ارائه برنامه ریزی سفر یک روزه با استفاده از الگوریتم ژنتیک

برنامه ریزی سفر، یک جنبه حیاتی از گردشگری است که چالش های قابل توجهی را برای بازدیدکنندگانی به همراه دارد که شهرهای ناشناخته را کاوش می کنند. مسئله طراحی سفر گردشگری (ttdp) به بهینه سازی مسیرها برای گردشگران علاقه مند به بازدید از چندین نقطه جذاب (poi) با هدف افزایش کارایی فعالیت های دیداری روزانه در یک شهر می پردازد. مطالعه ما، مسئله طراحی سفر گردشگری را با استفاده از مسئله مسیریابی (op) و با در نظر گرفتن محدودیت های سفر خاص کاربری مانند محدودیت های زمانی و نقاط شروع و پایان مشخص در poiهای خاص، مدل سازی می کند. علاوه بر این، یک رویکرد نوآورانه معرفی شده است که سطوح علاقه کاربر را بر اساس ترجیحات مدت زمان بازدید و به صورت شخصی سازی شده، در مدل برنامه ریزی سفر در نظر می گیرد؛ از طریق الگوریتم های ژنتیک می توان اطمینان داشت که این رویکرد، کارایی جستجوی قوی را به دست آورد و همچنین، بهینه سازی های سراسری و محلی را تسهیل نماید. ارزیابی های تجربی بر روی مجموعه داده های واقعی نشان می دهد که الگوریتم پیشنهادی ما، عملکرد برتری در دستیابی به برنامه های سفر متنوع و بهینه دارد و تایید می شود که این روش در مقیاس پذیری در مقابل اندازه های مختلف مسئله و اهداف بهینه سازی موثر است.

one-day travel planning using a genetic algorithm

travel planning is a critical aspect of tourism، presenting significant challenges for visitors exploring unfamiliar cities. the tourist trip design problem (ttdp) focuses on optimizing routes for tourists interested in visiting multiple points of interest (pois) to enhance the efficiency of daily sightseeing activities in a city. our study models the ttdp using the orienteering problem (op) while considering user-specific travel constraints such as time limitations and fixed start and end points at particular pois. additionally، an innovative approach is introduced that incorporates user interest levels based on personalized visit duration preferences into the travel planning model. by utilizing genetic algorithms، this approach ensures robust search efficiency and facilitates both global and local optimizations. empirical evaluations on real-world datasets demonstrate that our proposed algorithm outperforms in achieving diverse and optimized travel plans and is confirmed to be effective in scalability concerning different problem sizes and optimization goals.