一种面向参数不确定路程规划问题的蚁群寻优方法

本发明涉及一种在参数不确定条件下的路径规划方法，特别设计了旅游行业背景下的旅游行程规划，即指定起点、终点以及开始、终止时间，为游客规划出一条合理的包含一系列景点的行程安排，在保证该行程能够满足时间约束和地点约束的情况下，尽可能的增加景点总效用，降低总费用。

背景技术：

随着人工智能的兴起和大数据技术的普及，传统行业与互联网技术的结合正在加速，电子商务形式的出现，改变着人们的旅游方式，由过去的被动接受服务到主动个性化选择服务的方式转变，尤其是经历本次疫情后，用户的线上选择预定的习惯明显将得到提升。但是，旅游的相关信息数据非常庞大，类型也多种多样，比如：酒店、景点、交通等等。面对海量的旅游信息，游客如果自己去查询筛选，不仅不方便，而且需要浪费大量时间，效率极低。如何更好的有针对性的帮助游客筛选出有用信息，为游客提供规划出个性化的出行方案，然后推荐给游客，已经变成了当今旅游行业急需解决的问题。旅程规划就是为广大游客量身定做，根据用户要求，为用户规划出一条在合理的、省钱、用户满意度高的旅游路线。

当前旅程规划问题的研究成果主要以路况稳定，旅行时间、景点效用等参数是确定值为前提。可事实上，同一条道路在不同时间段路况是不一样的，城市交通网络具有一定的不确定性，故交通时间是个不确定值。旅程规划问题严重的依赖时间，交通时间不确定会带来其他很多因素的不确定性，例如费用、景点效用。因此，将不确定因素引入旅程规划问题中进行深入的探讨更有现实意义。针对现实世界存在着交通时间不确定的现象，建立了参数不确定的多目标旅程规划问题(many-objectivetouristtripdesignproblemwithuncertainparameters,简称mo-ttdp-up)。由于参数不确定性带来的目标函数无法计算和推荐的旅游路线无法保证其稳健性两大难点，所以传统的优化方法无法有效解决mo-ttdp-up问题。为了解决上述问题本发明先将随机变量两地点间的交通时间转化为区间，进而估算出其他不确定因素，将不确定值转化为精确值，解决目标函数无法计算问题。同时为了保证所求的路线稳健性，本文改进传统蚁群方法，蚂蚁在选择下一景点时，需要考虑候选景点的交通时间的区间长度。这使得蚂蚁更倾向于选择变量波动较小的景点，这即能保证解的稳健性又能减小时间资源的浪费。

技术实现要素：

由于参数不确定性带来的目标函数无法计算和所推荐的旅游路线无法保证其稳健性两大难题，传统的进化多目标优化方法不再适用。本文提出了一种面向参数不确定路程规划问题的区间蚁群寻优方法，来解决以上问题。

本发明思路：参数不确定无法计算目标函数，这使得难以挑选出优秀解。通过将交通时间这个变量转换成一个合理的置信区间，将这个变量固定在某个范围，进而估计出它变化所带来的其他不确定因素的值，将不确定值转化为精确值后就能比较出解的优劣。此外，为了保证解的稳健性，即该旅游路线规划方案不容易受到变量的影响，我们需要进一步利用该区间信息，使得蚂蚁更倾向于稳定性较好的景点作为下一个景点。

具体步骤为：

一种将不确定参数估值方法

步骤1：对各地点间交通时间ti,j进行数据采样。

步骤2：对该数据样本使用极大似然估计，得到正态参数信息ti,j～n(μ,σ²)。

步骤3：计算交通时间ti,j在置信度为95％下的置信区间

步骤4：交通时间取其区间中值通过该时间进一步预估出到达下一景点时间下一景点等待时间下一景点实际游览时间下一景点j的效用收益这些均为精确值。

一种利用区间信息的蚁群寻优方法

步骤1：初始化各景点间的路径上的信息素初始值，设置最大迭代次数maxg，信息素启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数量n以及状态转移概率p0。

步骤2：将n只蚂蚁放置在起点处。

步骤3：每只蚂蚁根据随机概率转移公式，计算候选景点列表中各个景点的选择概率，再根据轮盘赌法选择出下一景点，将这个景点从该蚂蚁候选景点列表中删除。

步骤4：重复步骤3，直到蚂蚁选择的下一景点为终点，(跳到步骤6)或者到达下一时间超过离开时间(到达步骤5)。

步骤5：不断删除最后一个景点，加入终点。直到到达终点的时间小于离开时间。

步骤6：n只蚂蚁全部到达终点，计算出各路径的总花费、和总效用。蚂蚁所经过的路径分泌信息素。

步骤7：判断当前的迭代次数是否小于最大迭代次数maxg，若小于，重置每只蚂蚁的候选景点列表，返回步骤2；否则，本方法迭代结束，输出最佳方案。

附图说明

图1是路程规划问题的简单示意图。

图2是路程规划问题总流程图。

图3是标准正态分布95％置信度下置信区间示意图。

图4是区间蚁群寻优方法流程图。

具体实施方式

一种将不确定参数估值方法

步骤1：对各地点间交通时间ti,j进行数据采样。

步骤2：对该数据样本使用极大似然估计，得到正态参数信息ti,j～n(μ,σ²)。正态分布的概率密度函数符合概率密度函数符合其中t为交通时间ti,j的某一取值。

步骤3：计算交通时间ti,j在置信度为95％下的置信区间即

步骤4：交通时间取其区间中值通过该时间进一步预估出到达下一景点时间下一景点等待时间下一景点实际游览时间下一景点j的效用收益这些均为精确值。

一种利用区间信息的蚁群寻优方法

步骤1：初始化各景点间的路径上的信息素初始值，设置最大迭代次数maxg，信息素启发因子α、期望启发因子β、信息素挥发因子ρ、信息素更新常量q、蚂蚁数量n以及状态转移概率p0。

步骤2：将n只蚂蚁放置在起点处。

步骤3：每只蚂蚁根据随机概率转移公式，计算候选景点列表中各个景点的选择概率，再根据轮盘赌法选择出下一景点，将这个景点从该蚂蚁候选景点列表中删除。各候选景点概率其中c为这只蚂蚁的候选景点列表，i为上一景点，τij为上一景点i至下一景点j路径上的信息素，ηj为下一景点启发信息，w(j)为到达下一景点交通时间的置信区间宽度。

步骤4：重复步骤3，直到蚂蚁选择的下一景点为终点，(跳到步骤6)或者到达下一时间超过离开时间(到达步骤5)。

步骤5：不断删除最后一个景点，加入终点。直到到达终点的时间小于离开时间。

步骤6：n只蚂蚁全部到达终点，计算出各路径的总花费、和总效用。蚂蚁所经过的路径分泌信息素。总费用为路线中各景点花费和路径花费之和，总效用为各景点的实际效用收益之和。局部信息素更新方式

步骤7：判断当前的迭代次数是否小于最大迭代次数maxg，若小于，重置每只蚂蚁的候选景点列表，更新全局信息素τij(t+1)＝(1-ρ)τij(t)+ρδτij(t)，返回步骤2；否则，本方法迭代结束，输出最佳方案。