1.一种基于协同演化多目标算法的跨城旅游规划方法,其特征在于,包括步骤如下:S1,采集旅游数据;
S2,根据选择的城市、计划时间、预算和景点偏好,设置跨城旅游问题参数;
S3,根据跨城旅游问题参数,以总通勤时间、旅游总费用和旅游体验得分为目标函数,构建跨城市旅游路线规划模型;
S4,采用基于难度-贡献的合作协同演化多目标算法对跨城市旅游路线规划模型进行求解,得到旅游计划的编码,解码后得到旅游计划;
步骤S3中,构建跨城市旅游路线规划模型的实现步骤如下:S31,根据每天最多旅游的景点数M和旅游总天数D,设定编码总长度为D*M;编码内部的景点编号p,当p为0时不代表任何景点,仅作为用来填充的空景点;
S32,建立目标函数;
S321,计算总通勤时间;
考虑景点和旅店通勤时间,景点和景点通勤时间,城市之间通勤时间,定义两个景点p其中,p
定义选择函数Select(num,set),用来选择set中大于num的最小数值,数学表达式为:则总通勤时间function1(C)的表达式如下:其中,C表示总编码;
S322,计算旅游总费用;
旅游总费用包括通勤费用、景点门票费用、餐饮费以及旅店住宿费;
定义两个景点p
其中,distance(p
并且设定集合α={i|p
则旅游总费用function2(C)的表达式如下:其中,cost(Distance(pS323,计算旅游体验的得分;
旅游体验的分包括时间分配合理性、景点热度得分以及与旅客偏好符合程度得分;
设定集合β
其中,duration(p
景点热度得分heat_score定义如下:其中,heat(p
旅客偏好符合程度函数preference_score定义如下:则旅游体验的得分function3(C)的定义如下:min function3(C)=time_allocation_score(C)+heat_score(C)+preference_score(C)其中,l
步骤S4中,采用基于难度-贡献的合作协同演化多目标算法对跨城市旅游路线规划模型进行求解的实现步骤如下:S41,根据城市划分子问题,每个子问题都分配总编码中的一部分连续空间;
S42,子问题的空间以及计算资源根据贡献和难度进行动态调整,实现步骤如下:S421,采用编码长度来表示各个子问题的难度,子问题其中,
S422,所有子问题一轮优化结束后,采用超体积指标HV来评估子问题帕累托前沿的质量;参考点reference_point每个维度都选择所有子问题帕累托前沿中相应维度中最大的值,则子问题其中,
S423,综合考虑问题的难度和贡献,子问题其中,F
S424,每一轮主循环结束之后,根据子问题的贡献动态调整子问题在总编码中所占据的长度;增加贡献最大的粒子1位编码,并且减少编码长度大于q中贡献最小的子问题1位编码,q为编码最小长度。
2.根据权利要求1所述基于协同演化多目标算法的跨城旅游规划方法,其特征在于,跨城旅游问题参数包括旅游城市数量、每天最多旅游的景点数、旅游总天数、旅游偏好和总预算。
3.根据权利要求1所述基于协同演化多目标算法的跨城旅游规划方法,其特征在于,子问题和子问题之间的相对位置由图论中的最短路径算法决定,用来最小化城市与城市之间的通勤时间;采用NSGA-II算法优化子问题,且在优化的过程中,子问题的顺序保持不变。