CN113159391A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113159391A
CN113159391A CN202110329271.1A CN202110329271A CN113159391A CN 113159391 A CN113159391 A CN 113159391A CN 202110329271 A CN202110329271 A CN 202110329271A CN 113159391 A CN113159391 A CN 113159391A
Authority
CN
China
Prior art keywords
ant
spot
archive
sight spot
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.)
Pending
Application number
CN202110329271.1A
Other languages
English (en)
Inventor
董明刚
曾慧斌
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.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
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 Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202110329271.1A priority Critical patent/CN113159391A/zh
Publication of CN113159391A publication Critical patent/CN113159391A/zh
Pending legal-status Critical Current

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]
    • 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)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (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

本发明公开了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。此方法设计了一套正反馈存档存取机制，能充分的利用历史最优数据为后面的优化提供更多的参考，加快算法收敛速度，快速找到最佳路线。解决了游客在旅游时在玩、住、行方面选择和组合难题，为游客规划出合理的、在多个方面同时保持最优的旅游路线。

Description

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
技术领域
本发明涉及旅游行程规划领域，特别涉及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，特别设计了旅游行业背景下的旅游行程规划，即指定起点、终点以及开始、终止时间，为游客规划出一条合理的包含一系列景点的行程安排，在保证该行程能够满足时间约束和地点约束的情况下，尽可能的最大化景点总效用、最小化路线总费用、减小最大交通出行时间。
背景技术
随着人工智能的兴起和大数据技术的普及，传统行业与互联网技术的结合正在加速，电子商务形式的出现，改变着人们的旅游方式，由过去的被动接受服务到主动个性化选择服务的方式转变，尤其是经历本次疫情后，用户的线上选择预定的习惯明显将得到提升。但是，旅游的相关信息数据非常庞大，类型也多种多样，比如：酒店、景点、交通等等。面对海量的旅游信息，游客如果自己去查询筛选，不仅不方便，而且需要浪费大量时间，效率极低。如何更好的有针对性的帮助游客筛选出有用信息，为游客提供规划出个性化的出行方案，然后推荐给游客，已经变成了当今旅游行业急需解决的问题。旅程规划就是为广大游客量身定做，根据用户要求，为用户规划出一条在合理的、省钱、用户满意度高的旅游路线。
当前旅程规划问题的研究成果主要以路线总效用最大化作为研究目标，以及忽略交通工具和酒店等因素为前提。可事实上，用户出游时不仅想要该路线的体验最好，而且还有花费最少、最大通行时间最低的目标。游客在规划路线时，不仅只考虑景点，还需要选择交通出行工具和酒店，并对其进行合理的组合。因此我们将这些实际需求考虑进来更有现实意义。本发明针对带交通选择和酒店住宿的多目标旅程规划问题(many-objectivetourist trip design problem with hotel and traffic selection，简称MO-TTDP-THS)设计了多目标存档蚁群寻优方法，其主要包含景点聚合、进化搜索、行程分解三个部分，筛选出有用信息维护扩充存档，利用存档种的最优数据为后面的优化提供更多的参考，加快收敛速度。
发明内容
由于MO-TTDP-THS问题考虑了交通工具的选择，并且扩展成多目标优化。所以使用传统方法取求解该问题需要花费很长的时间才能得到满意的解。本文提出了一种多目标存档蚁群寻优方法，来解决以上问题。
本发明思路：现实生活中，大部分平台或者旅行社会推出一日游、两日游路线去吸引用户。这种营销策略之所以有效，是这种路线是经过大量历史数据统计所得到的在某时间段内最佳游览路线，具有效用高、花费小等符合用户实际需求的特点。本文从中受到启发，提出了一种多目标存档蚁群寻优方法，该方法设计了一种正反馈的历史信息存取策略，能够充分的利用历史有用信息，达到快速收敛的目的。
具体步骤为：
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
步骤1：初始化各景点间的路径上的信息素初始值，设置最大迭代次数maxG，信息素启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数量n以及状态转移概率p0。建立最优路径存档(AR)和最优景点集存档(AS)。
步骤2：景点聚合策略：每只蚂蚁随机挑选出几个地点冲突的AR存档记录，进行聚合，将几个单独的景点聚合成大景点，加入到候选景点列表中。
步骤3：将n只蚂蚁放置在起点处。
步骤4：进化搜索，每只蚂蚁根据随机概率转移公式，计算候选景点列表中各个景点的选择概率，再根据轮盘赌法选择出下一景点以及通往下一景点的交通方式，将该景点加入路径后，从该蚂蚁候选景点列表中删除该景点。
步骤5：重复步骤4，直到蚂蚁选择的下一景点为终点，(跳到步骤7)或者到达下一时间超过离开时间(到达步骤6)。
步骤6：不断删除最后一个景点，加入终点。直到到达终点的时间小于离开时间。
步骤7：n只蚂蚁全部到达终点，计算出各路径的总花费、和总效用。蚂蚁所经过的路径分泌信息素，并使用分解策略将完整的行程分解成多个片段，更新AS和AR存档。
步骤8：判断当前的迭代次数是否小于最大迭代次数maxG，若小于，重置每只蚂蚁的候选景点列表，返回步骤2；否则，算法迭代结束，输出最佳方案。
附图说明
图1是多目标存档蚁群寻优方法流程示意图。
图2是行程分解示意图。
图3是以桂林市为案例规划出的三天两夜旅游行程方案。
具体实施方式
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
步骤1：初始化各景点间的路径上的信息素初始值，设置最大迭代次数maxG，信息素启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数量n以及状态转移概率p0。建立最优路径存档(AR)和最优景点集存档(AS)。
步骤2：景点聚合策略：每只蚂蚁随机挑选出几个地点冲突的AR存档记录，进行聚合，将几个单独的景点聚合成大景点，加入到候选景点列表中。
步骤3：将n只蚂蚁放置在起点处。
步骤4：进化搜索，每只蚂蚁根据随机概率转移公式，计算候选景点列表中各个景点的选择概率，各景点选择概率
Figure BDA0002995792680000031
其中C为这只蚂蚁的候选景点列表，i为上一景点，τij为上一景点i至下一景点j路径上的信息素，ηj为下一景点启发信息，
Figure BDA0002995792680000032
即景点效用于花费的比值。之后再根据轮盘赌法选择出下一景点以及通往下一景点的交通方式，将该景点加入路径后，从该蚂蚁候选景点列表中删除该景点。
步骤5：重复步骤4，直到蚂蚁选择的下一景点为终点，(跳到步骤7)或者到达下一时间超过离开时间(到达步骤6)。
步骤6：不断删除最后一个景点，加入终点。直到到达终点的时间小于离开时间。
步骤7：n只蚂蚁全部到达终点，计算出各路径的总花费、总效用、最大行程时间这三个目标的值。蚂蚁所经过的路径分泌信息素，局部信息素更新方式
Figure BDA0002995792680000033
并使用分解策略将完整的行程分解成多个片段，更新AS和AR存档。
步骤8：更新全局信息素τij(t+1)＝(1-ρ)τij(t)+ρΔτij(t)。判断当前的迭代次数是否小于最大迭代次数maxG，若小于，返回步骤2；否则，算法迭代结束，输出最佳方案。

Claims (1)

1.一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，其特征在于，包括如下步骤：
步骤1：初始化各景点间的路径上的信息素初始值，设置最大迭代次数maxG，信息素启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数量n以及状态转移概率p0。建立最优路径存档(AR)和最优景点集存档(AS)；
步骤2：景点聚合策略：每只蚂蚁随机挑选出几个地点冲突的AR存档记录，进行聚合，将几个单独的景点聚合成大景点，加入到候选景点列表中；
步骤3：将n只蚂蚁放置在起点处；
步骤4：进化搜索，每只蚂蚁根据随机概率转移公式，计算候选景点列表中各个景点的选择概率，再根据轮盘赌法选择出下一景点以及通往下一景点的交通方式，将该景点加入路径后，从该蚂蚁候选景点列表中删除该景点；
步骤5：重复步骤4，直到蚂蚁选择的下一景点为终点，跳到步骤7或者到达下一时间超过离开时间，则到达步骤6；
步骤6：不断删除最后一个景点，加入终点。直到到达终点的时间小于离开时间；
步骤7：n只蚂蚁全部到达终点，计算出各路径的总花费、和总效用。蚂蚁所经过的路径分泌信息素，并使用分解策略将完整的行程分解成多个片段，更新AS和AR存档；
步骤8：判断当前的迭代次数是否小于最大迭代次数maxG，若小于，重置每只蚂蚁的候选景点列表，返回步骤2；否则，算法迭代结束，输出最佳方案。
CN202110329271.1A 2021-03-27 2021-03-27 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 Pending CN113159391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110329271.1A CN113159391A (zh) 2021-03-27 2021-03-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110329271.1A CN113159391A (zh) 2021-03-27 2021-03-27 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

Publications (1)

Publication Number Publication Date
CN113159391A true CN113159391A (zh) 2021-07-23

Family

ID=76885146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110329271.1A Pending CN113159391A (zh) 2021-03-27 2021-03-27 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

Country Status (1)

Country Link
CN (1) CN113159391A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
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
CN107832894A (zh) * 2017-11-27 2018-03-23 浙江卓锐科技股份有限公司 一种基于蚁群算法的智能旅游行程规划方法
CN110244733A (zh) * 2019-06-20 2019-09-17 西南交通大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110243385A (zh) * 2019-07-03 2019-09-17 南京信息工程大学 一种应用于机器人路径规划的蚁群算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
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
CN107832894A (zh) * 2017-11-27 2018-03-23 浙江卓锐科技股份有限公司 一种基于蚁群算法的智能旅游行程规划方法
CN110244733A (zh) * 2019-06-20 2019-09-17 西南交通大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110243385A (zh) * 2019-07-03 2019-09-17 南京信息工程大学 一种应用于机器人路径规划的蚁群算法

Similar Documents

Publication Publication Date Title
CN111176807B (zh) 一种多星协同任务规划方法
Gavalas et al. A survey on algorithmic approaches for solving tourist trip design problems
Li et al. Integration of genetic algorithms and GIS for optimal location search
CN110345960B (zh) 一种规避交通障碍的路线规划智能优化方法
CN109636214B (zh) 一种面向多源对地观测卫星的快速任务规划方法
US7447669B2 (en) Method and system for timetabling using pheromone and hybrid heuristics based cooperating agents
CN106779212A (zh) 一种基于改进蚁群算法的城市旅游路线规划方法
CN111429220B (zh) 基于运营商大数据的旅游路线推荐系统及方法
CN116862063B (zh) 一种基于大数据的智慧城市规划优化方法及系统
CN109271591A (zh) 景点推荐方法、计算机设备及计算机可读存储介质
CN115965171A (zh) 一种基于优化蚁群算法的微公园选址方法
CN111967672A (zh) 一种基于狮群进化算法的面向空间众包平台的路径规划方法
CN111339230A (zh) 一种车辆信息显示方法、装置、电子设备和存储介质
Shao et al. Incorporating lstm auto-encoders in optimizations to solve parking officer patrolling problem
Zheng et al. A two-stage algorithm for fuzzy online order dispatching problem
JP7291252B2 (ja) 処理ルート情報
CN113159391A (zh) 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
CN113283827B (zh) 一种基于深度强化学习的两阶段无人机物流路径规划方法
CN114217607A (zh) 一种外卖派送路径规划方法、系统及存储介质
Gunawan et al. Well-tuned ILS for extended team orienteering problem with time windows
CN111915078A (zh) 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统
Schwemmle et al. Hyperparameter optimization for neural network based taxi demand prediction
CN117420824A (zh) 一种基于具有学习能力的智能蚁群算法的路径规划方法
CN111027759A (zh) 一种基于蚁狮算法的城市交通应急调度方法
Martynova et al. Ant colony algorithm for rational transit network design of urban passenger transport

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