EN中文

中国生态旅游 >

2022 , Vol. 12 >Issue 5: 848 - 860

DOI: https://doi.org/10.12342/zgstly.20220059

海洋旅游

基于蚁群算法的多目标最优旅游线路规划设计

  • 翟淞 , 1 ,
  • 吕宁 1 ,
  • 李烨 , 2, * ,
  • 房俊晗 1
展开
  • 1.山东轻工职业学院，淄博 255300
  • 2.山东管理学院，济南 250300
*李烨（1987-），男，博士，研究方向为饮食文化与旅游规划。E-mail:

翟淞（1987-），男，硕士，研究方向为智慧旅游规划与开发。E-mail:

收稿日期: 2022-05-09

  修回日期: 2022-10-08

  网络出版日期: 2022-12-06

基金资助

山东省人文社会科学基金项目(2020-NDJJ-09)

收起

Multi-objective optimal tourism itinerary planning and design:The application of ant colony algorithm

  • Zhai Song , 1 ,
  • Lyu Ning 1 ,
  • Li Ye , 2, * ,
  • Fang Junhan 1
Expand
  • 1. Shandong Vocational College of Light Industry, Zibo 255300, China
  • 2. Shandong Management University, Jinan 250300, China
*Li Ye. E-mail:

Received date: 2022-05-09

  Revised date: 2022-10-08

  Online published: 2022-12-06

Fold

摘要

旅游线路受供需双方旅行成本、旅游者体验感和目的地交通的影响。传统旅游线路设计主要采用基于目的地之间空间距离的蚁群算法。本研究结合帕累托最优模型，综合考虑旅游目的地之间的空间距离、天气状况和交通状况等多种因素，提出改进型蚁群算法的多目标最优旅游线路规划设计方法。通过MATLAB软件进行仿真实验进行检验，固定旅行时长，从空间距离、交通体验指数和游览体验指数（基于天气状况）角度对改进后的方法进行综合评价。结果表明：在以多个旅游城市（景点）为对象的试验中，传统蚁群算法为了获得最短距离，大量牺牲了其他两项指数的优化；改进后的蚁群算法虽然增加了线路距离，但使旅游者获得了多项旅游体验，验证了帕累托最优模型下多目标最优旅游线路规划设计的有效性。

关键词： 旅游线路设计; 传统蚁群算法; 改进型蚁群算法; 帕累托最优模型

本文引用格式

翟淞 , 吕宁 , 李烨 , 房俊晗 . 基于蚁群算法的多目标最优旅游线路规划设计[J]. 中国生态旅游, 2022 , 12(5) : 848 -860 . DOI: 10.12342/zgstly.20220059

Abstract

Travel itinerary is affected by the spatial distance between destinations, tourism experience and traffic conditions. The traditional travel itinerary design is mainly based on the spatial distance between destinations with the application of ant colony algorith. Based on ant colony algorithm and Pareto optimal model, this paper constructs a multi-objective optimal tourism route planning and design method considering the factors of spatial distance between destinations, weather conditions and transportation. Through MATLAB simulation experiment, with the fixed travel time, the improved method is comprehensively evaluated from the perspectives of spatial distance, traffic experience index and browsing experience index (based on weather conditions). The results show that in the experiments of multiple tourist cities (scenic spots), the traditional ant colony algorithm sacrifices a lot of optimization of the two indexes in order to obtain the shortest distance. Although the improved ant colony algorithm increases the route distance, tourists can obtain more tourism experiences, which verifies the effectiveness of multi-objective optimal tourism itinerary planning and design under the Pareto optimal model.

Key words： tourism itinerary planning; ant colony algorithm; improved ant colony algorithm; pareto optimal model

1 引言

由于旅游交通可达性、出游时间、旅游诉求等因素影响，旅游者出游线路研究与规划具有较强的理论和实践应用价值。现今旅游线路规划设计主要借鉴旅行社已有的方案，或者利用卫星地图信息规划方法等诱导性方案[1]。在设计旅游线路的过程中，诸如此类方案通常仅以解决各个目的地之间的空间距离为目标，寻求空间距离上的最优解，往往在解决实际问题时的效果有限。面对城市（景点）与城市（景点）之间复杂多变的交通数据信息，游客通常也很难单独凭借自己的能力来选取一个合理的旅游线路。因此，合理的旅行线路规划对于提升游客的体验度具有重要意义[2]。为了进一步加强旅游线路设计的有效性，还需要综合考虑出行者需求、道路实时状况等多个因素，制定出游路径决策方案。选择多目标的最优路线来进行旅游线路的规划设计算法的改进，在复杂的环境中寻找最优路径，可以减少游客旅行能源的消耗和旅行成本，节省旅行时间，提高旅行质量，从而提升游客的游览体验。

2 多目标的蚁群算法参数设计

旅游线路的规划包含多重影响因素。旅游产业不同于其他产业的特点也决定了旅游线路规划的特殊性。从游客角度出发，旅行的影响因素包含旅行的时间、距离、花费以及游客的游览体验度等。保继刚等提出可达性是影响旅游资源空间相互作用的一个重要条件，也是影响游客体验度的一个重要指标[3]。帕累托最优是蚁群算法的优化目标，也是旅游线路规划过程中的理想回报。本研究提出的旅游线路规划的优化算法，则主要从距离问题、天气状况和交通状况3个方面对线路进行帕累托改进，实现帕累托最优的线路开发设计。

2.1 空间距离

旅游线路的规划首先要解决距离问题，此处将其设定为数学领域中著名的旅行商问题，也就是空间距离（Traveling Salesman Problem，TSP）问题。旅行商问题又称担货郎问题、旅行推销员问题，即假设一个旅行商人在路径限制为每个城市（景点）只能路过一次然后回到起点的前提条件下，走遍所有需要到达的城市（景点）进行货品的推销，而他所选择路径的路程必须为所有路径中的最小值[4]。在解决TSP问题的前提下开发设计旅游线路，获取的线路必定为距离最近的线路，也就意味着在一定程度上节省了在旅行过程中去往每个城市（景点）之间路程上的时间和交通工具能源消耗。

2.2 天气状况

天气状况作为影响旅游业的非经济重要因素之一，在旅游线路的规划设计中扮演着重要角色。特殊的天气与气候有时可作为景点的特色景观，吸引游客来访，但有时也会成为旅行的不利因素[5]。天气状况作为辅助性资源和障碍性因素，对旅游活动造成积极或消极影响。户外游览时，天气状况对游客在舒适性等方面的体验起到至关重要的作用[6]。选择尽量适宜的天气来旅行，对提升游客的旅游体验至关重要。天气变化多端，但是合理地利用天气进行旅游路径的规划可以最大化地发挥天气作为旅游辅助性资源的作用，规避其对旅行的障碍性因素。

2.3 交通状况

各类景点周边的交通状态往往会在节假日或法定休息日出现爆炸性的拥堵，而此问题在城市旅游景点尤为突出。研究城市旅游景点周边路网交通状态及旅游景点对其周边路网交通状态的影响，有助于解决城市旅游景点周边道路资源的供需矛盾，为城市旅游景点和城市道路交通的规划管理提供依据[7]。针对各类旅游景点具有的不同特征、各类景点所处的区位和景点的吸引力对城市交通不同程度的影响[8]，来规划设计旅游线路，使线路更加地合理化和智能化，可以在一定程度上规避和减少旅游景点游客的超负荷承载量。
因此，需要从出行者的需求、道路实时状况等多个因素出发，综合决策路径规划方案，以提升游客的出行体验为目的，设计一款多目标优化的旅游线路方案，进一步加强旅游线路设计的有效性。

3 改进型蚁群算法

3.1 蚁群算法的线路结构表达

蚁群算法（ant colony algorithm）是基于对真实蚁群行为的观察提出的一种规划算法[9]，由意大利科学家Marco Dorigo等人在观察蚂蚁发现食物的过程中寻找路径的行为时提出的一种用来寻找优化路径的概率型算法[10]。该算法由Dorigo等人形成的系统性研究[11]，是一种具有分布计算、信息正反馈和启发式搜索的特征的算法，其本质是一种基于仿生学进化原理开发的启发式全局优化算法。蚁群系统概念（ant system或ant colony system）指在研究蚂蚁觅食的过程中，相对于单个蚂蚁的简单行为，蚁群整体表现出的部分智能行为。为提出改进型算法，首先对相关的概念和问题做如下定义，对应的线路结构G如图1所示。
图1 旅游城市（景点）线路结构表达图

Fig. 1 Itinerary structure of tourist cities (scenic spots)

（1）将涉及的旅游城市（景点）和线路表达成图结构：该图结构G是由节点（图中圆点）和边（图中直线）构成的。为了表达方便，给出节点和边的数学定义。定义 V = { v 1 , v 2 , … , v n }构成图结构的节点集合。定义 L = { l i j | v i , v j ∈ W = V × V }构成图结构的边集合。 G = ( V , L )即为文章中所考虑的图结构的数学表达形式。
（2）临近城市集合：对每个图上的节点 i，定义临近区域列表： N i = m | l i m , ∈ L。对于第 k只蚂蚁，定义集合 N i k = { m | m ∈ N i , m ∉ Ψ k }。该集合指出了存在于节点 i附近的所有节点，且该节点还没有被蚂蚁经过。特别地， Ψ k定义了蚂蚁 k经过的所有节点。
（3）启发函数：在本研究中，启发函数定义为 η i j = 1 / d i j。此处的 d i j为节点 i和节点 j之间的距离。
（4）信息素浓度追踪：每只蚂蚁根据图 G中边上信息素的浓度来确定下一个倾向于去访问的城市（景点）。蚁群算法根据信息素浓度的统计概率来选择一条路径。该统计概率 p i j k定义如下：
p i j k = ( τ i j ) α ( η i j ) β ∑ ( τ i m ) α ( η i m ) β , j ∈ N i k 0 , 其 他
式（1）中， τ i j是指在连接节点 i和节点 j的边上被探测到的信息素浓度，α和β是可调节参数，由人为设置。
（5）信息素浓度更新：在蚁群算法中，两个节点之间的边的信息素改变和更新被定义为：
Δ τ i j k = Q J ( Ψ k ) , l i j ∈ Ψ k 0 , 其 他
式（2）中， J ( Ψ k )表示总的路径长度。 Q是一个常量。信息素浓度被更新为： τ i j ← τ i j + ∑ Δ τ i j k。

3.2 多目标决策问题

在多目标决策问题中，多个目标需要同步或有选择性地得到优化。通常来说，该决策问题不存在唯一解。该问题的所有解构成了帕累托集，在这个集合中的解都是符合目标最优的。这也就是我们通常所说的帕累托最优问题。帕累托最优法则又称8/2法则，是博弈论中的重要概念[12]。帕累托改进是达到帕累托最优的路径和方法，是指改进的结果至少对一人有利，并且不会影响任何人的利益。通过综合考虑驶向目的地过程中整体的行驶时间、行驶道路状况、行驶过程中的天气变化和行驶过程中交通密度等因素，结合帕累托最优模型，在传统蚁群算法的基础上，设计多目标最优的蚁群算法，进行运算分析验证，从而得出最优的旅行路线。此处的最优遵循就是帕累托最优法则。该问题的数学定义如下：
（1）在所有的目标中， x i解至少不比 x j的解差，表示为： f i ( x 1 ) ≤ f i ( x 2 )对于所有的 i ∈ 1,2 , … , k。
（2）在一个目标中，至少 x i解至少要比 x j的解要好，表示为： f i ( x 1 ) ≤ f i ( x 2 )对至少一个 i ∈ 1,2 , … , k 。

3.3 旅游线路多目标蚁群算法的改进

3.3.1 本研究提出的算法

如前文所述，设计基于蚁群的多目标优化算法最重要的一步是信息素和启发函数的定义。一般来说，当目标不可以采用重要性来衡量时，有两种定义信息素的方式。第一种方式，对多种不同的目标采用多种不同类别的信息素。第二种方式，对所有的目标采用同一类别的信息素。本研究采用第二种方式，算法的整体流程如图2所示。
图2 改进算法流程图

Fig. 2 Flow chart of improved algorithm

算法具体流程解释如下。
产生初始化的粒子：不同于传统蚁群算法随机初始化蚂蚁位置的特点，在初始化过程中，将每个蚂蚁置于固定的位置。
采用以下规则确定下一个蚂蚁要行进的点：采用基于帕累托局部搜索的方法来找到基于蚁群算法的多目标优化的解。该算法从某一个节点开始算起，计算其邻居节点的目标函数值。这个操作将发现一系列的非统治性最优解。然后，这些非统治性解将被添加到局部缓存中。通过对他们进行排序，选择这些非统治性解中的最优解，然后启发式函数的定义变成：
η i j = 1 r a n k ( a r c j )
在多目标优化的状态下，帕累托局部搜索的方法能够稳定地选择下一个最优的节点。除此之外，为了执行算法在每个点的执行效率，邻居节点的位置首先被放到缓存里面，然后只对缓存中的节点执行计算。
信息素浓度更新的定义：本研究提出的算法优势在于每个蚂蚁的信息素浓度都是一个包含所有涉及目标函数的综合函数。根据上文中提出的目标函数的定义，在帕累托局部搜索中路径的阶次和交通拥挤度越高，则这条路径越容易被选择。根据这个定义，在选择路径时考虑了所有涉及的目标。
信息素浓度被定义为：
τ i j = τ i j + Q ( r a n k j ) γ
式（4）中， γ是分配给阶数的权重。在蚁群算法中，信息素的浓度除了会随着蚂蚁的运动而时刻累积外，也会随着时间慢慢挥发，信息素挥发的量定义为：
τ i j = τ i j ( 1 - p )
式（5）中， p是信息素挥发的系数，可以在实验过程中提前定义好。根据非确定条件，对所有完成的路径进行排序，然后计算拥挤距离。计算拥挤距离的步骤如下：
（1）对于m=1, 2, …, M（M代表了目标函数的数量），对边界的点分配一个长距离。对所有其他的解j=2到j-1，按照如下的形式分配：
d l j m = d l j m + ( f m l j m - f m l j - 1 m ) ( f m m a x - f m m i n )
式（6）中，指数 I定义了分类的集合中第 j t h个成员的解的顺序。
（2）选择：当我们根据非确定性排序方法对初始粒子进行排序以后，接下来计算拥挤距离，然后根据如下原则挑选程序，即如果对于两个节点，排序和拥挤距离是相同的，那么本算法将随机选取这两个节点。
（3）粒子排序：排序更低的粒子将被优先选择。
（4）拥挤距离：假设p和q是一个排序的两个成员。那么对应更高拥挤距离的成员将被选择。排序的优先权大于拥挤距离，并且只有第一个帕累托优化边界上的点被确定为优化路径。
（5）交叉检验确定新的路径：根据优化原理，整体全局优化路径的每一小段路径都可以单独优化。因此，为了评估新的路径，本研究提出的算法第一个帕累托优化边界，获得了一些含有一个或多个连接点的路径。连接点是在路上随意选择的，路径也从连接点处断开。因此，产生的路径是这两条路径的组合，其他的路径也可以作为新的路径被生成。
（6）检索用户经验和消耗的计算：因为专家的经验对于确定一个最优路径是非常重要的，在旅游路线规划的过程中，也需要听取用户本身对影响旅游路径规划的各类因素的不同侧重考虑。本研究把这些经验被储存在数据集中。当源程序和目标程序被确定以后，程序从数据库中调用两个选择的节点之间的路径，然后计算相应的目标函数。最后，计算目标函数后的排序，然后将排序最好的答案挑选出来作为结果使用。
（7）整合：将从初始程序汇总获得的路径和从交叉检验中获得的路径，以及用户的经验集成在一起，作为下一次迭代过程的输入。
采用早期整合种群群体中最好的成员替代粒子群。在早期阶段，低排序的成员被之前的粒子群替代，然后根据拥挤距离对他们进行排序。当选择程序结束，得到由用户倾向的最优解的集合。而这些解就是绘制帕累托优化边界的解。具体选择哪个解，可以根据用户的优先权选择，既用户可以根据自己的偏好，选择自己喜欢的路径，最终确定自己要走的所有路径。

3.3.2 算法的目标改进

在本研究中，目标函数是提供给用户选择的。在选择了出发点、途径点和结束点后，用户可以选择输入一个或者多个目标函数（如距离、旅游地点的天气等），下面列举几个旅游路径规划过程中常用的目标函数：
（1）最小油耗：按照如下公式的定义。
f 1 ( x , y ) = m i n ∑ i = 1 j - 1 D ( i , i + 1 )
式（7）中， i代表起点， j代表目标点。 D ( i , i + 1 )代表任意两个节点之间的距离。节点是通过本研究所提出的算法选择出来的。
（2）最小的交通消耗：按照以下公式定义：
f 2 ( x , y ) = m i n ∑ T r a f f i c ( i , i + 1 )
式（8）中， T r a f f i c ( i , i + 1 )代表任意两个节点之间的交通状况。节点是通过本研究提出的算法选择出来的。这个量的单位是交通流。这个值指示了单位时间内通过一个交通点的车辆的数量，即两个节点之间的拥堵情况。
（3）最适宜天气：本研究不失一般性地假设天气和最近距离近似符合反比例关系（若天气和距离满足正比例关系，则所述考虑路径长度和天气影响的多目标优化问题变成单目标优化问题），即因为天气影响所追求的游览距离越短，则游客所获得的游览体验则越差。该目标函数被定义为 f 3 ( x , y )。
除了上述指标外，在旅游路线规划过程中，还可以有多重不同形式的指标。但其他目标要么与路径长度正相关，要么负相关，因此本研究采用油耗、拥堵程度等与路径长度正相关的量，天气等假设为与路径长度负相关的量作为目标函数，充分考虑了各种可能的情况。

4 旅游线路多目标蚁群算法的实验论证

4.1 旅游线路多目标蚁群算法的实验参数设计与数据准备

为了验证改进的算法，本研究在仿真环境下，构建了一个多城市（景点）地图，各个城市（景点）的分布如图3所示。其中，起点标记了旅游者的出发位置。旅游者计划在3天内遍历所有城市（景点），完成游览观光。这里假设任何一个城市（景点）之间都可以通过直线道路直达。其中，各个城市（景点）之间的拥堵情况用0~1之间的数值表示，0代表极其拥堵，1代表通行状况良好，没有任何拥堵情况（表1）。各城市（景点）连续3天的天气用0~1之间的数值表示，1代表良好，0代表暴雨大风等恶劣天气（表2）。
图3 仿真环境下的多城市（景点）分布

Fig. 3 Multiple cities (scenic spots) distribution in simulated environment

表1 多个城市（景点）之间的总体交通状况

Tab. 1 General traffic conditions between multiple cities (scenic spots)

序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 - 0.7 1.0 0.1 0.1 0.5 0.5 0.4 0.2 0.1 0.3 0.5 0.9 0.1 0.5 0.5 0.4 0.6
2 0.7 - 0.5 0.7 0.2 0.2 0.4 0.5 0.1 0.3 0.5 0.6 0.2 0.6 0.7 0.8 0.9 0.8
3 1.0 0.5 - 0.5 0.2 0.1 0.5 0.5 0.6 0.2 0.1 0.3 0.2 0.1 0.5 0.5 0.1 0.2
4 0.1 0.7 0.8 - 0.8 0.7 0.6 0.5 0.3 0.2 0.1 0.7 0.1 0.2 0.3 0.1 0.5 0.8
5 0.1 0.2 0.2 0.8 - 0.5 0.5 0.5 0.5 0.3 0.6 0.8 0.6 0.2 0.5 0.7 0.4 0.8
6 0.5 0.2 0.1 0.7 0.5 - 0.7 0.2 0.7 0.8 0.4 0.5 0.6 0.1 0.2 0.5 0.9 0.2
7 0.5 0.4 0.5 0.6 0.5 0.7 - 0.9 0.1 0.2 0.4 0.3 0.5 0.6 0.7 0.8 0.5 0.4
8 0.4 0.5 0.5 0.5 0.5 0.2 0.9 - 0.8 0.5 0.2 0.1 0.2 0.1 0.5 0.5 0.5 0.1
9 0.2 0.1 0.6 0.3 0.5 0.7 0.1 0.8 - 0.4 0.4 0.2 0.6 0.4 0.5 0.7 0.8 0.2
10 0.1 0.3 0.2 0.2 0.3 0.8 0.2 0.5 0.4 - 0.7 0.2 0.3 0.2 0.2 0.5 0.5 0.3
11 0.3 0.5 0.1 0.1 0.6 0.4 0.4 0.2 0.4 0.7 - 0.3 0.2 0.4 0.1 0.5 0.5 0.7
12 0.5 0.6 0.3 0.7 0.8 0.5 0.3 0.1 0.2 0.2 0.3 - 0.1 0.2 0.3 0.2 0.1 0.7
13 0.9 0.2 0.2 0.1 0.6 0.6 0.5 0.2 0.6 0.3 0.2 0.1 - 0.8 0.1 0.2 0.5 0.5
14 0.1 0.6 0.1 0.2 0.2 0.1 0.6 0.1 0.4 0.2 0.4 0.2 0.8 - 0.9 0.2 0.1 0.1
15 0.5 0.7 0.5 0.3 0.5 0.2 0.7 0.5 0.5 0.2 0.1 0.3 0.9 0.9 - 0.8 0.2 0.1
16 0.5 0.8 0.5 0.1 0.7 0.5 0.8 0.5 0.7 0.5 0.5 0.2 0.2 0.2 0.8 - 0.6 0.2
17 0.4 0.9 0.1 0.5 0.4 0.9 0.5 0.5 0.8 0.5 0.5 0.1 0.1 0.1 0.2 0.6 - 0.1
18 0.6 0.8 0.2 0.8 0.8 0.2 0.4 0.1 0.2 0.7 0.7 0.7 0.1 0.1 0.1 0.2 0.1 -
表2 多个城市（景点）连续3天的天气情况

Tab. 2 Weather conditions in multiple cities (scenic spots) for three consecutive days

序号 1日 2日 3日 序号 1日 2日 3日
1 0.1 0.6 0.6 10 0.6 0.5 0.3
2 0.7 0.8 0.9 11 0.7 0.4 0.3
3 0.9 0.8 0.8 12 0.1 0.6 0.7
4 0.5 0.8 0.9 13 0.3 0.5 0.5
5 0.9 0.6 0.5 14 0.6 0.7 0.7
6 0.6 0.4 0.8 15 0.5 0.7 0.8
7 0.5 0.8 0.8 16 0.6 0.3 0.8
8 0.5 1.0 1.0 17 0.8 0.5 0.8
9 0.4 0.5 0.7 18 0.1 0.5 0.9

4.2 仿真实验

本研究主要做了对比试验来验证所提出算法的优越性。实验数据采用前述数据准备过程中的数据集合。
为了验证算法的有效性和算法的高效性，主要通过和传统单目标算法进行对比。假设旅游路径规划过程中，游客侧重考虑的目标函数包括：路径长度（耗油量）、道路拥挤程度（行程中体验）、游览过程中的天气情况（景点体验）3个重要内容。下面主要介绍对比实验过程中的实际设置和所取得的实验结果，从而得出结论。
（1）所提出方法的整体有效性。在本实验中，假设用户希望遍历完所有城市（景点）后返回出发点，图4展示了随着迭代过程目标数值上的变化。本研究主要列举了两个目标，目标一为游览过程中的拥堵情况，目标二为游览过程中的体验（天气情况），因为路径长度和拥堵程度成正相关关系，目标函数值越高则代表路况越好，所以此处不再进行数据表示。从图4中可以看出，随着不断迭代，两个目标函数值都有了提高，最终稳定在一个平衡位置，从而证明了本研究所提出算法的有效性。
图4 程序运行过程中各目标函数值变化情况

Fig. 4 The change of each objective function value during the running of the program

（2）只考虑路径长度的单目标蚁群算法。在本实验中，假设游客希望遍历所有城市（景点）。正如前述提到的，基于蚁群算法的单目标（路径长度）路径规划算法是传统常用且有效的多城市遍历路径规划算法。通过将改进的算法与只考虑路径长度的路径规划算法进行对比，可以发现本研究所提出算法的优越性。为保证一致性，所有的算法实施都在Windows操作系统下的MATLAB平台上。假设游客遍历完所有城市（景点）后，需要返回出发城市（景点），完成整个行程的闭环。
采用基于传统单目标蚁群算法进行多城市（景点）遍历路径规划，其所规划出的最短遍历路径如下图5（a）所示。最短路径规划城市（景点）遍历顺序为：1-3-6-7-8-9-17-16-15-10-11-5-13-14-18-12-4-2-1。其中，第一日游览1-3-6-7-8-9，第二日游览17-16-15-10-11-5，第三日游览13-14-18-12-4-2-1。采用该方法规划出的闭环游览路径的路径长度为12.65 km，总体拥挤程度指数为11.5，总的景点游览体验指数为10.0。
图5 单目标和多目标的城市遍历路径

Fig. 5 Traversal paths between single-target and multi-target cities

（3）综合考虑各种因素的多目标蚁群算法城市（景点）遍历顺序：采用本研究所提出的改进的多目标路径规划算法，其所规划出的多城市（景点）遍历路径如下图5（b）所示，最短路径规划城市（景点）遍历顺序为1-3-4-5-11-10-6-7-8-9-17-16-15-14-13-18-12-2-1。其中，第一日游览1-3-4-5-11-10，第二日游览6-7-8-9-17-16，第三日游览15-14-13-18-12-2-1。采用该方法规划出的闭环游览路径长度为12.74 km，总体拥挤程度指数为13.1，总的景点游览体验指数为11.0。
通过对比可以看出，相对于传统单目标路径规划算法，本研究所提出的多目标路径规划算法所规划出的路径长度稍长，但是其在避免拥堵、提升游览者的游览体验等方面的表现更好，因而能够从多个角度照顾游客的感受，使游客获得更好地出行体验。
（4）为了验证算法的鲁棒性，设置多种不同场景对所提出的算法进行了评估和验证。
不回到原出发点的规划。有时候在实际旅游过程中，游客不一定需要遍历完所有城市（景点）后返回出发点，因此需要文中的路径规划算法能够对实际旅游过程，即根据游客随意指定的终止点，依旧能够综合各种目标，规划出一条综合考虑各种因素的路径。采用改进的算法，对指定的3个不同目标点作为出发城市（景点）进行实验，实验效果如下。
目标点1：设置如图6（a）所示的18为最终到达点，采用本研究所提出的多目标路径规划算法，规划出一条遍历所有城市（景点）的路径，遍历顺序为1-3-4-5-11-10-6-7-8-9-17-16-15-14-13-18-12-2。其中，第一日游览1-3-4-5-11-10，第二日游览6-7-8-9-17-16，第三日游览15-14-13-18-12-2，总的路径长度为11.64 km，总体拥挤程度指数为12.4，总的景点游览体验指数为11.0。
图6 多个目标采用所开发蚁群算法的表现

Fig. 6 Performance of multiple targets using the developed ant colony algorithm

目标点2：设置如6（b）所示的18为最终到达点，采用本研究所提出的多目标路径规划算法，规划出一条遍历所有城市（景点）的路径，遍历顺序为1-2-3-4-12-18-14-13-5-11-10-15-16-9-17-8-7-6。其中，第一日游览1-2-3-4-12-18，第二日游览14-13-5-11-10-15，第三日游览16-9-17-8-7-6，总的路径长度为12.06 km，总体拥挤程度指数为10.5，总的景点游览体验指数为10.7。
目标点3：设置如图6（c）所示的18为最终到达点，采用本研究所提出的多目标路径规划算法，规划出一条遍历所有城市（景点）的路径，遍历顺序为1-2-3-4-6-7-8-9-17-16-10-11-15-14-13-18-12-5，其中，第一日游览1-2-3-4-6-7，第二日游览8-9-17-16-10-11，第三日15-14-13-18-12-5，遍历所有城市（景点）的总路径长度为11.94 km，总体拥挤程度指数为11.2，总的景点游览体验指数为10.6。
通过实验对比可以发现，本研究改进的算法不仅能够在闭环城市（景点）访问过程中，实现对所有城市（景点）的游览，还能够综合考虑旅游路线规划过程中需要考虑的如天气、拥堵情况等各种因素，规避拥堵路段，且规划出来的路径使游客体验更好。总体来看，改进的算法针对不同的实验设置都能够发挥良好的效果，因此充分证明了算法的有效性，为算法在实际旅游路线规划过程中的应用奠定了良好的基础。
通过对比改进算法与传统算法的响应时间，验证算法的规划效率。将本研究所提出的改进后算法和传统单目标的蚁群规划算法进行了对比，并设置了两种不同的情况，分别计算从1城市（景点）出发回到城市（景点）1的路径规划时间（回到原出发点），以及从1城市出发，回到2城市（景点）的路径规划时间（不回到原来出发点）。每个实验重复10次，路径规划算法所需要的响应时间对比结果分别见表3和表4。
表3 回到原出发点的规划响应时间对比表（秒）

Tab. 3 The comparison of planned response time for returning the original starting point (seconds)

方法对比 1 2 3 4 5 6 7 8 9 10
改进算法 1.0 1.2 1.1 1.1 1.1 1.1 1.0 1.0 1.1 1.1
传统算法 1.5 1.5 1.3 1.5 1.3 1.4 1.6 1.5 1.5 1.3
表4 不回到原出发点的规划响应时间对比表（秒）

Tab. 4 The comparison of planned response time without returning to the original starting point (seconds)

方法对比 1 2 3 4 5 6 7 8 9 10
改进算法 0.9 0.8 0.9 1.0 0.9 0.8 0.9 0.8 0.8 1.0
传统算法 1.2 1.3 1.2 1.3 1.3 1.2 1.1 1.2 1.4 1.3

5 结论与启示

文章分析了旅游线路规划的影响因素，选出3个代表性的因素作为目标，再以帕累托最优为基准概念，以蚁群算法为基础针对多目标进行算法的优化。通过仿真实验验证了与传统蚁群算法相比，改进算法在旅游线路规划上的有效性。首先，建立了目标最优旅游线路规划的多目标参数体系。通过对上述目标参数的离散化处理，在方便计算的同时，也能有效地体现实时交通特征与游客驾驶体验。其次，建立了基于多目标帕累托最优的改进蚁群算法。为了改善路径规划中单目标寻优的求解方式，在综合考虑游客需求、多种道路场景的情况下，利用多目标帕累托最优的优化方式，实现了对基于蚁群算法的改进。最后，通过最小油耗、最优路况、最适宜天气3个目标函数体系之间的博弈，分别模拟在不同路网间、不同日期、不同线路场景下游客的出游路径，验证了改进后算法对各目标参数都具有良好的性能优化。同时游客还可以通过自主调整各参数的期望值，形成个性化方案。
研究多目标最优旅游线路的规划，能够使旅游线路的设计与开发更加地合理与智能化，使游客可以在无需借助导游人员引导的情况下，迅速了解旅游目的地的资源信息，同时获取优化后的旅游线路。在遵从帕累托最优的前提下，减少了游客在旅行过程中人力、资源以及时间上的过度耗损，提升游览体验，同时也对旅游资源的整合和旅游规划具有重要的意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李渊, 丁燕杰, 王德. 旅游者时间约束和空间行为特征的景区旅游线路设计方法研究[J]. 旅游学刊, 2016, 31(9): 50-60.

[ Li Yuan, Ding Yanjie, Wang De. A new approach for designing tourist routes by considering travel time constraints and spatial behavior characteristics of tourists[J]. Tourism Tribune, 2016, 31(9): 50-60.]

[2]
黄勇, 王亚风, 黄晖, 等. 风景名胜区游线网络结构测评及规划优化: 以重庆长寿湖为例[J]. 地域研究与开发, 2018, 37(3): 107-112.

[ Huang Yong, Wang Yafeng, Huang Hui, et al. Tourist route network structure evaluation and planning optimization of scenic spot: A case study of Changshou lake, Chongqing[J]. Areal Research and Development, 2018, 37(3): 107-112.]

[3]
保继刚, 杨虹霓, 翁时秀. 中国旅游地理学的发展与创新[J]. 经济地理, 2021, 41(10): 79-86.

[ Bao Jigang, Yang Hongni, Weng Shixiu. Development of tourism geography as a discipline in China[J]. Economic Geography, 2021, 41(10): 79-86.]

[4]
Lee J. Heterogeneous-ants-based path planner for global path planning of mobile robot applications[J]. International Journal of Control, Automation and Systems, 2017, 15(4): 1754-1769.

DOI

[5]
包战雄. 台湾地区旅游客流与气象因子的关系研究[D]. 福州: 福建师范大学, 2016.

[ Bao Zhanxiong. Relationships between tourist flows and meterological factors in Taiwan, China[D]. Fuzhou: Fujian Normal University, 2016.]

[6]
彭红松, 刘晗, 尚晓艳, 等. 旅游衔接2030年可持续发展目标: 文献回顾与未来议程[J]. 中国生态旅游, 2022, 12(2): 220-236.

[ Peng Hongsong, Liu Han, Shang Xiaoyan, et al. Tourism connecting the 2030 Sustainable Development Goals: Literature review and research agenda[J]. Journal of Chinese Ecotourism, 2022, 12(2): 220-236.]

[7]
高悦尔, 崔桂籽, 胥川, 等. 基于浮动车数据的城市旅游景点周边路网交通状态评价[J]. 经济地理, 2019, 39(3): 225-231.

[ Gao Yueer, Cui Guizi, Xu Chuan, et al. Road traffic status in the surrounding of urban tourist attractions based on FCD[J]. Economic Geography, 2019, 39(3): 225-231.]

[8]
王姣娥, 李涛. 交通强国背景下中国交旅融合研究进展与展望[J]. 中国生态旅游, 2022, 12(1): 1-15.

[ Wang Jiaoe, Li Tao. Research progress and prospect of transport and tourism integration in China in the context of building national strength in transportation[J]. Journal of Chinese Ecotourism, 2022, 12(1): 1-15.]

[9]
Ragmani A, Omri A E, Abghour N, et al. A performed load balancing algorithm for public cloud computing using ant colony optimization[J]. Recent Patents on Computer Science, 2018, 11(3): 179-195.

DOI

[10]
Dorigo M, Gambardella L M. Ant colony system: A cooperative learning approach to the traveling salesman problem[J]. IEEE Trans. Evolutionary Computation, 1997, 1(1): 53-66.

DOI

[11]
Dorigo M, Blum C. Ant colony optimization theory: A survey[J]. Theoretical Computer Science,. 2005(2):243-278

[12]
Wu J, Chu J F, Sun J S, et al. DEA cross-efficiency evaluation based on Pareto improvement[J]. European Journal of Operational Research, 2016, 248(2): 571-579.

DOI

Options
文章导航

/

〈 〉