[发明专利]一种基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法

说明书

一种基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法，首先，将鲸鱼算法中的鲸鱼群体看成预计在某时段内在相同景区游览不同景点的游客群体，对算法初始化设置并生成初始游客数，然后利用适应度函数获得初始游客当前所在位置上的适应度值(即目标函数值)，从而确定初始游客的最优位置与全局最优位置并记录下来放入最优解池中。并且可以从路程的远近角度出发为游客提供一个比较舒适的旅行路线，能够在实际的旅游路径规划中帮助旅行者们寻得一条较好的旅游路径。

技术领域

本发明属于旅游路径规划算法技术领域，具体地说，涉及一种基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法。

背景技术

随着旅游经济的发展和人们生活方式的变化，人们越来越热衷于自驾游，因此游客对旅游服务信息的需求迅速增加。但如何安排个性化的旅程是一项非常棘手的事情，游客往往无法寻得一条最方便、快捷且适合自己的出行路线。旅游路径规划的出现便很好地缓解了这一问题。随着旅游路径规划的兴起，TSP问题(旅行商问题)成为了旅游路径规划中的一方面，在旅游路径规划中，TSP问题的有效解决将对旅游路径规划中如何更好地利用旅行者的旅行时间及费用等问题有很大的帮助。

TSP问题(Traveling Salesman Problem)是数学领域中的著名问题之一，该问题就是假设一个人需要经过n个城市，他需要在这n个城市中选择所要走的路径，路径的限制条件是每个城市只能走一次，最终需要回到起点城市，并且需要所求得的路径的路程为所有路径之中的最小值。该问题的核心就是如何寻得一条经过这n个不同的城市且不重复经过每一个城市的最优路径。

针对如何解决TSP问题，科学家们研究了许多的群智能算法进行解决，其中包括有蚁群算法、人工鱼群算法、粒子群算法、遗传算法等。随着群智能算法被不断地挖掘，2016年，澳大利亚学者Mirjalili和Lewis根据座头鲸的独特的泡泡网觅食行为提出了一种新型群智能优化算法，即鲸鱼优化算法(Whale Optimization Algorithm,WOA)，该算法分为三个阶段，分别为包围捕食、螺旋更新、搜寻猎物阶段。

鲸鱼算法是一种元启发式优化算法，该算法与其他群智能算法相比具有结构简单、参数少、搜索能力强且易于实现等特点。但由于该算法的研究及应用仍处于起步阶段，因此该算法还存在着求解精度较低、易陷入局部最优且收敛速度较慢等缺点。因此传统的鲸鱼算法并不能很好地应用到旅游路径规划中。

有鉴于此特提出本发明。

发明内容

为解决上述技术问题，本发明采用技术方案的基本构思是：

基于鲸鱼优化算法与人工鱼群算法的旅游路径规划方法的大致思路如下：首先，将鲸鱼算法中的鲸鱼群体看成预计在某时段内在相同景区游览不同景点的游客群体，对算法初始化设置并生成初始游客数，然后利用适应度函数获得初始游客当前所在位置上的适应度值(即目标函数值)，从而确定初始游客的最优位置与全局最优位置并记录下来放入最优解池中。然后随着算法的不断迭代，游客根据多种个体位置更新公式进行位置更新，将计算出的每次新位置的适应度值与之前位置的适应度值进行比较，从中选取更小适应度值(更优)的游客的最优位置与全局最优位置。通过多次的迭代，最终可获得一条从起始位置出发，历经各个景点且不重复，最终又回到起始景点，并且每条路径的适应度值最小(即最优)的最优旅行路径。

本发明与现有技术相比具有以下有益效果：

本发明中将游客寻找游览不同景点的最优路径的行为类比于鲸鱼种群觅食行为，从而可以实现将该优化算法转变为一种旅游路径规划的方法。算法过程中的游客可看成鲸鱼，本发明与传统的鲸鱼算法之间的主要区别在于，本发明中改进的鲸鱼算法是结合了人工鱼群算法的拥挤度的特点，由于人工鱼群算法具有拥挤度概念，可以很好地避免由于某一个区域内鱼群数量过多而导致鱼群陷入局部最优的问题。因此将该拥挤度的概念引入到鲸鱼算法中也可以有效解决鲸鱼算法的易陷入局部最优的问题。