CN111369047B - 一种基于微生物遗传算法的旅游路线规划方法和系统 - Google Patents

一种基于微生物遗传算法的旅游路线规划方法和系统 Download PDF

Info

Publication number
CN111369047B
CN111369047B CN202010134691.XA CN202010134691A CN111369047B CN 111369047 B CN111369047 B CN 111369047B CN 202010134691 A CN202010134691 A CN 202010134691A CN 111369047 B CN111369047 B CN 111369047B
Authority
CN
China
Prior art keywords
fitness
scenic spot
individual
population
scenic
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
Application number
CN202010134691.XA
Other languages
English (en)
Other versions
CN111369047A (zh
Inventor
李凌波
王海波
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.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
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 Institute of Software of CAS filed Critical Institute of Software of CAS
Priority to CN202010134691.XA priority Critical patent/CN111369047B/zh
Publication of CN111369047A publication Critical patent/CN111369047A/zh
Application granted granted Critical
Publication of CN111369047B publication Critical patent/CN111369047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

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

本发明涉及一种基于微生物遗传算法的旅游路线规划方法和系统。该方法包括：构造景区数据库；用户定义游玩的区域和感兴趣的主题；根据用户的需求从景区数据库中查找景区数据；定义种群规模、染色体长度、迭代次数，交叉概率，变异概率；将景区数据编码并随机初始化第一代种群；根据适应度函数计算种群中每个个体的适应度；筛选出适应度最好的个体；如果达到迭代次数则解码生成最佳路径，规划结束，否则将当前代种群中的个体随机两两配对，筛选需要交叉和变异的个体；然后以一定的概率发生交叉事件，并以一定的概率发生变异事件，循环执行计算适应度的步骤。本发明在提供合理的路线推荐的同时，降低了计算资源的消耗，提高了推荐结果的响应速度。

Description

一种基于微生物遗传算法的旅游路线规划方法和系统
技术领域
本发明属于旅游路线规划领域，具体涉及一种基于微生物遗传算法的旅游路线规划方法和系统。
背景技术
目前，随着国民经济的发展和人民生活水平的提高，旅游已经成为人们日常生活中必不可少的活动。在旅游产业空前发达的今天，政府规划的景区数量也日渐增多。据不完全统计，仅在北京地区有明确规划的景区数量就多达千余个。旅游路线规划已经成为旅游业一个重要的服务项目。当前，旅游路线规划方法主要包括人工规划和采用规划算法自动规划两种。
人工规划是指旅游业服务人员根据用户需求和专业知识提供咨询意见，这种方式获得的信息质量高，但是消耗的成本大，费用昂贵。自动规划是指基于景区数据，针对用户的个性化需求建立数学模型，将路径规划问题转化为最优化问题，采用规划算法自动生成规划路径。当前，主流的路径规划算法主要包括三类：精确算法、启发式搜索算法和元启发式算法。精确算法的特点是一定能找到全局最优解但是遍历的节点过多，计算量大；启发式搜索算法，包括A*，D*，Focused D*算法等，一般应用于给定起点和终点的寻路问题，不适用于基于景区地理信息数据的路线推荐问题；元启发式算法包括粒子群算法、模拟退火算法、遗传算法、蚁群算法等，特点是结合了随机算法和局部搜索算法，相比较于精确算法计算量少，同时又因为采用了随机算法使得优化过程在一定程度上避免陷入局部最优解，但是经典的元启发式算法同样有计算量大、收敛速度慢的问题。既能获得全局最优解又能够提高计算效率是旅游路线规划领域的研究重点。
微生物遗传算法是传统遗传算法的改进。本发明主要基于微生物遗传算法解决旅游路线规划问题。
发明内容
本发明目的是提供一种基于微生物遗传算法的旅游路线规划方法，该方法基于开源景区数据，构建路线自动规划算法模型，根据用户的需求，提供合理的路线推荐；同时，降低了计算资源的消耗、提高了推荐结果的响应时间。
本发明采取的技术方案是：
一种基于微生物遗传算法的旅游路线规划方法，包括以下步骤：
构造景区数据库；
根据用户的需求从景区数据库中查找景区数据；
将景区数据编码并随机初始化第一代种群；
根据适应度函数计算种群中每个个体的适应度；
筛选出适应度最好的个体，通过迭代的方式生成最佳路径。
进一步地，所述通过迭代的方式生成最佳路径，包括：
判断是否达到迭代次数，如果达到则解码生成最佳路径，规划结束，否则继续以下步骤；
将当前代种群中的个体随机两两配对；
筛选需要交叉和变异的个体；
以一定的概率发生交叉事件；
以一定的概率发生变异事件，循环执行所述根据适应度函数计算种群中每个个体的适应度的步骤。
进一步地，所述构造景区数据库，包含以下步骤：
从互联网上爬取景区的信息，重点爬取景区的名称、所在城市、经纬度、大地坐标、特色；
人工整理互联网爬取的原始数据，并按照景区特色给每个景区打标签，共有六类标签，包括历史、自然、人文、科学、艺术、军事；
将人工整理过的数据存入关系型数据库。
进一步地所述用户的需求包括用户定义的游玩的区域和感兴趣的主题。
进一步地，在所述将景区数据编码并随机初始化第一代种群之前，定义种群规模、染色体长度、迭代次数，交叉概率、变异概率。
进一步地，所述根据适应度函数计算种群中每个个体的适应度，包含以下步骤：
根据每个个体的ID查找对应景区的大地坐标；
根据适应度公式计算个体适应度，适应度公式为：
Figure GDA0003780149150000021
其中Cn是染色体的长度，x和y表示景区的大地坐标，i表示景区。
进一步地，所述以一定的概率发生交叉事件，包括以下步骤：
随机生成一个交叉点；
将适应度计算值较小的个体的交叉点后的基因序列移植到适应度计算值较大的个体的交叉点后；
判断适应度计算值较大的个体交叉点前重复的基因，和被替换掉的基因序列中多余的基因，将多余基因的顺序打乱依次替换重复基因。
基于同一发明构思，本发明还提供一种基于微生物遗传算法的旅游路线规划系统，其包括：
景区数据库构造模块，用于构造景区数据库；
用户需求设置模块，用于供用户定义游玩的区域和感兴趣的主题；
微生物遗传算法模块，用于将景区数据编码并随机初始化第一代种群，根据适应度函数计算种群中每个个体的适应度，并筛选出适应度最好的个体，通过迭代的方式生成最佳路径。
本发明的有益效果是：
本发明构建了景区数据库，并结合用户的需求，基于微生物遗传算法进行旅游路线规划，在提供合理的路线推荐的同时，降低了计算资源的消耗、提高了推荐结果的响应速度。
附图说明
图1为基于微生物遗传算法的旅游路线规划方法流程图；
图2为景区数据库示意图；
图3为交叉算子示意图；
图4为变异算子示意图；
图5为基本遗传算法适应度曲线图；
图6为微生物遗传算法适应度曲线图。
具体实施方式
下面结合附图和实施例对本发明提供的一种基于微生物遗传算法的旅游路线规划方法进行介绍。
如图1所示，一种基于微生物遗传算法的旅游路线规划方法，其包含以下步骤：
(1)构造景区数据库。
具体包括以下步骤：
(1.1)从互联网上爬取景区的信息，重点爬取景区的名称、所在城市、经纬度、大地坐标、特色等。
互联网上存在大量和旅游景区相关的开源数据，本发明采用python语言实现的scapy爬虫框架，并用LTP自然语言处理工具进行关键词提取。因这一步骤涉及的技术都是成熟技术，在此不做赘述。
(1.2)人工整理互联网爬取的原始数据，并按照景区特色给每个景区打标签，共有六类标签，包括历史、自然、人文、科学、艺术、军事。
基于上一步骤处理得到的结构化数据，根据景区特色，人工标注景区所属的类型，景区和类型是一对多的关系。
(1.3)将人工整理过的数据存入关系型数据库。景区数据库中数据表的示意图如图2所示。其中，id表示序号，sname表示景区名称，lng表示经度，lat表示纬度，maintype表示景区类型，subtype表示景区子类型，required表示是否必选景区，map_x表示大地经度，map_y表示大地纬度。
(2)用户定义游玩的区域和感兴趣的主题。用户可以选择游玩的城市以及感兴趣的景区类型，景区类型包括步骤(1.2)中提供的六类。
(3)根据用户的需求从景区数据库中查找可选的景区数据。将用户需求转化为sql语句，从步骤(1.3)中的关系型数据库中筛选景区。
(4)定义初始化参数，包括种群规模、染色体长度、迭代次数，交叉概率，变异概率。在本实施例中种群规模定义为100，染色体长度定义为步骤(3)中筛选出的景区的数量，迭代次数定义为1000，交叉概率定义为90％，变异概率定义为70％。
(5)将景区数据编码并随机初始化第一代种群。步骤(3)中筛选出的每一个景区都有唯一ID，将景区的ID作为染色体的基因。随机排列景区ID作为第一代种群，完成微生物遗传算法的初始化。
(6)根据适应度函数计算种群中每个个体(染色体)的适应度。
具体包括以下步骤：
(6.1)根据每个个体的ID查找对应景区的大地坐标。
(6.2)根据适应度公式计算个体适应度，适应度公式为：
Figure GDA0003780149150000041
其中Cn是染色体的长度，x和y表示景区的大地坐标，i表示景区。适应度公式的含义是计算景区的欧式距离之和。这里将路线规划问题简化为最短路径问题。
(7)筛选出适应度最好的个体。因步骤(6.2)中计算的是候选路径的总长度，本步骤中筛选出总长度最短的候选路径，作为本代种群中表现最优异的染色体缓存下来。
(8)判断是否达到迭代次数，如果达到则解码生成最佳路径，规划结束，否则继续步骤(9)。当达到迭代次数时，将步骤(7)中缓存的最优染色体中的景区ID转换为景区名称，生成景区名称序列。一般认为一天游览不会超过4个景区，所以从景区名称序列中随机选取几个长度为4的序列片段，作为几种最终推荐的路线供用户选择。
(9)将当前代种群中的个体随机两两配对。随机将步骤(6)处理的种群里的染色体两两配对。
(10)筛选需要交叉和变异的个体。比较步骤(9)中两两配对的染色体的适应度，每对染色体都会产生一个适应度较好染色体和适应度较差的染色体。适应度较好的染色体直接遗传到下一代，对适应度较差的染色体进行后续交叉和变异操作。将适应度较好的父代染色体直接遗传到子代是本算法的关键。传统的解决方法是无论父代染色体表现如何都被抛弃，根据适应度的好坏决定父代染色体能够被遗传的几率。传统方法的缺点是经过交叉变异的子代种群的随机性比较大，子代种群的平均适应度表现可能比父代种群要差，经过多轮迭代后存在收敛速度慢或整体不收敛的风险，而且由于每一代遗传都要经过交叉变异，造成在进化过程中出现的优良染色体可能不会遗传到最后一代，即最后解码得到的最优路径是局部最优解而不是全局最优解。
(11)以一定的概率发生交叉事件。交叉事件的发生具有随机性，发生概率在步骤(4)中定义，当概率命中时发生交叉事件，如图3所示，具体包括以下步骤：
(11.1)随机生成一个交叉点；如图3中的(1)所示，其中a和b是步骤(9)生成的一对长度为8的染色体，经过步骤(10)的比较，假设a染色体适应度较好，b染色体适应度较差。随机生成一个交叉点，这里假设交叉点为基因4和基因5之间。
(11.2)将适应度好的个体的交叉点后的基因序列移植到适应度差的个体的交叉点后(即将适应度计算值较小的个体的交叉点后的基因序列移植到适应度计算值较大的个体的交叉点后)。如图3中的(2)所示，染色体a的后四个基因替换染色体b的后四个基因，生成染色体c。
(11.3)判断适应度差的个体交叉点前重复的基因，和被替换掉的基因序列中多余的基因，将多余基因的顺序打乱依次替换重复基因。如图3中的(3)所示，通过分析b和c染色体发现5、7两个基因重复了，应该由2、4两个基因替代，将2、4的顺序打乱，随机替代5、7两个基因，最后生成染色体d，如图3中的(4)所示。
(12)以一定的概率发生变异事件，循环执行步骤(6)。变异时间的发生具有随机性，发生概率在步骤(4)中定义，当概率命中是发生变异事件。如图4所示，d为步骤(11.3)中交叉生成的新染色体，随机选取d染色体上的4、6两个基因，交换4、6两个基因的顺序，最终染色体b变为染色体e遗传到下一代。至此，图3中的a染色体和图4中的e染色体遗传到了下一代，完成一次进化。循环执行步骤(6)，开始新一轮进化。这种进化策略意味着由随机因素引起的遗传变异可能往好适应度较好的方向进化也可能往适应度较差的方向进化，但是每次进化都会把最优秀的染色体遗传给下一代，种群的平均适应度向好的方向发展，同时步骤(7)中记录的最优染色体不仅是当代种群的最优染色体也是历次进化的种群中的最优染色体。
为测试微生物遗传算法和标准遗传算法的算法性能，选用同一份北京市景区数据，如图2所示，分别运行本发明的算法模型，种群规模设为100，迭代次数设为1000，染色体长度为景区的数量，交叉概率设为90％，变异概率设为70％。记录每一代种群的平均适应度，并以适应度曲线的形式画出。如图5和图6所示，两幅图中深灰色曲线表示1000个平均适应度连成的原始曲线，浅灰色曲线表示原始曲线的拟合曲线，其中图5是标准遗传算法的适应度曲线，图6是微生物遗传算法的适应度曲线。比较图5和图6可知，同样迭代1000次的情况下，图5的适应度下降到6.2左右，并且没有收敛，图6的适应度下降到了5.2左右且已经收敛。从仿真结果来看，微生物遗传算法有较快的收敛速度，能够更快得到最优解。
基于同一发明构思，本发明的另一个实施例提供一种基于微生物遗传算法的旅游路线规划系统，其包括：
景区数据库构造模块，用于构造景区数据库；
用户需求设置模块，用于供用户定义游玩的区域和感兴趣的主题；
微生物遗传算法模块，用于将景区数据编码并随机初始化第一代种群，根据适应度函数计算种群中每个个体的适应度，并筛选出适应度最好的个体，通过迭代的方式生成最佳路径。
其中各模块的具体实施过程、具体迭代过程参见前文对本发明方法的描述。
基于同一发明构思，本发明的另一个实施例提供一种电子装置(计算机、服务器、智能手机等)，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思，本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘)，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。
本发明未详细阐述部分属于本领域技术人员的公知技术。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。

Claims (8)

1.一种基于微生物遗传算法的旅游路线规划方法，其特征在于，包括以下步骤：
构造景区数据库；
根据用户的需求从景区数据库中查找景区数据；
将景区数据编码并随机初始化第一代种群；
根据适应度函数计算种群中每个个体的适应度；
筛选出适应度最好的个体，通过迭代的方式生成最佳路径；
所述通过迭代的方式生成最佳路径，包括：
判断是否达到迭代次数，如果达到则解码生成最佳路径，规划结束，否则继续以下步骤；
将当前代种群中的个体随机两两配对；
筛选需要交叉和变异的个体；
以一定的概率发生交叉事件；
以一定的概率发生变异事件，循环执行所述根据适应度函数计算种群中每个个体的适应度的步骤；
所述以一定的概率发生交叉事件，包括以下步骤：
随机生成一个交叉点；
将适应度计算值较小的个体的交叉点后的基因序列移植到适应度计算值较大的个体的交叉点后；
判断适应度计算值较大的个体交叉点前重复的基因，和被替换掉的基因序列中多余的基因，将多余基因的顺序打乱依次替换重复基因。
2.根据权利要求1所述的方法，其特征在于，所述构造景区数据库，包含以下步骤：
从互联网上爬取景区的信息，重点爬取景区的名称、所在城市、经纬度、大地坐标、特色；
人工整理互联网爬取的原始数据，并按照景区特色给每个景区打标签，共有六类标签，包括历史、自然、人文、科学、艺术、军事；
将人工整理过的数据存入关系型数据库。
3.根据权利要求1所述的方法，其特征在于：所述用户的需求包括用户定义的游玩的区域和感兴趣的主题。
4.根据权利要求1所述的方法，其特征在于：在所述将景区数据编码并随机初始化第一代种群之前，定义种群规模、染色体长度、迭代次数，交叉概率、变异概率。
5.根据权利要求1所述的方法，其特征在于，所述根据适应度函数计算种群中每个个体的适应度，包含以下步骤：
根据每个个体的ID查找对应景区的大地坐标；
根据适应度公式计算个体适应度，适应度公式为：
Figure FDA0003780149140000021
其中Cn是染色体的长度，x和y表示景区的大地坐标，i表示景区。
6.一种基于微生物遗传算法的旅游路线规划系统，其特征在于，包括：
景区数据库构造模块，用于构造景区数据库；
用户需求设置模块，用于供用户定义游玩的区域和感兴趣的主题；
微生物遗传算法模块，用于将景区数据编码并随机初始化第一代种群，根据适应度函数计算种群中每个个体的适应度，并筛选出适应度最好的个体，通过迭代的方式生成最佳路径；
所述通过迭代的方式生成最佳路径，包括：
判断是否达到迭代次数，如果达到则解码生成最佳路径，规划结束，否则继续以下步骤；
将当前代种群中的个体随机两两配对；
筛选需要交叉和变异的个体；
以一定的概率发生交叉事件；
以一定的概率发生变异事件，循环执行所述根据适应度函数计算种群中每个个体的适应度的步骤；
所述以一定的概率发生交叉事件，包括以下步骤：
随机生成一个交叉点；
将适应度计算值较小的个体的交叉点后的基因序列移植到适应度计算值较大的个体的交叉点后；
判断适应度计算值较大的个体交叉点前重复的基因，和被替换掉的基因序列中多余的基因，将多余基因的顺序打乱依次替换重复基因。
7.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～5中任一权利要求所述方法的指令。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1～5中任一权利要求所述的方法。
CN202010134691.XA 2020-03-02 2020-03-02 一种基于微生物遗传算法的旅游路线规划方法和系统 Active CN111369047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010134691.XA CN111369047B (zh) 2020-03-02 2020-03-02 一种基于微生物遗传算法的旅游路线规划方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134691.XA CN111369047B (zh) 2020-03-02 2020-03-02 一种基于微生物遗传算法的旅游路线规划方法和系统

Publications (2)

Publication Number Publication Date
CN111369047A CN111369047A (zh) 2020-07-03
CN111369047B true CN111369047B (zh) 2022-11-15

Family

ID=71208428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134691.XA Active CN111369047B (zh) 2020-03-02 2020-03-02 一种基于微生物遗传算法的旅游路线规划方法和系统

Country Status (1)

Country Link
CN (1) CN111369047B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113819916B (zh) * 2021-08-27 2024-01-09 西安理工大学 一种基于文化基因算法的旅游路线规划方法
CN113626474B (zh) * 2021-10-09 2021-12-24 北京道达天际科技有限公司 数据库随机抽取方法、装置及设备
CN116151505B (zh) * 2023-04-20 2023-08-04 深圳市明源云科技有限公司 小区动线规划方法、装置、电子设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022474A (zh) * 2016-06-01 2016-10-12 河海大学常州校区 一种可重构装配线平衡优化方法
CN107145961A (zh) * 2017-03-24 2017-09-08 南京邮电大学 一种基于改进遗传算法的旅游行程规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6904421B2 (en) * 2001-04-26 2005-06-07 Honeywell International Inc. Methods for solving the traveling salesman problem

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022474A (zh) * 2016-06-01 2016-10-12 河海大学常州校区 一种可重构装配线平衡优化方法
CN107145961A (zh) * 2017-03-24 2017-09-08 南京邮电大学 一种基于改进遗传算法的旅游行程规划方法

Also Published As

Publication number Publication date
CN111369047A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111369047B (zh) 一种基于微生物遗传算法的旅游路线规划方法和系统
CN112199608B (zh) 基于网络信息传播图建模的社交媒体谣言检测方法
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
CN110336768B (zh) 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法
Wei et al. Research on construction of a cloud platform for tourism information intelligent service based on blockchain technology
CN107346459B (zh) 一种基于遗传算法改进的多模式污染物集成预报方法
CN113297174B (zh) 基于深度学习的土地利用变化模拟方法
Gu et al. [Retracted] Application of Fuzzy Decision Tree Algorithm Based on Mobile Computing in Sports Fitness Member Management
CN109949174A (zh) 一种异构社交网络用户实体锚链接识别方法
CN117633196B (zh) 问答模型构建方法及项目问答方法
CN114742593A (zh) 一种物流仓储中心优化选址方法及系统
Wang et al. A personalized self‐learning system based on knowledge graph and differential evolution algorithm
Wang et al. Research on the factors affecting the innovation performance of China’s new energy type enterprises from the perspective of industrial policy
Asadi et al. The relation between urban vitality and sense of place attachment (Case study: Qaen city)
Rong et al. GODDAG: generating origin-destination flow for new cities via domain adversarial training
Zhao et al. Learning region similarities via graph-based deep metric learning
CN111797331B (zh) 基于群智感知的多目标多约束路线推荐方法
Kurniawan et al. Framework for developing smart city models in Indonesian cities (based on Garuda smart city framework)
Li [Retracted] Research on the Spread Path and Evolution Causes of Oral Language in the Digital Era
CN114401211B (zh) 一种工业无线网络设备接入IPv6网络的测试系统及测试方法
Yang [Retracted] Application of Multidirectional Mutation Genetic Algorithm and Its Optimization Neural Network in Intelligent Optimization of English Teaching Courses
CN105653686A (zh) 一种域名网址活跃度统计方法及系统
Liébana-Cabanillas et al. Smart or sustainable? Toward smart tourism cities that deliver at both levels
Wan [Retracted] Behavior of Sports Tourism Consumers Based on Cloud Computing and Mobile Big Data
Yoga et al. Advanced Traveler Information Systems: Itinerary Optimisation Using Orienteering Problem Model and Genetic Algorithm

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