萤火虫算法与rbf神经网络的交通流预测方法
CN107705556A (zh) 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN107301480B (zh) 旅游行程推荐方法、系统、可读存储介质及计算机设备
CN112182901B (zh) 一种城市型旅游者出行仿真方法及系统
CN107153888A (zh) 一种基于极限学习机的最优化连锁店选址方法
CN110427690A (zh) 一种基于全局粒子群算法生成ato速度曲线的方法及装置
CN103699933B (zh) 基于最小生成树聚类遗传算法的交通信号配时优化方法
Ma et al. Comprehensive urbanization level and its dynamic factors for five Central Asian countries
CN109447312A (zh) 路线规划方法、装置、电子设备及可读存储介质
CN107704583A (zh) 数据可视化方法、装置、计算机设备及可读存储介质
Wu Design of Dynamic Traffic Information Prediction System Based on Multi-Source Information Fusion
Nijkamp et al. Time pioneers and travel behavior: An investigation into the viability of ‘Slow motion’
CN109631923A (zh) 一种基于模因算法的风景驾驶路线规划方法
Wang et al. Optimization algorithm of preschool education resource allocation based on data envelopment analysis model
CN113326979A (zh) 基于改进蚁群算法的区域景点双程路线多目标规划方法
Shan et al. [Retracted] Data‐Driven Winter Landscape Design and Pleasant Factor Analysis of Elderly Friendly Parks in Severe Cold Cities in Northeast China under the Background of Artificial Intelligence
Du Economic Forecast Model and Development Path Analysis Based on BP and RBF Neural Network
Zhang [Retracted] The Application of PSO‐SVM Algorithm in the Evaluation System of Sports Competition Events
Li et al. The path evaluation of integrated development of leisure sports and rural ecological environment in Guangxi based on fuzzy comprehensive evaluation model
Zhang et al. [Retracted] Forecast Analysis of the Overall Structure Characteristics and Development Potential of the Sports Industry Based on Wireless Communication Networks
Guojun et al. Prediction of ecotourism population based on exponential smoothing and ARIMA mixed model
Shuai et al. Long Short Term Memory based on Differential Evolution in Passenger Flow Forecasting

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

Application publication date: 20170908

RJ01 Rejection of invention patent application after publication