CN111310985B - 一种行程规划方法及系统 - Google Patents
一种行程规划方法及系统 Download PDFInfo
- Publication number
- CN111310985B CN111310985B CN202010071853.XA CN202010071853A CN111310985B CN 111310985 B CN111310985 B CN 111310985B CN 202010071853 A CN202010071853 A CN 202010071853A CN 111310985 B CN111310985 B CN 111310985B
- Authority
- CN
- China
- Prior art keywords
- scheme
- poi
- group
- mutation
- time
- 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.)
- Active
Links
Images
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
- G06N3/004—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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (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
本申请实施例公开了一种行程规划方法及系统,所述方法通过将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池;将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;执行替换操作确定进入下一代的子代方案;重复迭代,当满足结束条件时,确定出每个组的目标子代方案。采用小生境策略保证方案多样性,同时考虑不同用户需求,提供多种符合需求的行程方案。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种行程规划方法及系统。
背景技术
自动行程规划是旅游业中至关重要的问题。传统上,行程规划通常是由游客以手动方式完成的。通过网络上搜索旅行的相关信息,例如景点、两个景点之间路途的交通时间等,他们对这些信息进行整合,投入精力计划行程。无疑,互联网给游客提供了便利。然而随着旅游业的发展,互联网上信息的不断增多,游客不断被这些丰富的旅游信息淹没。这导致他们需要花费大量的时间和精力对行程进行规划。
在现有的技术中,大多数方法都是基于一些强有力的假设,或者对模型进行简化,存在着局限性。一方面,这些方法的计划目标由开发人员预先限定。另一方面,大多数的方法都专注于一日游的行程规划,并且大多数的方法只能给出一种行程规划方案。而实际生活中,游客在旅行时往往会选择在一个城市停留几天。这些因素影响着自动行程规划的求解质量。
如何使得行程规划更加智能,是亟待解决的问题。
发明内容
为此,本申请实施例提供一种行程规划方法及系统,考虑不同用户需求,提供多种符合其需求的行程方案。
为了实现上述目的,本申请实施例提供如下技术方案:
根据本申请实施例的第一方面,提供了一种行程规划方法,所述方法包括:
将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池;
将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;
对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;
对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;
执行替换操作确定进入下一代的子代方案;
重复迭代,当满足结束条件时,确定出每个组的目标子代方案。
可选地,所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};
其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:其中nd是在第d天行程中访问的兴趣点POI数,h为酒店;方案中的每个基因为POI索引或占位符;占位符表示没有访问。
可选地,所述兴趣点POI网络模型信息建模如下:
POI网络模型是一个有向完整图G=(V,E,X);V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
可选地,所述将预设的种群大小NP根据小生境策略分为M组,包括:
所述将预设的种群大小NP根据小生境策略分为M组;在所述种群NP中将适应值最大的个体确定为组长;计算所述组长和未处理个体之间的相似度;将NP/M个与组长相似的个体标记为已处理的一组;以组为单位,将每个组的所有个体附加到交配池。
可选地,所述组长和未处理个体之间的相似度按照如下公式计算:
其中,SI是访问边集大小占总访问边集大小的比值,J1和J2分别是个体S1和S2的边集,|J1∩J2|是J1和J2的交集大小,表示S1和S2的共同访问边数,|J1∪J2|是J1和J2的并集大小,表示S1和S2的总访问边缘,SI的取值范围为[0,1]。
可选地,对于交配池中的每一组中的个体,以概率cr进行交叉操作,所述交叉操作包括如下步骤:
对于待交叉的方案P1和P2,随机生成两个交换点;所述两个交换点中包括一个非零基因,以使得两个方案的等位基因建立一对一的映射关系;将方案P1位于两个交换点间的等位基因传递到子代方案O1,对于子代方案O1中的剩余位置,将方案P2的等位基因传递给子代方案O1;在所述传递过程中,检查方案P2的等位基因是否存在于子代方案O1中,若存在,则根据映射关系进行相应的替换,若不存在,则传递等位基因。
可选地,所述对待变异方案执行变异算子,包括:
对于待变异方案,以概率mr进行变异操作;所述变异操作为随机选择突变位点,并用未访问的兴趣点POI替换。
可选地,所述对无效方案执行修复策略,具体包括如下步骤:
对于最小化中转时间,删除消耗时间最长的POI,其中消耗时间为中转时间与POI建议参观时间的和;所述中转时间为游客从一个POI到另一个POI所花费的交通时间;对于最大化平均POI评分,删除评分最低的POI;对于最大化多样性,删除所选方案POI集合中POI个数最多的类型中的POI;采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项;对于一个方案中的每个访问的POI,根据POI中转时间选择未访问的POI作为插入候选对象;将所述插入候选对象插入当前访问的POI的左侧或右侧;在扩增时,对满足总时间约束的方案进行跟踪,将其中所生成的最佳方案插入子代。
根据本申请实施例的第二方面,提供了一种行程规划系统,所述系统包括:
小生境模块,用于将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池;
交叉模块,用于将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;
变异模块,用于对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;
修复模块,用于对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;
替换模块,用于执行替换操作确定进入下一代的子代方案;
输出模块,用于重复迭代,当满足结束条件时,确定出每个组的目标子代方案。
可选地,所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};
其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;
假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:
可选地,所述兴趣点POI网络模型信息建模如下:
POI网络模型是一个有向完整图G=(V,E,X);V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
可选地,所述小生境模块具体用于:
所述将预设的种群大小NP根据小生境策略分为M组;在所述种群NP中将适应值最大的个体确定为组长;计算所述组长和未处理个体之间的相似度;将NP/M个与组长相似的个体标记为已处理的一组;以组为单位,将每个组的所有个体附加到交配池。
可选地,所述组长和未处理个体之间的相似度按照如下公式计算:
其中,SI是访问边集大小占总访问边集大小的比值,J1和J2分别是个体S1和S2的边集,|J1∩J2|是J1和J2的交集大小,表示S1和S2的共同访问边数,|J1∪J2|是J1和J2的并集大小,表示S1和S2的总访问边缘,SI的取值范围为[0,1]。
可选地,所述交叉模块具体用于:
对于待交叉的方案P1和P2,随机生成两个交换点;所述两个交换点中包括一个非零基因,以使得两个方案的等位基因建立一对一的映射关系;将方案P1位于两个交换点间的等位基因传递到子代方案O1,对于子代方案O1中的剩余位置,将方案P2的等位基因传递给子代方案O1;在所述传递过程中,检查方案P2的等位基因是否存在于子代方案O1中,若存在,则根据映射关系进行相应的替换,若不存在,则传递等位基因。
可选地,所述变异模块具体用于:
对于待变异方案,以概率mr进行变异操作;所述变异操作为随机选择突变位点,并用未访问的兴趣点POI替换。
可选地,所述修复模块具体用于:对于最小化中转时间,删除消耗时间最长的POI,其中消耗时间为中转时间与POI建议参观时间的和;所述中转时间为游客从一个POI到另一个POI所花费的交通时间;对于最大化平均POI评分,删除评分最低的POI;对于最大化多样性,删除所选方案POI集合中POI个数最多的类型中的POI;采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项;对于一个方案中的每个访问的POI,根据POI中转时间选择未访问的POI作为插入候选对象;将所述插入候选对象插入当前访问的POI的左侧或右侧;在扩增时,对满足总时间约束的方案进行跟踪,将其中所生成的最佳方案插入子代。
综上所述,本申请实施例提供了一种行程规划方法及系统,通过将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池;将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;执行替换操作确定进入下一代的子代方案;重复迭代,当满足结束条件时,确定出每个组的目标子代方案。采用小生境策略保证方案多样性,同时考虑不同用户需求,提供多种符合需求的行程方案。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种行程规划方法流程示意图;
图2为本申请实施例提供的行程规划体系结构示意图;
图3为本申请实施例提供的行程规划方法实施例的流程步骤图;
图4为本申请实施例提供的行程规划方法的个体编码示意图;
图5为本申请实施例提供的行程规划方法的交叉算子示意图;
图6为本申请实施例提供的行程规划方法的变异算子示意图;
图7为本申请实施例提供的一种行程规划系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
行程规划问题属于组合优化领域,遗传算法和蚁群算法是最受推荐的元启发式求解算法。由于该问题需要同时获得多个不同的行程解,因此在搜索过程中如何识别和维护多个有希望的解决方案是一个需要考虑的关键问题。
蚁群算法根据整个种群汇总的信息进行搜索,不容易实现细分和输出多个解决方案。而遗传算法的复制操作具有父母解决方案的部分信息继承机制。用父母信息进行搜索为遗传算法提供了检测父母附近最佳状况的潜力。通过适当的策略,遗传算法可以同时定位多个最优值,非常适合用于解决行程规划问题。
本申请实施例提出了基于小生境的多日行程自动规划方法,小生境是来自于生物学的一个概念,是指特定环境下的一种生存环境,生物在其进化过程中,一般总是与自己相同的物种生活在一起,共同繁衍后代。运用到优化上来的关键操作是:当两个个体的海明距离小于预先指定的某个值(称之为小生境距离)时,惩罚其中适应值较小的个体。
所述基于小生境的多日行程自动规划方法规划可以满足游客特定需求的多个行程路线。基于多日行程计划模型,根据游客所选的个性化信息,例如住宿、出发/返回时间、旅行天数和旅行目的,基于算法进行规划,并支持多个旅行路线供选择。与现有技术中的同类方法比较,本申请实施例提出了基于小生境的多日行程自动规划方法所需要的假设条件更少,更具灵活性。同时,该方法采用小生境策略保证算法的种群多样性,在考虑不同的用户指定目标时,可以提供多种多样并且高质量的解决方案。
图1示出了本申请实施例提供的一种行程规划方法的流程示意图,考虑不同用户需求,提供多种符合其需求的行程方案。所述方法包括如下步骤:
步骤101:将预设的种群大小NP根据小生境策略分为M组,将所述M组重组为一组有序的交配池。可以认为搜索空间被划分为m个子空间。
步骤102:将交配池中的亲本方案成对配对,进行交叉操作产生子代方案。
步骤103:对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案。
步骤104:对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案。
步骤105:执行替换操作确定进入下一代的子代方案。
步骤106:重复迭代,当满足结束条件时,确定出每个组的子代方案。
在一种可能的实施方式中,所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:其中nd是在第d天行程中访问的兴趣点POI数,h为酒店;方案中的每个基因为POI索引或占位符;占位符表示没有访问。
在一天时间表sd中,给定每天可能出现的POI的最大访问次数为L,则染色体的长度固定为D×L。每天的L值通过以下方式确定:首先,所有POI均按建议参观时间升序排列。进一步,最大访问次数L的数值通过以下两个条件确定:(1)前L个POI的总建议参观时间小于Tmax;(2)前(L+1)个POI的总建议参观时间大于Tmax。
在一种可能的实施方式中,所述兴趣点POI网络模型信息建模如下:POI网络模型是一个有向完整图G=(V,E,X)。
其中,V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
在一种可能的实施方式中,根据POI网络模型,多日行程规划模型(MIP)建模如下:
多日行程规划模型包含三个优化目标,以使游客的满意度最大化。分别为中转时间最小化,平均POI评分最大化和多样性最大化。
中转时间最小化采用公式(1):
平均POI评分最大化采用公式(2)表示最大化行程解S中访问POI的平均评分:
其中,visit(S)表示所选POI的数量,score′(poi)是score(poi)的归一化值,score(poi)表示所选POI的评分。
多样性最大化采用公式(3)表示最大化行程解S中POI的多样性:
其中,pc是行程解S中类别c的所选POI的数量,Pc是给定数据集中类别c的总体POI的数量,εc是惩罚项。在公式中,表示类别c的权重值,该权重值是根据以下考虑因素设置的:当前类别的POI数与整个数据集的POI数越大,数量增加的边际收益越低。当行程解S遗漏类别c时,εc等于Pc;否则,εc设置为0。
建立以上三个优化目标,以使游客的满意度最大化。同时考虑到游客的时间和访问需求,多日行程规划模型包含以下约束:
(1)总时间约束采用公式(4)表示:
Ttotal(sd)≤Tmax,d∈{1,2,...,D} ……公式(4)
(2)访问约束采用公式(5)和(6)表示:
(3)软约束(空闲时间惩罚项)采用公式(7)表示:
其中,约束公式(4)为总时间约束,表示一日游的总消费时间限制为用户指定的阈值Tmax;约束公式(5)和公式(6)为访问约束,表示游客最多一次访问每个POI。约束公式(7)为空闲时间惩罚项。
由于生成的行程可能导致游客太早返回酒店,并且拥有很长的空闲时间,没有充分利用假期时间旅行。为处理这种情况,模型中增加惩罚项以满足这个软约束。其中ρ控制平均空闲时间对所选优化目标的影响,并且根据特定的优化目标而变化。
对于优化目标中转时间最小化,ρ等于D-1。对于其余两个优化目标:平均POI评分最大化和多样性最大化,ρ等于(D×Tmax)-1。
在一种可能的实施方式中,在每个方案生成完成之后,方案的适应值就对方案进行评估。对衡量每个候选解决方案的质量,定义目标函数如公式(8)、(9)、(10)表示:
f1(S)=Qtransit(S)-ξ(S) ……公式(8)
f2(S)=Qrating(S)-ξ(S) ……公式(9)
f3(S)=Qdiversity(S)-ξ(S) ……公式(10)
公式(8)、(9)、(10)分别对应多日行程规划模型中的三个优化目标:中转时间最小化,平均POI评分最大化和多样性最大化。
步骤101中,预先设定的种群大小NP,在约束条件下随机生成可行的NP个个体,种群根据小生境策略分为M组。同时,将M组种群重组为一组有序的交配池;因为组/小生境覆盖子空间。因此,可以认为搜索空间被划分为M个子空间。
在一种可能的实施方式中,采用的小生境策略为根据相似度将整个种群分为M个组(小生境)。
具体地,在一个包含NP个个体的种群中,最佳个体(适应值最大的个体)被确定为组长。然后,计算组长和未处理的个体之间的相似度。将NP/M个与组长最相似的个体分配为一组,并将其标记为已处理。最后,以组为单位,将这个组的所有个体附加到交配池。重复上述过程,直到所有个体都得到处理。
在上述种群划分的过程中,需要测量个体之间的相似度。所采用的相似度如公式(11):
其中,SI是常见的访问边集大小占总访问边集大小的比值,J1和J2分别是个体S1和S2的边集。|J1∩J2|是J1和J2的交集大小,表示S1和S2的共同访问边数,|J1∪J2|是J1和J2的并集大小,表示S1和S2的总访问边缘。SI的取值范围为[0,1]。
在步骤102中,在每一个小生境中,对小生境内所有的个体进行随机两两配对,进一步对于每一个配对产生随机数rnc;若rnc小于交叉概率cr,进行交叉操作,否则直接进入子代方案。
在一种可能的实施方式中,交叉操作具体为:对于交配池中的每一组中的个体,以概率cr进行交叉操作。对于待交叉的个体P1和P2,随机生成两个交换点。这两个交换点中应包含一个非零基因,该基因能使两个个体的等位基因建立一对一的映射关系。其中,零基因表示行程解S中的地点不是酒店。
之后,将P1位于两个交换点间的等位基因直接传递到子代个体O1。而O1中的剩余位置,交叉策略尝试将P2的等位基因传递给子代O1。在这个过程中,交叉策略检查P2的等位基因是否在子代O1中已存在,若存在,则根据映射关系,进行相应的替换,若不存在,则直接传递等位基因。
在步骤103中,所述待变异方案是按照如下方案确定:对于所有的子代方案,产生一个范围在(0,1)的随机数rrm;若rrm小于突变率mr,则该个体被选为待变异个体。执行变异算子起到避免种群陷入局部最优、增强种群的多样性的作用。如果陷入局部最优,产生的解就可能不是那么令人满意的行程规划方案
在一种可能的实施方式中,所述变异操作的基本方法为:对于待变异的个体,以概率mr进行变异操作。随机选择突变位点,并用未访问的POI替换它。该策略满足访问约束。
上述多日行程规划模型中包含总时间约束、访问约束和软约束。其中总时间约束直接影响到解的有效性。结合行程规划来说,在旅游行程中,每天用户想在旅馆外面旅行的时间已经通过阈值Tmax被用户指定,生成的解必须满足用户提出的Tmax需求。在上述交叉变异操作中,隐含的保证了访问约束,但是可能会产生违反总时间约束的解,因此需要这个策略来解决不可行的方案。
在步骤104中,修复策略具体分为顺序执行的两步:
(1)修剪:对交叉和变异生成的可能违反总时间约束的行程解个体,贪心地(例如下面S401对于最小化中转时间,贪心策略将删除耗时最长的POI)逐个移除被访问的POI,直到行程解个体满足总时间约束为止。更具体地,贪心去除策略选择的对象取决于所选的优化目标:
S401:对于最小化中转时间,贪心策略将删除耗时最长的POI,其中消耗时间为中转时间与POI建议参观时间的和。
S402:对于最大化平均POI评分,贪心策略删除评分最低的POI。
S403:对于最大化多样性,贪心策略删除所选个体POI集合中,POI个数最多的类型中的POI。
(2)迭代扩增:经过修复策略第一步之后,种群中的个体满足总时间约束,但可能会导致行程解中包含了大量的空闲时间。在这一步,采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项。对于一个个体中的每个访问的POI,首先使用轮盘赌根据POI中转时间来选择未访问的POI作为插入候选对象。即,越接近未访问的POI,分配概率越大。然后,迭代扩增策略尝试将此候选POI插入当前访问的POI的左侧或右侧。在扩增时,策略对满足总时间约束的个体进行跟踪,将其中所生成的最佳个体插入子代。
在步骤105中,所述替换操作为:在每一个组中,每个子代方案都与组中最近(按照SI指标排序)的父代方案竞争,竞争的标准是适应值的大小,策略保留获胜者并丢弃较差的竞争对手。在某一次迭代时,操作产生了子代方案,而当前代的方案就相对而言称为父代方案。父代指的是在一次迭代过程中,当前代在产生了子代方案之后,当前代的方案都称为父代。
在步骤106中,算法重复迭代,直到满足终止条件为止。在算法完成后,将向游客提供每个组的最佳行程解。终止条件是最大适应值评估次数MaxFE,MaxFE的值为Dx20000。其中,D为行进天数,取值范围为{1,3,5}。
图2为本申请实施例提供的行程规划体系结构示意图,如图2所示,兴趣点信息包括访问时长、评分和类别,地图信息包括行程时间,用户输入信息包括旅馆信息、每日旅行时长、出发时间和返回时间,综合以上所述兴趣点信息、地图信息和用户输入信息,输入优化算法中,输出多组行程方案。本申请实施例适用的体系结构可以包含算法所需的模型信息和用户输入的定制化需求,通过算法优化求解,最终输出多个满足用户需求的行程方案供用户选择。模型信息为算法规划提供了必不可少的数据。数据的获取可以通过旅游网站爬取真实的旅行数据。
以广州为例,爬取的数据包括180个POI。其中对于每个POI,需要输入POI评分,类别和建议参观时间的信息。因此,在对数据预处理过程中,将缺少某些信息(例如评分或建议参观时间)的POI将被丢弃。最终,在广州获得包含63个POI的数据集。其中,酒店是预先从各个平台中选择的最受欢迎的酒店。在获取这些信息之后,对问题建立多日行程规划模型,包含三个优化目标,以使游客的满意度最大化。优化目标分别为中转时间最小化,平均POI评分最大化和多样性最大化。
建立以上三个优化目标,以使游客的满意度最大化。同时考虑到游客的时间和访问需求,多日行程规划模型满足一定的约束,分别为总时间约束、两个访问约束和一个软约束,这些约束表现为:
约束条件公式(13)为空闲时间惩罚项。该项是模型中的软约束。其中ρ控制平均空闲时间对所选优化目标的影响,并且根据特定的优化目标而变化。对于优化目标——中转时间最小化,ρ等于D-1。对于其余两个优化目标——平均POI评分最大化和多样性最大化,ρ等于(D×Tmax)-1。
图3为本申请实施例提供的行程规划方法实施例的流程步骤图;S1、预先设定的种群大小NP,在约束条件下随机生成可行的NP个方案;S2、根据小生境策略将人口分为m组。同时,将种群重组为一组有序的交配池;S3、将交配池中的亲本成对配对,并进一步进行交叉操作产生子代;S4、对所有待变异该方案执行变异算子;S5、执行修复策略以修复不可行的后代,进行增强策略以增加软约束的满足率;S6、执行替换操作以确定哪个后代将进入下一代。每个孩子都与同一小生境组中最近的父母竞争,保留获胜者并丢弃劣等竞争对手;S7、重复此过程,若达到结束条件,结束程序,输出每个组中的最佳方案。这些最佳方案中的每一个都为游客提供了一种行程解决方案;否则回到步骤S2。
图4为本申请实施例提供的行程规划方法的个体编码示意图;图4描述了一个个体的编码,其中,框中的正整数表示POI的索引,灰色阴影中的零表示占位符。前四个基因表示第一天的行程是“旅馆→第四个POI→第一个POI→旅馆”,而后三个基因表示第二天的行程是“旅馆→第三个POI→第九个POI→第七个POI→旅馆”。
具体地,对于所述的交叉操作,对于交配池中的每一组中的个体,以概率cr进行交叉操作。对于待交叉的个体P1和P2,随机生成两个交换点。图5为本申请实施例提供的行程规划方法的交叉算子示意图;如图5所示:两个父代个体P1和P2采用交叉操作来繁殖孩子O1和O2。基因的颜色表明了它是从哪个亲本继承的。从P1继承的基因为蓝色,而从P2继承的基因为红色,黑色的基因表示它们是从映射关系继承的。映射继承可避免引入违反访问约束的重复POI。首先,随机选择两个交换点为位置3和位置7。
需要注意的是,两个交换点之间的等位基因应包含一个非零基因,该基因可使非零基因建立一对一的映射关系(即3-1、9-4)。然后,将P1的等位基因直接传递O1位置3与位置7中(继承的基因在O1中标记为蓝色)。对于O1的空位,P2在相应位置提供基因(继承的基因在O1中标记为红色)。但是,由于基因9已经存在于O1中。因此,映射基因4代替9继承到相应的位置(继承的基因在O1中标记为黑色)。O2的产生遵循相同的程序。
具体地,对于所述变异操作,图6为本申请实施例提供的行程规划方法的变异算子示意图。三角形中的数字是个体O1中未访问POI索引。在O1中,随机选择POI索引为9的基因进行突变,然后在未访问的POI索引集合中随机选择未访问的POI(索引为8)。随后,8替换9的位置以获得变异个体。
在本实施例中,初始化时在没有用户指定的情况下生成空的初始解,然后算法迭代地改进初始解。具体参数设置如下:交叉率cr=0.8,突变率mr=0.01,邻域组数m=5,人口规模NP=100。算法在达到适应值最大更新次数MaxFE时终止。此处的MaxFE设置为D×20000,其中旅行天数D的值取自集合{1,3,5}。
通过以上行程规划算法,最终用户能得到多个满足个性化需求的,不同的解决方案。
通过本申请实施例公开的基于小生境的多日行程自动规划方法,游客可以根据自己的具体需求选择规划目标。可选择的优化目标包括较短的交通时间,高评分的景点和景点的多样化。同时允许游客指定旅行天数,出发时间和返回时间,从而执行定制的多日行程规划。为游客提供多种优化的行程方案,以供游客可以根据自己的喜好选择最合适的行程,或者在规划的景点关闭进行维修时可以选择其他的行程方案。
综上所述,本申请实施例提供的一种行程规划方法,通过将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池;将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;执行替换操作确定进入下一代的子代方案;重复迭代,当满足结束条件时,确定出每个组的目标子代方案。采用小生境策略保证方案多样性,同时考虑不同用户需求,提供多种符合需求的行程方案。
基于相同的技术构思,本申请实施例还提供了一种行程规划系统,如图7所示,所述系统包括:
小生境模块701,用于将预设的种群大小为NP个方案根据小生境策略分为M组,将所述M组重组为一组有序的交配池。
交叉模块702,用于将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案。
变异模块703,用于对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案。
修复模块704,用于对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案。
替换模块705,用于执行替换操作确定进入下一代的子代方案。
输出模块706,用于重复迭代,当满足结束条件时,确定出每个组的目标子代方案。
可选地,所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:其中nd是在第d天行程中访问的兴趣点POI数,h为酒店;方案中的每个基因为POI索引或占位符;占位符表示没有访问。
可选地,所述兴趣点POI网络模型信息建模如下:POI网络模型是一个有向完整图G=(V,E,X);V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
可选地,所述小生境模块701具体用于:所述将预设的种群大小NP根据小生境策略分为M组;在所述种群NP中将适应值最大的个体确定为组长;计算所述组长和未处理个体之间的相似度;将NP/M个与组长相似的个体标记为已处理的一组;以组为单位,将每个组的所有个体附加到交配池。
可选地,所述组长和未处理个体之间的相似度按照公式(11)计算。
可选地,所述交叉模块702具体用于:对于待交叉的方案P1和P2,随机生成两个交换点;所述两个交换点中包括一个非零基因,以使得两个方案的等位基因建立一对一的映射关系;将方案P1位于两个交换点间的等位基因传递到子代方案O1,对于子代方案O1中的剩余位置,将方案P2的等位基因传递给子代方案O1;在所述传递过程中,检查方案P2的等位基因是否存在于子代方案O1中,若存在,则根据映射关系进行相应的替换,若不存在,则传递等位基因。
可选地,所述变异模块703具体用于:对于待变异方案,以概率mr进行变异操作;所述变异操作为随机选择突变位点,并用未访问的兴趣点POI替换。
可选地,所述修复模块704具体用于:对于最小化中转时间,删除消耗时间最长的POI,其中消耗时间为中转时间与POI建议参观时间的和;所述中转时间为游客从一个POI到另一个POI所花费的交通时间;对于最大化平均POI评分,删除评分最低的POI;对于最大化多样性,删除所选方案POI集合中POI个数最多的类型中的POI;采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项;对于一个方案中的每个访问的POI,根据POI中转时间选择未访问的POI作为插入候选对象;将所述插入候选对象插入当前访问的POI的左侧或右侧;在扩增时,对满足总时间约束的方案进行跟踪,将其中所生成的最佳方案插入子代。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是,尽管在附图中以特定顺序描述了本发明方法的操作,但这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种行程规划方法,其特征在于,所述方法包括:
将预设的种群大小NP根据小生境策略分为M组,将所述M组重组为一组有序的交配池,NP和M为大于1的整数;
将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;
对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;
对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;
执行替换操作确定进入下一代的子代方案;
重复迭代,当满足结束条件时,确定出每个组的目标子代方案;
所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};
其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;
假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:
2.如权利要求1所述的方法,其特征在于,所述兴趣点POI网络模型信息建模如下:
POI网络模型是一个有向完整图G=(V,E,X);
V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;
E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;
集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
3.如权利要求1所述的方法,其特征在于,所述将预设的种群大小NP根据小生境策略分为M组,包括:
所述将预设的种群大小NP根据小生境策略分为M组;
在所述种群NP中将适应值最大的个体确定为组长;
计算所述组长和未处理个体之间的相似度;
将NP/M个与组长相似的个体标记为已处理的一组;
以组为单位,将每个组的所有个体附加到交配池。
5.如权利要求1所述的方法,其特征在于,对于交配池中的每一组中的个体,以概率cr进行交叉操作,所述交叉操作包括如下步骤:
对于待交叉的方案P1和P2,随机生成两个交换点;所述两个交换点中包括一个非零基因,以使得两个方案的等位基因建立一对一的映射关系;
将方案P1位于两个交换点间的等位基因传递到子代方案O1,对于子代方案O1中的剩余位置,将方案P2的等位基因传递给子代方案O1;在传递过程中,检查方案P2的等位基因是否存在于子代方案O1中,若存在,则根据映射关系进行相应的替换,若不存在,则传递等位基因。
6.如权利要求1至2任一项所述的方法,其特征在于,所述对待变异方案执行变异算子,包括:
对于待变异方案,以概率mr进行变异操作;所述变异操作为随机选择突变位点,并用未访问的兴趣点POI替换。
7.如权利要求1至2任一项所述的方法,其特征在于,所述对无效方案执行修复策略,具体包括如下步骤:
对于最小化中转时间,删除消耗时间最长的POI,其中消耗时间为中转时间与POI建议参观时间的和;所述中转时间为游客从一个POI到另一个POI所花费的交通时间;
对于最大化平均POI评分,删除评分最低的POI;
对于最大化多样性,删除所选方案POI集合中POI个数最多的类型中的POI;
采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项;
对于一个方案中的每个访问的POI,根据POI中转时间选择未访问的POI作为插入候选对象;
将所述插入候选对象插入当前访问的POI的左侧或右侧;
在扩增时,对满足总时间约束的方案进行跟踪,将其中所生成的最佳方案插入子代。
8.一种行程规划系统,其特征在于,所述系统包括:
小生境模块,用于将预设的种群大小NP根据小生境策略分为M组,将所述M组重组为一组有序的交配池;
交叉模块,用于将交配池中的亲本方案进行配对,在配对后进行交叉操作产生子代方案;
变异模块,用于对待变异方案执行变异算子,所述待变异方案是根据突变率确定的子代方案;
修复模块,用于对无效方案执行修复策略,所述无效方案是根据总时间约束确定的子代方案;
替换模块,用于执行替换操作确定进入下一代的子代方案;
输出模块,用于重复迭代,当满足结束条件时,确定出每个组的目标子代方案;
所述种群内的每个个体的基因编码为:S={s1,s2,...,sD};
其中,一个方案由D天行程组成;sd(d=1,2,...,D)代表第d天的时间表;
假设每天都有游客离开并返回同一家酒店;则一天时间表sd是一个序列:
9.如权利要求8所述的系统,其特征在于,所述兴趣点POI网络模型信息建模如下:
POI网络模型是一个有向完整图G=(V,E,X);
V={v1,v2,...,vN}是N个POI的顶点集;每个顶点vi与四个属性相关联:建议参观时间duration(vi),评分score(vi),类别category(vi)和地理位置;
E={(vi→vj)|vi,vj∈V,vi≠vj}是连接两个不同顶点的一组边集;
集合中的每个(vi→vj)表示从vi到vj的连接,所述连接表示两个POI之间的交通时间transit(vi→vj)。
10.如权利要求8所述的系统,其特征在于,所述小生境模块具体用于:
所述将预设的种群大小NP根据小生境策略分为M组;
在所述种群NP中将适应值最大的个体确定为组长;
计算所述组长和未处理个体之间的相似度;
将NP/M个与组长相似的个体标记为已处理的一组;
以组为单位,将每个组的所有个体附加到交配池。
12.如权利要求8所述的系统,其特征在于,所述交叉模块具体用于:
对于待交叉的方案P1和P2,随机生成两个交换点;所述两个交换点中包括一个非零基因,以使得两个方案的等位基因建立一对一的映射关系;
将方案P1位于两个交换点间的等位基因传递到子代方案O1,对于子代方案O1中的剩余位置,将方案P2的等位基因传递给子代方案O1;在传递过程中,检查方案P2的等位基因是否存在于子代方案O1中,若存在,则根据映射关系进行相应的替换,若不存在,则传递等位基因。
13.如权利要求8至9任一项所述的系统,其特征在于,所述变异模块具体用于:
对于待变异方案,以概率mr进行变异操作;所述变异操作为随机选择突变位点,并用未访问的兴趣点POI替换。
14.如权利要求8至9任一项所述的系统,其特征在于,所述修复模块具体用于:
对于最小化中转时间,删除消耗时间最长的POI,其中消耗时间为中转时间与POI建议参观时间的和;所述中转时间为游客从一个POI到另一个POI所花费的交通时间;
对于最大化平均POI评分,删除评分最低的POI;
对于最大化多样性,删除所选方案POI集合中POI个数最多的类型中的POI;
采用迭代扩增策略对行程解进行检测和增强,并且最小化惩罚项;
对于一个方案中的每个访问的POI,根据POI中转时间选择未访问的POI作为插入候选对象;
将所述插入候选对象插入当前访问的POI的左侧或右侧;
在扩增时,对满足总时间约束的方案进行跟踪,将其中所生成的最佳方案插入子代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071853.XA CN111310985B (zh) | 2020-01-21 | 2020-01-21 | 一种行程规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071853.XA CN111310985B (zh) | 2020-01-21 | 2020-01-21 | 一种行程规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310985A CN111310985A (zh) | 2020-06-19 |
CN111310985B true CN111310985B (zh) | 2022-04-22 |
Family
ID=71148920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071853.XA Active CN111310985B (zh) | 2020-01-21 | 2020-01-21 | 一种行程规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310985B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11640516B2 (en) * | 2020-06-03 | 2023-05-02 | International Business Machines Corporation | Deep evolved strategies with reinforcement |
WO2024017642A1 (en) * | 2022-07-20 | 2024-01-25 | Travelshift Ehf | An apparatus and associated method for determining a travel itinerary |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366222A (zh) * | 2012-04-05 | 2013-10-23 | 创炎资讯科技有限公司 | 行程规划系统及行程规划、评估及自动产生的方法 |
CN106779212A (zh) * | 2016-12-13 | 2017-05-31 | 南京邮电大学 | 一种基于改进蚁群算法的城市旅游路线规划方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11158010B2 (en) * | 2015-08-31 | 2021-10-26 | International Business Machines Corporation | Incremental search based multi-modal journey planning |
-
2020
- 2020-01-21 CN CN202010071853.XA patent/CN111310985B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366222A (zh) * | 2012-04-05 | 2013-10-23 | 创炎资讯科技有限公司 | 行程规划系统及行程规划、评估及自动产生的方法 |
CN106779212A (zh) * | 2016-12-13 | 2017-05-31 | 南京邮电大学 | 一种基于改进蚁群算法的城市旅游路线规划方法 |
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 |
Non-Patent Citations (2)
Title |
---|
P.Jayapriya ; S.Gunasekeran.A Novel Efficient Construction of.《IEEE》.2017, * |
基于时间框架的多日游行程规划及其优化方法;张久滕等;《福州大学学报(自然科学版)》;20181231;第787-793页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111310985A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vansteenwegen et al. | Orienteering problems | |
Masoomi et al. | Allocation of urban land uses by Multi-Objective Particle Swarm Optimization algorithm | |
Glover et al. | Scatter search and path relinking: Advances and applications | |
Purshouse | On the evolutionary optimisation of many objectives | |
Nedjah et al. | Evolutionary multi–objective optimisation: A survey | |
Anagnostopoulos et al. | Tour recommendation for groups | |
Ruiz-Meza et al. | A systematic literature review for the tourist trip design problem: Extensions, solution techniques and future research lines | |
Song et al. | A comparison of three heuristic optimization algorithms for solving the multi-objective land allocation (MOLA) problem | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
Mooney et al. | An evolutionary algorithm for multicriteria path optimization problems | |
Verma et al. | Feeder bus routes generation within integrated mass transit planning framework | |
CN111310985B (zh) | 一种行程规划方法及系统 | |
Huang et al. | Automatic planning of multiple itineraries: A niching genetic evolution approach | |
Mutingi et al. | Multi-objective homecare worker scheduling: A fuzzy simulated evolution algorithm approach | |
Kaveh et al. | A hybrid multi-objective optimization and decision making procedure for optimal design of truss structures | |
CN113918837B (zh) | 城市兴趣点类别表示的生成方法及系统 | |
Liao et al. | Integration of GP and GA for mapping population distribution | |
Lazari et al. | Multi-Objective optimization of electric vehicle charging station deployment using genetic algorithms | |
CN109359740B (zh) | 基于多生境遗传算法的机动路径优选方法及存储介质 | |
Azadi et al. | GoDesign: a modular generative design framework for mass-customization and optimization in architectural design | |
CN111797331B (zh) | 基于群智感知的多目标多约束路线推荐方法 | |
Roshanaei | Mathematical modelling and optimization of flexible job shops scheduling problem | |
Niyomubyeyi et al. | An improved non-dominated sorting biogeography-based optimization algorithm for multi-objective land-use allocation: a case study in Kigali-Rwanda | |
Hirano et al. | A method for generating multiple tour routes balancing user satisfaction and resource consumption | |
Elsayed | Evolutionary approach for constrained optimization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |