基于蚁群算法的智慧旅游路线规划方案分析

王毅菲

（西安翻译学院，西安 710105）

随着国民经济水平的逐渐提高，人们对精神世界的追求逐渐增高，旅游业迎来机遇和发展，但是旅游路线规划作为旅游者重视的体验之一，传统的旅游路线规划费时费力，用户体验感较差，急需改进［1-4］。近年来科学技术的发展给传统的旅游路线规划提出了新的挑战和机遇，基于科技力量的智慧旅游路线规划应运而生［5，6］。

目前旅游路线规划取得了一定的研究成果，定量与定性分析在旅游路线设计中有一定的应用，但是缺乏实践验证；以路线节点为分析依据设计旅游路线，在实践中得到验证，但所考虑的分析因素有限［7，8］。本研究提出的基于蚁群算法的智慧旅游路线规划方案，相比之前的研究，在理论和时间方面均得到了验证，适合不同需求的人进行定制化设置，针对金钱紧张的人，可以不考虑时间因素，制定相应的计划；针对时间紧张的人，可以不考虑金钱的影响，制定精细化的计划；针对金钱和时间一般的人，可以制定高性价比的旅游计划，符合各种用户对旅游线路的要求［9，10］。

1 蚁群算法

蚁群算法由意大利科学家提出，是根据蚂蚁寻找食物的路径而发明的，在蚂蚁寻找食物的过程中会产生信息素，并进行释放，故在路径寻找中蚂蚁主要用到3 个性能，分别为标记路线、简介通讯、集群优化［11］。

1.1 基本原理

每个蚂蚁从一个位置到另一位置过程中，当发觉哪个路径距离短且行进方便，则这个路径上面的信息素释放较多。随着时间的推移，更多的蚂蚁也在寻找两地之间的最优路径，同时该地的信息素也在不断挥发稀释，经过一段时间的叠加，单个地方的信息素浓度最高，这条线路即为最优线路。

蚁群算法的基本流程为：①对各个计算参数进行初始化；②随机在各个地点放上蚂蚁；③蚂蚁自由选择地点；④若有地点可选择，就再次进行步骤③，直到没有地点可供选择，此时更新信息素表；⑤计算叠加次数，如果叠加次数没有达到极限值，就重新进行步骤②，直到叠加次数到达限制，此时得到蚁群算法的最优路径。

1.2 改进算法原理

由于基本的蚁群算法花费的时间较长，而且容易在一个地方不断循环，陷入死局，为了改善蚁群算法的缺点，对基本的蚁群算法进行改进［12］。

针对时间花费较长的问题，采用搜索范围集中的措施，基本的蚁群算法在搜索范围的时候，是根据问题所涉及的区域范围进行筛选，花费的时间较长，改进后的算法根据蚁群的特征，以蚁群走过集中地带的区域作为搜索范围，大大缩短了消耗时间。针对容易在一个地方不断循环、陷入死局的情况，采用信息素实时更新，可以排除一些不必要的路线，同时采用信息素回滚机制，避免死局的产生。

基本的蚁群算法阶段有状态转移阶段、更新信息素阶段，改进后的蚁群算法，在状态转移阶段之前加入了搜索范围集中化阶段，将更新信息素阶段变为实时更新信息素阶段，并且在之后增加一个信息素回滚机制阶段。

2 智慧旅游路线规划模型

2.1 模型建立

旅游者旅游的目标是希望花费更少的钱，得到最大最舒适的旅游体验，这是本次函数建立的主要目的。

根据目前的交通工具调查发现，一般跨省之间的交通工具多选择飞机、高铁或自驾游，假设从省会i到j采用的交通工具是否为飞机设为fij，是飞机则fij为1，不是飞机则fij为0，飞机的票价为pij；采用的交通工具是否为高铁设为hij，是高铁则hij为1，不是高铁则hij为0，高铁的票价为qij；采用的交通工具是否为自驾汽车设为cij，是自驾汽车则cij为1，不是自驾汽车则cij为0，自驾汽车的花费为rij。假设现在有一个旅游团，共m人，m≤5 人，考虑到人数问题，采用的交通工具为自驾汽车，则从省会i到j再从省会j到i的费用之和为式（1）。

在景点i和j之间的动态用sijk表示，如果第k天在景点之间变动，则sijk为1，若不变动则sijk为0，两个景点之间的路有两种选择，一种为高速公路，总长为vij，一种为普通公路，总长为wij，则从景点i到j产生花费为式（2）。

假设在第k天的住宿花费zk，旅途中住宿花费之和为车辆租赁的花费为(1 -cij)× 300 ×K，旅游中的花费之和M的最小值为式（3）。

针对旅游者旅游体验的影响因素进行调查，结果显示，在各个景点的旅游时间越长，旅游者对本次旅游的体验评价越高；当在各个景点的旅游时间之和一定的情况下，整个旅游所花费的时间越少，即非景点旅游时间越少，旅游者对本次旅游的体验评价越高。由此可得，旅游者的体验与时间有联系，假设F为旅游体验函数，则F为式（4）。

力求F最好，则有式（5）。

假设每次旅游的交通工具只能选择一种，景点不重复旅游，则智慧旅游路线规划模型为：

2.2 基于蚁群算法的模型求解

首先进行模型转化，将路线规划模型的体验目标、花费目标综合设为目标P，P值与本次旅行规划的整体评价有关，当P值越小，表明整个旅途规划的评价越好，则有式（7）。

首先，将模型中的参数进行初始化设置：循环数NC= 0，最大循环数Nc-max，禁忌表tabuk= 0，信息要素的初始设置为τij( 0 )= 0，随着事情的发展τij( 0 )=τ0，计算公式

然后，将m个蚂蚁随机放到n个景点上，并将信息记录到tabuk中，设置参数Nc=Nc+ 1，当叠加次数小于1 时，减小各影响因素的可选范围，并且根据选择结果，更新tabuk表。

接着，调整和更新表格内容，如果tabuk表已经满了，则将最优旅游路线、路程、无效搜索次数记录下来，设置tabuk= 0；如果tabuk表还有空间，则根据上个步骤判断叠加次数。

最后统计无效搜索次数，若次数大于最大值，则利用信息分析技术得到其叠加次数，若次数小于最大值，则直接得到其叠加次数；当叠加次数小于最大值时，则将蚂蚁放在景区，重新记录，当叠加次数大于最大值时，得到最优解。

3 模型应用

3.1 基本信息

本次旅游路线规划的对象景点为192 个，均为5A 级别，其中北京 7 个，时间 3.5 h；广东 10 个，时间6 h；天津 2 个，时间 1.5 h；广西 4 个，时间 3 h；河北 5个，时间5 h；山西6个，时间3.5 h；重庆6个，时间6 h；内蒙古 2 个，时间 1.5 h；四川 10 个，时间 8 h；辽宁 4个，时间 2.5 h；湖南 7 个，时间 5 h；吉林 4 个，时间2.5 h；贵州 4 个，时间 3 h；黑龙江 5 个，时间3 h；云南6个，时间4.5 h；上海3个，时间2 h；西藏2个，时间1 h；江苏 10 个，时间 12 h；陕西 6 个，时间 3.5 h；湖北 11个，时间 8.5 h；甘肃 4 个，时间 3 h；浙江 12 个，时间7.5 h；宁夏 4 个，时间 2.5 h；福建 8 个，时间 7 h；江西7个，时间6 h；山东9个，时间6 h；青海2个，时间1.5 h；河南 10 个，时间 9 h；新疆 9 个，时间 8 h；安徽 8 个，时间7 h；海南5 个，时间2.5 h。旅游者要求每年外出游玩的时间不超过一个月，可以分次进行，最多不超过4 次。

3.2 最佳旅游路线规划

将192 个旅游景区进行划分，划分标准以旅游天数是否超过15 d 为准，当超过15 d 时，将该省份进行区域划分；当天数不足15 d 时，将两个区域进行合并，如将拉萨与西宁进行合并为4 区域，西安与济南合并为16 区域，共分为27 个区域，如图1 所示。通过建立的智慧旅游路线规划模型，利用蚁群算法进行计算，得到的结果如表1 所示。

4 结论

对蚁群算法在智能化旅游路径的方案中进行分析，主要得出以下结论。

1）为了改善基本的蚁群算法花费时间长、容易陷入死局的缺点，对基本的蚁群算法进行改进，与基本蚁群算法相比，增加了搜索范围集中化阶段、实时更新信息素阶段、信息素回滚机制阶段。

表1 最佳旅游线路安排

2）以旅游花费更少的钱、得到最大最舒适的旅游体验为目标，建立了旅游路线规划模型。

3）利用改进蚁群算法对模型进行求解。

4）基于蚁群算法的智慧旅游路线规划模型在实际案例中进行应用，得到最优旅游路径。