本發(fā)明屬于路徑規(guī)劃領(lǐng)域，具體涉及一種基于改進(jìn)遺傳算法的旅游行程規(guī)劃方法。

背景技術(shù)：

旅游業(yè)具有“無煙產(chǎn)業(yè)”和“永遠(yuǎn)的朝陽產(chǎn)業(yè)”的美譽(yù)，作為一項(xiàng)具有勞動(dòng)力密集、無污染等特點(diǎn)的新興產(chǎn)業(yè)，目前和石油業(yè)、汽車業(yè)并列為全球第三大產(chǎn)業(yè)。隨著社會(huì)科技的發(fā)展和人民生活水平的提高，旅游業(yè)發(fā)展勢頭迅猛。目前，市場上提供的旅游服務(wù)，大多數(shù)是由旅行社等傳統(tǒng)旅游企業(yè)提供的旅游產(chǎn)品。此類產(chǎn)品的旅游路線和旅行時(shí)間一般都是由旅行社提前規(guī)劃好的，用戶沒有自主權(quán)。因此，目前市場上的絕大多數(shù)旅游服務(wù)不能完全滿足用戶的個(gè)性化需求。

國內(nèi)外眾多著名學(xué)者針對行程規(guī)劃問題已經(jīng)進(jìn)行了長達(dá)數(shù)十年的研究，求解該類問題與求解tsp(travellingsalesmanproblem，旅行推銷員問題)問題的方法類似，在數(shù)學(xué)模型上有所差異?？紤]到種群的規(guī)模，即景點(diǎn)數(shù)目的多少，解決此類問題目前最具有代表性的求解方法有以下兩種：

(1)精確求解法

先列舉所有可能的路線，再計(jì)算目標(biāo)函數(shù)，逐個(gè)進(jìn)行對比分析，最終選擇使得結(jié)果最優(yōu)的路線。此類解決方案只適用于小規(guī)模的求解，一旦規(guī)模變大，景點(diǎn)個(gè)數(shù)增多，解決問題所需要的計(jì)算量和時(shí)間是非常龐大的。

(2)智能優(yōu)化算法

隨著景點(diǎn)規(guī)模的增大，精確求解法的不足也逐漸顯現(xiàn)。后來，隨著人工智能的發(fā)展，智能優(yōu)化算法的出現(xiàn)為此類問題的求解提供了新的方法。與傳統(tǒng)算法不一樣，該類算法不是針對每一個(gè)個(gè)體的單獨(dú)優(yōu)化求解，而是針對一個(gè)群體。雖然，所求的解可能不是問題的最優(yōu)解，但一般都是非常接近的，求解速率遠(yuǎn)高于傳統(tǒng)的求解算法。目前，常用于求解行程規(guī)劃問題的智能方法有很多，如蟻群算法、粒子群算法、遺傳算法和模擬退火算法等，這些算法各有優(yōu)缺點(diǎn)。其中，蟻群算法具有較好的發(fā)現(xiàn)解的能力，然后由于本身過于復(fù)雜，一般需要較長的搜索時(shí)間且易于出現(xiàn)停滯現(xiàn)象；雖然粒子群算法早期收斂速度快，但也存在求解精度低，無法收斂到最優(yōu)解的缺陷；相比于前兩種算法，遺傳算法較為成熟且應(yīng)用范圍更廣，但容易陷入早熟；模擬退火算法雖然也是相對成熟的算法，但是其優(yōu)化過程較長，不利于現(xiàn)實(shí)問題的求解。

遺傳算法(geneticalgorithm)的首次提出是在1975年《自然界和人工系統(tǒng)的適應(yīng)性》一書中，該書由美國michigan大學(xué)的j.h.holland教授編寫。從1985年，在美國卡耐基·梅隆大學(xué)召開的第一屆國際遺傳算法會(huì)議，到1990年在美國印第安阿納大學(xué)召開的第一屆遺傳算法與分類系統(tǒng)研討會(huì)，再到現(xiàn)在國際互聯(lián)網(wǎng)絡(luò)上多種相關(guān)的mailinglist，usenet上專門的新聞組comp.ai.genetic。經(jīng)過20余年的發(fā)展，遺傳算法已經(jīng)取得了豐碩的研究成果。尤其是近幾年人工智能研究的興起，使得遺傳算法受到國內(nèi)外學(xué)者的廣泛關(guān)注。

在遺傳算法的改進(jìn)方面，lizhuangtan等人提出改進(jìn)的聚類遺傳算法kga(geneticalgorithmbasedonk-meansclustering)、apga(geneticalgorithmbasedonaffinitypropagationclustering)，于瑩瑩等提出自適應(yīng)遺傳參數(shù)求解tsp問題，孫文彬等借助去交叉、去小角操作優(yōu)化tsp解的路徑，能有效降低解的誤差率，radibouchaib針對選擇性tsp問題，尋找起始點(diǎn)相同控制點(diǎn)的路徑集合，以使得在規(guī)定約束條件內(nèi)，收益最大化，此外還有不少學(xué)者將貪心策略與遺傳算法相結(jié)合，從而提高算法精確性、有效性和收斂速度。

但目前現(xiàn)有技術(shù)中尚沒有將遺傳算法運(yùn)用到旅游行程的規(guī)劃，以滿足用戶個(gè)性化需求的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的在于針對旅游行程規(guī)劃問題，提出了一種基于改進(jìn)遺傳算法的旅游行程規(guī)劃方法，該方法針對傳統(tǒng)遺傳算法存在的問題，提高了算法的收斂速度，防止算法陷入局部最優(yōu)解；針對用戶的旅游行程安排，建立行程規(guī)劃模型，滿足用戶個(gè)性化定制的需求。

本發(fā)明解決上述技術(shù)問題所采取的技術(shù)方案是一種基于改進(jìn)遺傳算法的旅游行程規(guī)劃方法，具體包括如下步驟：

步驟1：按照訪問城市的順序排列組成編碼；

步驟2：采用雙向貪心選擇策略初始化種群；

步驟3：計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值；

步驟4：采用輪盤賭選擇，從舊群體中選擇適應(yīng)度大的個(gè)體到新的群體中；

步驟5：按照自適應(yīng)的交叉概率pci進(jìn)行交叉操作，選擇若干父體進(jìn)行配對，生成新的個(gè)體；

步驟6：按照自適應(yīng)的變異概率pmi進(jìn)行變異操作，確定變異個(gè)體；

步驟7：判斷是否滿足預(yù)定的終止條件，如果滿足則遺傳終止，得到最優(yōu)解。否則返回步驟3。

進(jìn)一步的，本發(fā)明的步驟2包括以下步驟：

1)隨機(jī)生成一個(gè)城市編號sa，再選擇離城市sa最近的城市sb，構(gòu)成一條路徑sa-sb；

2)找出離通路兩端(設(shè)點(diǎn)為si、sj，i,j∈s)，最近的兩個(gè)城市，假設(shè)分別為sc、sd(sc、sd未被選擇)，若sisc<scsj，則選擇sc，構(gòu)成路徑sc-si-sj否則選擇sd，構(gòu)成路徑sd-sj-si；

3)重復(fù)2)，直到所有的城市都在路徑中；

4)若所有城市都已經(jīng)在路徑中，仍未達(dá)到種群規(guī)模，則隨機(jī)選擇兩個(gè)城市構(gòu)成路徑，再重復(fù)step2，直到達(dá)到種群規(guī)模。

進(jìn)一步的，本發(fā)明步驟3的適應(yīng)度函數(shù)為目標(biāo)函數(shù)的倒數(shù)：

進(jìn)一步的，本發(fā)明步驟5的自適應(yīng)的交叉概率pci為：

其中，pci為個(gè)體i發(fā)生交叉的概率，g為進(jìn)化過程的最大迭代數(shù)，g為當(dāng)前迭代數(shù)，是當(dāng)前種群的平均適應(yīng)度值，fmax為當(dāng)前個(gè)體的最大適應(yīng)度值，pcmin＝0.5。

進(jìn)一步的，本發(fā)明步驟6的自適應(yīng)的變異概率pmi表示為：

其中pmi為個(gè)體i發(fā)生變異的概率，g為進(jìn)化過程的最大迭代數(shù)，g為當(dāng)前迭代數(shù)；pmmin的取值與進(jìn)化迭代數(shù)相關(guān)；pmmax＝0.05；fmax為當(dāng)前所有個(gè)體的最大適應(yīng)度值，是當(dāng)前種群的平均適應(yīng)度值。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

1、本發(fā)明基于旅游行程規(guī)劃模型，采用改進(jìn)的貪心自適應(yīng)遺傳算法，為用戶規(guī)劃旅游行程路線。該方法提高了行程規(guī)劃算法的速度，防止算法陷入局部最優(yōu)解。

2、本發(fā)明結(jié)合tsp問題建立行程規(guī)劃模型，滿足用戶定制個(gè)性化旅游行程的需求。

附圖說明

圖1為本發(fā)明實(shí)施例中的行程規(guī)劃流程圖。

圖2為本發(fā)明行程示意圖。

圖3為本發(fā)明的遺傳算法流程圖。

具體實(shí)施方式

下面結(jié)合說明書附圖對本發(fā)明創(chuàng)造作進(jìn)一步的詳細(xì)說明。

本發(fā)明按照路徑中景點(diǎn)的先后順序?qū)⑵浣M成行程路線，采用雙向貪心選擇策略初始化種群，使種群包含更多的最優(yōu)子路徑，提高種群適應(yīng)度；通過自適應(yīng)的交叉變異概率調(diào)節(jié)，提高算法的收斂速度，防止算法陷入局部最優(yōu)解。將改進(jìn)的遺傳算法應(yīng)用到行程規(guī)劃模型中，滿足用戶定制個(gè)性化旅游行程的需求。

如圖1所示，本發(fā)明是針對行程規(guī)劃問題的解決方法，結(jié)合用戶輸入信息和數(shù)據(jù)庫存放的數(shù)據(jù)項(xiàng)，通過改進(jìn)的遺傳算法，輸出景點(diǎn)游玩次序、游玩時(shí)間和游玩費(fèi)用。通過改進(jìn)的遺傳算法，為用戶推薦個(gè)性化的旅游行程路線。該方法通過雙向貪心策略初始化種群，提高算法的收斂速度；該方法通過自適應(yīng)的交叉概率和變異概率的調(diào)節(jié)，提高算法速度，防止算法陷入早熟；該方法將改進(jìn)的遺傳算法應(yīng)用到旅游行程規(guī)劃模型中，滿足用戶個(gè)性化定制的需求。

本發(fā)明具體實(shí)現(xiàn)的過程，包括：行程規(guī)劃模型和改進(jìn)的遺傳算法。

1.行程規(guī)劃模型：

行程示意圖如圖2所示，用戶在出游前需要考慮諸多因素，本發(fā)明建立的模型，將根據(jù)景點(diǎn)的開放時(shí)間、關(guān)閉時(shí)間、用戶在景點(diǎn)的停留時(shí)間、旅行過程中產(chǎn)生的費(fèi)用和旅行過程中消耗的時(shí)間，為用戶設(shè)計(jì)合理、可行的旅游行程安排。

由于實(shí)際情況的多變，過多的不確定因素會(huì)使行程規(guī)劃問題變得復(fù)雜。為簡化問題，本發(fā)明在合理范圍內(nèi)進(jìn)行一些假設(shè)：

(1)對于游客用戶選擇的景點(diǎn)，每個(gè)景點(diǎn)僅游覽一次；

(2)游客到達(dá)目的地景點(diǎn)后無需等待；

(3)這里只做旅游前的行程規(guī)劃，不考慮可能出現(xiàn)的突發(fā)情況，如天氣突變、交通阻塞等狀況；

(4)在開放時(shí)間段內(nèi)，景點(diǎn)沒有進(jìn)入人數(shù)限制。

本發(fā)明求解問題的核心是在完全圖上找出一個(gè)權(quán)值最小的哈密頓圈。本發(fā)明中行程規(guī)劃問題的完全圖由景點(diǎn)構(gòu)成的，景點(diǎn)圖g＝{s,e}，其中s＝{si|i＝1,2,3,…,m}是景點(diǎn)的集合，e＝{eij|i,j＝1,2,3,…,m}是兩景點(diǎn)構(gòu)成的邊的集合。

每個(gè)頂點(diǎn)si有四個(gè)不同的屬性，針對某個(gè)景點(diǎn)i：

ti：游客的游玩時(shí)間；

toi：景點(diǎn)開放時(shí)間；

tci：景點(diǎn)關(guān)閉時(shí)間；

tsi：到達(dá)時(shí)間；

ci：游客游覽費(fèi)用。

每條邊eij有兩個(gè)不同的屬性，是有方向的，從景點(diǎn)i到景點(diǎn)j：

tij：行程所需時(shí)間；

cij：行程所需費(fèi)用。

針對本發(fā)明的行程規(guī)劃問題，問題建模用的符號和變量如下所示：

r：行程路線，r＝{s1,s2,……,sm}；

t：線路的旅游時(shí)間；

c：線路的旅游費(fèi)用；

tmax：用戶可支配的最長旅游時(shí)間；

cmax：用戶可支配的最高費(fèi)用預(yù)算；

xi：景點(diǎn)i決策變量；

xij：景點(diǎn)i到景點(diǎn)j的決策變量；

首先，確定決策變量，xi，xij：

游客花費(fèi)的總費(fèi)用c由景點(diǎn)的游覽費(fèi)用ci和景點(diǎn)之間的交通費(fèi)用cij組成。游客總的旅游時(shí)間t由行程時(shí)間tij和景點(diǎn)游玩時(shí)間ti組成，c和t表示為：

行程規(guī)劃的目的是滿足用戶的出行需求的同時(shí)結(jié)合實(shí)際問題，針對不同的用戶有不同的的目標(biāo)函數(shù)

(1)經(jīng)濟(jì)型用戶：該類用戶更考慮金錢成本，對旅游時(shí)間沒有要求，愿意消耗更多的時(shí)間，換取價(jià)格上的優(yōu)惠。目標(biāo)函數(shù)為：

(2)舒適型用戶：該類用戶追求旅行的舒適度，不希望過多的時(shí)間消耗在旅行途中，目標(biāo)函數(shù)為：

(3)綜合型用戶：該類用戶因?yàn)闆]有特殊要求，希望能享受既經(jīng)濟(jì)又不會(huì)消耗太多時(shí)間的行程。目標(biāo)函數(shù)如下，其中w0是衡量時(shí)間(單位：小時(shí))和金錢(單位：元)關(guān)系的權(quán)重系數(shù)，這個(gè)值與游客設(shè)定的tmax和cmax有關(guān)：

基于實(shí)際情況考慮，設(shè)置如下的約束條件：

t≤tmax

c≤cmax

2.改進(jìn)的遺傳算法：

本發(fā)明采用改進(jìn)的遺傳算法解決行程規(guī)劃問題，算法流程如圖3所示。具體算法描述如下：

步驟1：采用自然編碼方式，用1,2,…,i,…m的自然數(shù)標(biāo)識景點(diǎn)，按照路徑中景點(diǎn)的先后順序設(shè)定行程路線。

步驟2：采用雙向貪心選擇策略初始化種群。

步驟3：取目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)，計(jì)算個(gè)體的適應(yīng)度值fi。

步驟4：使用比例選擇因子p從舊群體中選擇適應(yīng)度大的個(gè)體到新的群體，p＝fi/∑fi，其中適應(yīng)度最高的個(gè)體一定會(huì)被選擇。

步驟5：計(jì)算個(gè)體的交叉概率pci，進(jìn)行交叉操作，選擇若干父體進(jìn)行配對，生成新的個(gè)體。

步驟6：計(jì)算個(gè)體的變異概率pmi，進(jìn)行變異操作，確定變異個(gè)體。

步驟7：判斷當(dāng)前迭代數(shù)g是否等于最大迭代數(shù)g，不相等則執(zhí)行步驟3；相等則繼續(xù)執(zhí)行。

步驟8：輸出最優(yōu)路徑。

本發(fā)明基于旅游行程規(guī)劃模型，采用改進(jìn)的貪心自適應(yīng)遺傳算法，為用戶規(guī)劃旅游行程路線，有效提高了行程規(guī)劃算法的速度，可以防止算法陷入局部最優(yōu)解，滿足了用戶定制個(gè)性化旅游行程的需求。

以上所述的僅是本發(fā)明的優(yōu)選實(shí)施方式。應(yīng)當(dāng)指出，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干變形和改進(jìn)，這些也應(yīng)視為屬于本發(fā)明的保護(hù)范圍。