最佳旅游线路-数学建模分析

合集下载

数学建模层次分析法旅游景点选址举例

数学建模层次分析法旅游景点选址举例

假期到了, 某学生打算做一次旅游, 有四个地点可供选择, 假定他要考虑5个因素: 费用、景色、居住条件、饮食以及旅游条件. 由于该学生没有固定收入, 他对费用最为看重, 其次是旅游点的景色, 至于旅游条件、饮食, 差不多就行, 住什么地方就更无所谓了. 这四个旅游点没有一个具有明显的优势, 而是各有优劣. 该同学拿不定主意, 请用层次分析法帮助他找出最佳旅游点。

正文:1、利用层次分析法构造层次分析模型:图1-12、利用成对比较法对准则层、方案层进行列表费用对比(表2-3)(表2-4)(表2-5)旅游条件对比2.构造成对比较判断矩阵(1) 建立准则层对目标层的成对比较判断矩阵153931/511/221/21/321311/91/21/311/31/32131A ⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦(2) 建立方案层对准则层的成对比较判断矩阵111/31/51/7311/21/45211/21/7421B ⎛⎫ ⎪ ⎪= ⎪ ⎪⎝⎭211/24321551/41/5111/31/511B ⎛⎫⎪ ⎪= ⎪ ⎪⎝⎭316581/61121/51171/81/21/71B ⎛⎫⎪⎪= ⎪⎪⎝⎭ 4111/31/3111/21/532113511B ⎛⎫ ⎪⎪= ⎪ ⎪⎝⎭ 512121/211/2112121/211/21B ⎛⎫⎪⎪= ⎪ ⎪⎝⎭3.计算层次单排序权重向量并做一致性检验先利用Mathematica 计算矩阵A 的最大特征值及特征值所对应的特征向量. 输入A={{1.0,5,3,9,3},{1/5,1,1/2,2,1/2},{1/3,2,1,3,1},{1/9,1/2,1/3,1,1/3},{1/3,2,1,3,1}} T=Eigensystem[j]//Chop 输出{{5.00974,-0.0048699+0.22084™,-0.0048699-0.22084™,0,0}, {{0.88126,0.167913,0.304926,0.0960557,0.304926},{0.742882,-0.223286-0.278709™,-0.165421+0.346134™,0.151384-0.057689™,-0.165421+0.346134™},{0.742882,-0.223286+0.278709™,-0.165421-0.346134™,0.151384+0.057689™,-0.165421-0.346134™},{-0.993367,0,0.0719207,0.0662245,0.0605282}, {0.884443,0,-0.380934,-0.0589629,0.263009}}}得出A 的最大特征值为max λ=5.00974,及其对应的特征向量x={0.88126,0.167913,0.304926,0.0960557,0.304926}T输入Clear[x]; x=T[[2,1]];W1=x/Apply[Plus,x]得到归一化之后的的特征向量()1w ={0.502119,0.0956728,0.173739,0.0547301,0.173739}T计算一致性指标max 1nCI n λ-=-, ,00974.5,5max ==λn 故.002435.0=C I查表(见表3-1)得到相应的随机一致性指标 1.12RI =所以 002174.0)2(==RICICR ()20.1CR <通过了一致性检验,即认为A 的一致性程度在容许的范围之内, 可以用归一化后的特征向量()1w 作为排序权重向量.下面再求矩阵)5,,2,1( =j B j 的最大特征值及特征值所对应的特征向量 输入B1={{1.0,1/3,1/5,1/7},{3,1,1/2,1/4},{5,2,1,1/2},{1/7,4,2,1}} B2={{1,1/2,4,3},{2,1,5,5},{1/4,1/5,1,1},{1/3,1/5,1,1}} B3={{1,6,5,8},{1/6,1,1,2},{1/5,1,1,7},{1/8,1/2,1/7,1}} B4={{1,1,1/3,1/3},{1,1,1/2,1/5},{3,2,1,1},{3,5,1,1}} B5={{1,2,1,2},{1/2,1,1/2,1},{1,2,1,2},{1/2,1,1/2,1}} T1=Eigensystem[B1]//Chop T2=Eigensystem[B2]//Chop T3=Eigensystem[B3]//Chop T4=Eigensystem[B4]//Chop T5=Eigensystem[B5]//Chop 输出{{3.82325,0.0883772+0.544064™,0.0883772-0.544064™,0}, {{0.111267,0.283002,0.536902,0.786934},{-0.0248134-0.0681165™,-0.141793+0.0729826™,-0.154388+0.121345™,0.964755}, {-0.0248134+0.0681165™,-0.141793-0.0729826™,-0.154388-0.121345 ™,0.964755}, {0,0.299667,-0.832409,0.466149}}}{{4.02113,-0.0105652+0.291301™,-0.0105652-0.291301™,0}, {{0.495852,0.84036,0.149575,0.159851},{-0.234515+0.517899™,0.805208,-0.109665-0.110941™,0.0407277 -0.0493071 ™}, {-0.234515-0.517899 ™,0.805208,-0.109665+0.110941 ™,0.0407277 +0.0493071 ™}, {0,-0.953463,-0.0953463,0.286039}}}{{4.25551,-0.110262+1.03317™,-0.110262-1.03317™,-0.0349818}, {{0.941183,0.179553,0.276018,0.0758271},{0.898054,0.136097 +0.0728034 ™,-0.309669+0.2519 ™,-0.0331642-0.0960598™}, {0.898054,0.136097-0.0728034™,-0.309669-0.2519™,-0.0331642+0.0960598™}, {0.958653,-0.256222,0.123505,-0.00904772}}}{{4.08009,-0.0400469+0.570251™,-0.0400469-0.570251™,0}, {{0.214349,0.214031,0.59059,0.747963},{0.00228339-0.0861419™,-0.0895045+0.220107™,-0.388206-0.387638™,0.796962}, {0.00228339+0.0861419™,-0.0895045-0.220107™,-0.388206+0.387638 ™,0.796962}, {-0.424264,0,0.565685,0.707107}}}{{4.,0,0,0},{{0.632456,0.316228,0.632456,0.316228}, {0.116296,0.629208,-0.687356,-0.343678}, {-0.92582,0.154303,0.308607,0.154303}, {-0.92582,0.154303,0.308607,0.154303}}}分别得出其最大特征值1B λ=3.82325,2B λ= 4.02113,3B λ= 4.25551,4B λ= 4.08009,5λ= 4, 以及其特征向量如下:B1=({0.111267,0.283002,0.536902,0.786934})TB2=({0.495852,0.84036,0.149575,0.159851})T B3=({0.941183,0.179553,0.276018,0.0758271})T B4=({0.214349,0.214031,0.59059,0.747963})T B5=({0.632456,0.316228,0.632456,0.316228})T其中.5,,2,1),,,(321 ==i x x x x i i i i 为求出归一化后的特征向量, 输入Clear[B1,B2,B3,B4,B5]; B1=T1[[2,1]];w1=B1/Apply[Plus,B1] B2=T2[[2,1]];w2=B2/Apply[Plus,B2] B3=T3[[2,1]];w3=B3/Apply[Plus,B3] B4=T4[[2,1]];w4=B4/Apply[Plus,B4] B5=T5[[2,1]];w5=B5/Apply[Plus,B5] 输出{{4.,0,0,0},{{0.632456,0.316228,0.632456,0.316228}, {0.116296,0.629208,-0.687356,-0.343678}, {-0.92582,0.154303,0.308607,0.154303}, {-0.92582,0.154303,0.308607,0.154303}}}w1= {0.0647614,0.164718,0.312497,0.458024}Tw2={0.301313,0.510659,0.0908919,0.0971363}Tw3= {0.639138,0.121931,0.187438,0.0514926}Tw4= {0.121311,0.121132,0.334246,0.423311}Tw5= {0.333333,0.166667,0.333333,0.166667}T计算一致性指标(1,2,3,4,5)1i i nCI i n λ-==-,其中4n =,输入 lamda={T1[[1,1]],T2[[1,1]],T3[[1,1]],T4[[1,1]],T5[[1,1]]}CI=(lamda-4)/(4-1)//Chop 则可以得到1CI =-0.0589181,2CI = 0.00704344,3CI =0.0851688,4CI =0.0266979,5CI =0查表(见表3-1)得到相应的随机一致性指标0.90(1,25)i RI i ==计算一致性比率(),1,2,,5ii iCI CR i RI ==,输入CR=CI/0.90 相应可得到12345-0.0654646,0.00782605,0.094632,0.0296643,0CR CR CR CR CR =====因0.1,(1,2,,5)i CR i <=通过了一致性检验. 即认为)5,,2,1( =j B j 的一致性程度在容许的范围之内, 可以用归一化后的特征向量作为其排序权重向量.4、计算层次总排序权重向量并做一致性检验购买个人电脑问题的第三层对第二层的排序权重计算结果列于表4-1(表4-1)以矩阵表示第三层对第二层的排序权重计算结果为()30.06476140.3013130.6391380.1213110.3333330.1647180.5106590.1219310.1211320.1666670.3124970.09089190.1874380.3342460.3333330.4580240.09713630.05149260.4233110.166667w ⎛⎫⎪⎪= ⎪⎪⎝⎭)3(W 即是第三层对第二层的权重向量为列向量组成的矩阵. 最下层(第三层)对最上层(第一层)的总排序权向量为()()231w w W =为了计算上式, 输入W2=Transpose[{w1,w2,w3,w4,w5}]; W3=W2.W1则从输出结果得到W3={0.236941,0.188335,0.274378,0.300347}为了对总排序权向量进行一致性检验, 计算(3)(1)125(.,.,,.)CI C I C I C I w =输入 CI.W1 输出(3)CI = -0.0126517再计算(3)15[,,]1RI RI RI W =输入RI=Table[0.90,{j,5}]; RI.W1则从输出结果得到(3)0.90RI =最后计算(3)(2)(3)(3)/CR CR CI RI =+可得(3)CR = -0.0118834因为,1.0.)3(<RC 所以总排序权重向量符合一致性要求的范围.根据总排序权重向量的分量取值,旅游点4的电脑是建模者对这三种品牌机的首选。

数学建模最佳旅游路线地选择模型

数学建模最佳旅游路线地选择模型

数学建模最佳旅游路线地选择模型引言:旅游是人们休闲娱乐、增长见闻的重要方式之一。

然而,选择旅游目的地时常常会面临如何评估不同地点之间的优劣以及如何确定最佳的旅游路线的问题。

为了解决这一难题,我们可以借助数学建模的方法,通过建立旅游路线地选择模型,帮助人们在众多选项中找到最佳的旅游路线。

一、问题描述:我们面临的问题是,在给定的旅游目的地中选择最佳的旅游路线。

假设旅游目的地共有n个,分别用D1、D2、…、Dn表示。

我们需要确定从起始地(称为S)到达终点地(称为E)的最佳路线。

二、模型建立:在建立模型之前,我们需要确定几个关键因素:1.每个旅游目的地之间的距离:我们可以通过地理或交通工具的信息来获取旅游目的地之间的距离。

2.每个旅游目的地的景点质量:我们可以通过用户评价、专家评分等手段来评估每个旅游目的地的景点质量。

3.旅游者的偏好:不同的旅游者对景点的偏好可能存在差异,例如有的人喜欢自然景观,有的人偏好历史文化。

我们可以通过问卷调查等方式了解旅游者的偏好。

基于以上因素,我们可以建立如下的旅游路线地选择模型:1.建立旅游目的地之间的距离矩阵:假设共有n个旅游目的地,则可以建立一个n×n的距离矩阵D,其中D(i,j)表示第i个旅游目的地到第j个旅游目的地的距离。

2.建立旅游目的地的景点质量评分向量:假设共有n个旅游目的地,则可以建立一个n维向量Q,其中Q(i)表示第i个旅游目的地的景点质量评分。

3.建立旅游者的偏好向量:假设共有m个旅游者,则可以建立一个m维向量P,其中P(i)表示第i个旅游者的偏好。

4.确定最佳路线:通过综合考虑旅游目的地之间的距离、景点质量和旅游者的偏好,可以使用数学模型(如线性规划、多目标规划等)来确定最佳路线。

具体的模型则需要根据实际情况进行调整和选择。

三、模型求解:根据建立的数学模型,我们可以通过求解最佳路线问题来得到旅游的最佳路线。

具体的求解方法可以有多种:1.基于算法的求解:可以利用优化算法(如遗传算法、模拟退火算法等)来求解最佳路线问题。

数学建模最佳旅游路线的选择模型

数学建模最佳旅游路线的选择模型

2012高教社杯全国大学生数学建模竞赛承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。

我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。

如有违反竞赛规则的行为,我们将受到严肃处理。

我们参赛选择的题号是(从A/B/C/D中选择一项填写): B 我们的参赛报名号为(如果赛区设置报名号的话): 12 所属学校(请填写完整的全名):鲁东大学参赛队员 (打印并签名) :1. 张亭2. 任雪雪3. 卜范花指导教师或指导教师组负责人 (打印并签名):日期: 2010 年 8 月 2 日赛区评阅编号(由赛区组委会评阅前进行编号):2010高教社杯全国大学生数学建模竞赛编号专用页赛区评阅编号(由赛区组委会评阅前进行编号):赛区评阅记录(可供赛区评阅时使用):全国统一编号(由赛区组委会送交全国前编号):全国评阅编号(由全国组委会评阅前进行编号):最佳旅游路线的选择模型摘要:本文研究的是最佳旅游路线的选择问题,此问题属于旅行商问题,我们建立了路径最短,花费最少,省钱、省时、方便三个模型。

根据周先生的不同需求,我们用改良圈算法和多目标规划解决了该问题,之后我们结合实际情况对三个模型进行科学地误差分析,并分析了该算法的复杂性。

针对问题一,题目中给出了100个城市的经纬度,要求我们为周先生设计一条最短的旅行路线,即从驻地出发,经过每个城市恰好一次,再回到驻点。

由此可知,此问题属于旅行商问题。

首先,我们按附件所给各城市的顺序编号1,2,,100,以两城市间的直线距离代替实际距离。

然后,我们运用改良圈算法求解旅行商问题,以任意两点之间的最短距离矩阵为权重,利用1100100(,)w i j ⨯邻接矩阵构造无向图1UG ,据题意不知周先生的起始地点,因此利用Matlab 软件重复进行100次改良圈算法即以每一个城市为出发点,从100个Hamilton 圈得到了最优圈1circle ,即最短的旅行路线。

B题-最佳旅游路线设计

B题-最佳旅游路线设计

2011年第八届苏北数学建模联赛承诺书我们仔细阅读了第八届苏北数学建模联赛的竞赛规则。

我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与本队以外的任何人(包括指导教师)研究、讨论与赛题有关的问题。

我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。

如有违反竞赛规则的行为,我们愿意承担由此引起的一切后果。

我们的参赛报名号为:2795参赛组别:本科参赛队员(签名) :队员1:队员2:队员3:2011年第八届苏北数学建模联赛编号专用页参赛队伍的参赛号码:竞赛统一编号(由竞赛组委会送至评委团前编号):竞赛评阅编号(由竞赛评委团评阅前进行编号):2011年第八届苏北数学建模联赛题目旅游线路的优化设计摘要随着我国全面建设小康社会的推进,人民的生活质量不断提高,旅行游览活动作为一种新型的高级社会消费形式逐步受到人们的亲睐。

旅游作为一种经济活动,游客如何在时间和费用有限的情况下最大程度的享受旅游的乐趣显得尤其重要。

本文从实际情况出发,建立了离散型目标优化模型和动态规划模型,对模型进行了全方面的论述,并针对本题不同的要求设计出相应的旅游行程表。

建模过程中,首先用科学分析的方法,确定主要因素并对其作数学抽象,再针对各因素综合运用多种数学方法进行分析求解。

第一,我们用主要目标法建立了“离散型单目标优化模型”,并分别确定了五个问题的目标函数以及约束条件;第二,我们将旅游景点看作地图中的点,利用图论中著名的哈密顿回路问题和顺序递推的方法建立了“动态优化模型”;第三,通过查询数据,并利用数理统计的方法求解模型中的参数,从而得出一个与实际接近的完整数学模型。

求解问题过程中,首先把路途时间(路费)、景点停留时间(门票)、住宿时间(住宿费用)和其它时间(其它费用)综合考虑,借鉴历史上著名的货郎担问题的解法巧妙的将路程优化问题转化旅游时间和旅游费用的优化问题,在利用“Floyd算法”时分别将旅游时间和旅游费用作为权成功解决问题一与问题二。

数学建模论文-旅游线路的优化设计

数学建模论文-旅游线路的优化设计

数学建模论文-旅游线路的优化设计一、问题重述随着人们的生活不断提高,旅游已成为提高人们生活质量的重要活动。

江苏徐州有一位旅游爱好者打算在今年的五月一日早上8点之后出发,到全国一些著名景点旅游,由于跟团旅游会受到若干限制,他(她)打算自己作为背包客出游。

他预最后回到徐州。

选了十个省市旅游景点,如附表1(见附录I)所示。

假设(A)城际交通出行可以乘火车(含高铁)、长途汽车或飞机(不允许包车或包机),并且车票或机票可预订到。

(B)市内交通出行可乘公交车(含专线大巴、小巴)、地铁或出租车。

(C)旅游费用以网上公布为准,具体包括交通费、住宿费、景点门票(第一门票)。

晚上20:00至次日早晨7:00之间,如果在某地停留超过6小时,必须住宿,住宿费用不超过200元/天。

吃饭等其它费用60元/天。

(D)假设景点的开放时间为8:00至18:00。

问题:根据以上要求,针对如下的几种情况,为该旅游爱好者设计详细的行程表,该行程表应包括具体的交通信息(车次、航班号、起止时间、票价等)、宾馆地点和名称,门票费用,信息。

在景点的停留时间等(1) 如果时间不限,游客将十个景点全游览完,至少需要多少旅游费用,请建立相关数学模型并设计旅游行程表。

(2) 如果旅游费用不限,游客将十个景点全游览完,至少需要多少时间,请建立相关数学模型并设计旅游行程表。

(3) 如果这位游客准备2000元旅游费用,想尽可能多游览景点,请建立相关数学模型并设计旅游行程表。

(4) 如果这位游客只有5天的时间,想尽可能多游览景点,请建立相关数学模型并设计旅游行程表。

(5) 如果这位游客只有5天的时间和2000元的旅游费用,想尽可能多游览景点,请建立相关数学模型并设计旅游行程表。

二、问题假设1、忽略乘坐出租车时经过收费路段所交的费用;2、在每个城市中停留时,难免会遇到等车、堵车等延时情况,在此问题中我们不做考虑;3、所有旅馆都未客满,并且忽略从旅馆到火车站或景点的时间;4、列车车次和飞机航班没有晚点等情况发生;5、列车和飞机的票足够,没有买不到票的情况发生;6、景点的开放,列车和航班的运营不受天气的影响;7、绘图时,经线和纬线近似平行分布;8、将城市和路径的关系转化为图论问题;9、在时间的认识上,我们把当天的8点至次日的8点作为一天。

数学建模最佳旅游路线的选择模型优选资料

数学建模最佳旅游路线的选择模型优选资料

数学建模最佳旅游路线的选择模型优选资料在当今社会,旅游已经成为人们生活中不可或缺的一部分。

无论是为了放松身心、领略不同的风土人情,还是为了增长见识、丰富人生阅历,人们都热衷于踏上旅程。

然而,如何在众多的旅游景点中选择出一条最佳的旅游路线,成为了许多旅行者面临的难题。

这时候,数学建模就能够发挥出其强大的作用,为我们提供科学合理的决策依据。

数学建模是一种通过数学语言和方法来描述和解决实际问题的手段。

在旅游路线选择的问题上,数学建模可以帮助我们综合考虑各种因素,如景点的吸引力、交通便利性、旅行时间和费用等,从而找到最优的解决方案。

接下来,我们将介绍几种常见的用于选择最佳旅游路线的数学建模方法。

一、图论模型图论是数学的一个重要分支,它可以很好地应用于旅游路线的规划。

我们可以将旅游景点看作图中的节点,景点之间的道路看作图中的边,边的权重可以表示距离、时间或费用等。

通过图论中的算法,如最短路径算法(Dijkstra 算法、FloydWarshall 算法等),我们可以找到从起点到终点的最短路径,或者在一定限制条件下(如时间或费用预算)的最优路径。

例如,如果我们想要在有限的时间内游览尽可能多的景点,就可以使用最短时间路径算法来规划路线。

假设我们有 5 个景点 A、B、C、D、E,它们之间的距离和所需时间如下表所示:|起点|终点|距离(km)|时间(h)||::|::|::|::|| A | B | 50 | 1 || A | C | 80 | 15 || A | D | 120 | 2 || A | E | 100 | 15 || B | C | 60 | 1 || B | D | 90 | 15 || B | E | 70 | 1 || C | D | 70 | 1 || C | E | 50 | 05 || D | E | 80 | 1 |如果我们的时间限制为 5 小时,从景点 A 出发,那么通过 Dijkstra 算法可以计算出最优的游览路线为 A B E C D,总时间为 45 小时。

运用数学模型优化旅游线路设计

运用数学模型优化旅游线路设计

运用数学模型优化旅游线路设计数学模型可以被运用来优化旅游线路的设计。

通常情况下,旅游线路的设计需要综合考虑多个因素,如景点的距离、游客的时间限制、预算以及个人的旅游偏好等。

通过建立一个数学模型,我们可以将这些因素结合在一起,并通过优化算法找到最佳的旅游线路。

我们需要定义一个数学模型来表示旅游线路的设计问题。

假设有n个景点,我们可以使用一个n×n的矩阵来表示每个景点之间的距离。

我们还可以定义一个n维向量来表示每个景点的游玩时间,并设定一个总的游玩时间限制。

我们还可以考虑每个景点的门票价格,并设置一个总的预算限制。

接下来,我们需要定义一个目标函数来衡量旅游线路的优劣。

这个目标函数可以是景点之间的距离总和,因为我们通常希望将旅游时间最小化。

如果我们希望在预算和时间限制下尽可能多地游玩景点,我们可以考虑将目标函数定义为游玩的景点数量。

然后,我们可以使用优化算法来找到使目标函数最小化(或最大化)的旅游线路。

一种常用的优化算法是遗传算法,它模拟了进化过程中的遗传变异和选择。

使用遗传算法,我们可以生成一个初始的旅游线路,然后通过交叉和变异操作来生成新的旅游线路,最终选择最优的旅游线路。

在进行优化算法之前,我们还可以考虑引入一些约束条件。

我们可能希望在每个景点停留的时间不能超过一定的上限,或者我们可能希望将一些特定的景点包含在旅游线路中。

我们可以使用计算机编程语言来实现这个数学模型,并通过输入适当的数据来运行优化算法。

在算法运行完之后,我们可以得到一个最佳的旅游线路,并将其输出为可视化的地图或详细的行程计划。

数学建模经典问题——旅行商问题

数学建模经典问题——旅行商问题
的另一个结点的编号(其中一个结点编号为i); node_ base(i)= dmin_j(i, 1)+ dmin_j(i, 2):表示与i点关联边中长
度最短的两条边之和; C*(T):最优回路长度;
25
于是,dmin(i, 1)代表与第i个结点关联的所有边 中最长边的长度,dmin_j(i, 1) 代表与第i个结点关联 的所有边中次长边的另一个结点编号(其中一个结点 编号为i),第i结点的dmin(i, k)和dmin_j(i, k)可由距 离矩阵w轻易求得。
20
当然,用该方法有时会找不到TSP的最优解, 因为很可能在进行了几轮迭代后,却找不到新的不 等式。Padborg与Hong曾计算了74个TSP,其中54 个得到了最优解,其余的虽未得到最优解,却得到 了很好的下界,如果与近似方法配合,可以估计近 似解的精确程度。如,他们解过一个有313个城市的 TSP,获得一个下界41236.46,而用近似方法能得 到一条长为41349的路线,于是可估计出所得近似解 与最优解的误差不超过0.26%。
14
早在1954年,Dantzig等人就曾提出过一种方 法(非多项式算法),并且求出了一个42城市的 TSP最优解。到了1960年代,不少人用分支定界法 解决了许多有几十个城市的TSP。还有人提出了一 些近似方法,也解决了许多有几十个城市甚至上百 个城市的TSP(有时找到的仅是近似解)。更值得 注意的是,从1970年代中期开始,Grotschel与 Padberg等人深入研究了TS多面体的最大面 (facet),并从所得结果出发获得了一种解TSP的 新算法,可以解决一些有100多个城市的TSP,且都 在不长的时间内找到了最优解。
一、数学模型 1. 标准TSP 旅行商问题(简称TSP),也称货郎担问题或 旅行推销员问题,是运筹学中一个著名的问题,其 一般提法为:有一个旅行商从城市1出发,需要到城 市2、3、…、n去推销货物,最后返回城市1,若任 意两个城市间的距离已知,则该旅行商应如何选择 其最佳行走路线
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

最佳云南旅游路线设计摘要本文主要研究最佳旅游路线的设计问题。

在满足相关约束条件的情况下,花最少的钱游览尽可能多的景点是我们追求的目标。

基于对此的研究,建立数学模型,设计出最佳的旅游路线。

第一问给定时间约束,要求为设计合适的旅游路线。

我们建立了一个最优规划模型,在给定游览景点个数的情况下以人均总费用最小为目标。

再引入0—1变量表示是否游览某个景点,从而推出交通费用和景点花费的函数表达式,给出相应的约束条件,使用lingo编程对模型求解。

推荐方案:第二问放松时间约束,要求游客们游遍所有的景点,该问题也就成了典型的货郎担(TSP)问题。

同样使用第一问的模型,改变时间约束,使用lingo编程得到最佳旅游路线为:本文思路清晰,模型恰当,结果合理.由于附件所给数据的繁杂,给数据的整理带来了很多麻烦,故我们利用Excel排序,SPSS预测,这样给处理数据带来了不少的方便。

本文成功地对0—1变量进行了使用和约束,简化了模型建立难度,并且可方便地利用数学软件进行求解。

此外,本文建立的模型具有很强普适性,便于推广。

关键词:最佳路线TCP问题景点个数最小费用一问题重述云南是我国的旅游大省,拥有丰富的旅游资源,吸引了大批的省外游客,旅游业正在成为云南的支柱产业。

随着越来越多的人选择到云南旅游,旅行社也推出了各种不同类型的旅行路线,使得公众的面临多条线路的选择问题。

假设某一个从没有到过云南的人准备在假期带家人到云南旅游,预计从昆明出发,并最终返回昆明。

请你们为他设计一条在云南旅游的最佳路线初步设想有如下线路可供选择:一号线:昆明-玉溪-思茅二号线:昆明-大理-丽江三号线:昆明-大理-香格里拉四号线:昆明-玉溪-西双版纳五号线:昆明-玉溪-思茅-西双版纳-大理-丽江-香格里拉每条线路中的景点可以全部参观,也可以参观其中之一。

结合上述要求,请你回答下列问题:一、请你们为游客设计合适的旅游路线,假设使游客在10天时间内花最少的钱尽可能的游更多的地方。

二、如果有游客的时间非常充裕(比如一个月),游客打算将上述旅游景点全部参观完毕后才离开云南,请你们为游客设计合适的旅游路线,使在云南境内的交通费用尽量地节省。

二问题分析2.1问题背景的理解:根据对题目的理解我们可以知道,旅游的总费用包括交通费用和在景点游览时的费用,而在确定了要游览的景点的个数后,所以我们的目标就是在满足所有约束条件的情况下,求出成本的最小值。

2.2问题一和问题二的分析:问题一要求我们为游客设计合适的旅游路线,假设使游客在10天时间内花最少的钱游尽可能多的地方。

在这里我们的做法是在满足相应的约束条件下,先确定游览的景点数,然后计算出在这种情况下的最小花费。

这样最终会得出几种最佳方案,而游客可以根据自己的实际情况进行选择。

问题二实质上是在问题一的基础上改变了时间约束,即游客要游览所有的景点,我们完全可以使用与问题一同样的方法进行求解。

三 模型假设1.所给的5条路线每条路线中的景点可以全部参观,也可以参观其一;2. 游客使用旅游大巴安排他们往返于各个旅游景点,其交通费用、在景点的花费、在景点的逗留时间参照当地客运公司及旅行社的数据;3. 游客们所乘坐的旅游大巴平均时速为50km/h ,平均费用为0.3元/km ;4.一个景点直接到达另外一个景点是指,途中经过的其他景点只是一个转站地,而并不进行游览;5.在限定的时间内,游客最终要返回昆明,并且假设昆明是游客们肯定要去的一个旅游景点;6. 游客们在途中和游览景点的时间为12小时,而另外12小时为休息、用餐及其他琐事时间。

四 符号说明i ,j ——第i 个或者第j 个景点, i ,j =1,2, (7)分别表示昆明 玉溪 思茅 西双版纳 大理 丽江 香格里拉c ——每个游客的旅游总花费;i t ——每个游客在第i 个景点的逗留时间; i c ——每个游客在i 个景点的总消费;ij t ——从第i 个景点到第j 个景点路途中所需时间; ij c ——从第i 个景点到第j 个景点所需的交通费用; ⎩⎨⎧=01ij r其他个景点个景点到达第游客直接从第j i五 模型建立及求解 5.1 问题一:5.1.1 目标函数的确立:经过对题目分析,我们可以知道本题所要实现的目标是,使游客在10天时间内花最少的钱游览尽可能多的地方。

显然,花费最少和游览的景点尽量多是该问题的两个目标。

因此,我们的做法是在满足相应的约束条件下,先确定游览的景点数,然后计算出在这种情况下的最小花费。

这样最终会得出几种旅游路线,而游客可以根据自己的实际情况进行选择。

游览的总费用由2部分组成,分别为交通总费用和在旅游景点的花费。

我们定义:m ——每个游客的旅游总花费;1m ——每个游客的交通总费用;2m ——每个游客的旅游景点的花费; 从而得到目标函数: Min m =1m +2m (1)交通总花费因为ij c 表示从第i 个景点到第j 个景点所需的交通费用,而ij r 是判断游客是否从第i 个景点直接到第j 个景点的0—1变量,因此我们可以很容易的得到交通总费用为:∑∑==⨯=71711i j ij ij c r m(2)旅游景点的花费因为i c 表示游客在i 个景点的总消费,ij r 也可以表示出游客是否到达过第i 个和第j 个景点,而整个旅游路线又是一个环形,因此()∑∑==+⨯7171i j j i ij c c r 实际上将游客在所到景点的花费计算了两遍,从而我们可得旅游景点的花费为:()∑∑==+⨯⨯=7171221i j j i ij c c r m从而我们可以得到目标函数为:Min m =1m +2m=∑∑==⨯7171i j ij ij c r +()∑∑==+⨯⨯717121i j j i ij c c r5.1.2 约束条件: ①时间约束假设游客在云南的旅游时间应该不多于10天(120小时),而这些时间包括在路途中的时间和在旅游景点逗留的时间。

因为ij t 表示从第i 个景点到第j 个景点路途中所需时间,所以路途中所需总时间为∑∑==⨯7171i j ij ij t r ;i t 表示游客在第i 个景点的逗留时间,故游客在旅游景点的总逗留时间为()∑∑==+⨯⨯717121i j j i ij t t r 。

因此,总的时间约束为: ∑∑==⨯7171i j ij ij t r +()∑∑==+⨯⨯717121i j j i ij t t r ≤120 ②旅游景点数约束根据假设,整个旅游路线是环形,即最终游客要回到成都,因此∑∑==7171i j ijr即表示游客旅游的景点数,这里我们假定要旅游的景点数为n(n =2,3,……,11)。

因此旅游景点数约束为:∑∑===7171i j ijn r(n =2,3, (7)③0——1变量约束我们可以把所有的景点连成一个圈,而把每一个景点看做圈上一个点。

对于每个点来说,只允许最多一条边进入,同样只允许最多一条边出来,并且只要有一条边进入就要有一条边出去。

因此可得约束:=∑iijr1≤∑jij r (i ,j =1,2, (7)当1=i 时,因为昆明是出发点,所以11=∑=i ij r ;1=j 时,因为游客最终要回到昆明,所以11=∑=j ij r 。

综合以上可知,=∑iijr1≤∑jij r (i ,j =1,2, (7)11=∑=i ijr11=∑=j ijr同样,当i ,2≥j 时,根据题意不可能出现1==ji ij r r ,即不可能出现游客在两地间往返旅游,因为这样显然不满足游览景点尽量多的原则。

因此我们可得约束:0=⨯ji ij r r (i ,j =2,3, (7)5.1.3模型建立:综上所述,我们可以得到总的模型为:Min m =1m +2m=∑∑==⨯7171i j ij ij c r +()∑∑==+⨯⨯717121i j j i ij c c r约束条件:∑∑==⨯7171i j ij ij t r +()∑∑==+⨯⨯717121i j j i ij t t r ≤120 ∑∑===7171i j ijn r(n =2,3, (7)=∑iijr1≤∑jij r (i ,j =1,2, (7)11=∑=i ijr11=∑=j ijr0=⨯ji ij r r (i ,j =2,3, (7)5.1.4 模型求解与结果分析: 在这里我们引入以下符号:ij d ——第i 个景点和第j 个景点之间的路程;v ——游客所乘坐的旅游大巴的平均时速,v =50km/h ; m ——游客所乘坐的旅游大巴的平均费用,h =0.3元/h ;通过上网查询资料,我们可以得到ij d 的具体值,根据公式ij t =ij d /v 可得到相应的ij t ,同样根据公式ij c =ij d ×m 可以得到相应的ij c (i ,j =1,2,……,7)。

(ij d 、ij t 和ij c 的具体数值见附录)同样,通过对云南的一些旅行社进行咨询,我们得出游客在第i 个景点的最佳逗留时间和游客在第i 个景点总消费:t 1 t 2 t 3 t 4 t 5 t 6 t 7(单位:小时) c1c2c3c4c5c6c7(单位:元) 从而根据模型,使用Lingo编程,得出结果如下表:旅游景点数n 2 3 4每人总花费m(单位:元)路线旅游景点数n 5 6每人总花费m(单位:元)路线旅游景点数n7每人总花费m(单位:元)路线(其中数字1,2,……,7;分别表示昆明玉溪思茅西双版纳大理丽江香格里拉)对于上述结果,我们的推荐为:路线一:路线二:路线三:5.2 问题二5.2.1 目标函数的确立:此问与第一问大同小异,不同的是游客要完成所有景点的旅游,而目标函数是求最少的交通费。

由第一问结论可知,交通费用为:∑∑==⨯=717 11i jij ijc rm 因此,该问题的目标函数为:Min ∑∑==⨯=717 11i jij ijc rm5.2.2 约束条件:①时间约束该问与上一问相比,放宽了对时间的要求,不妨可以假定限制的时间为一个月(360个小时),同上一问可得:∑∑==⨯7 17 1i jijijtr+()∑∑==+⨯⨯717121i jjiijttr≤360②旅游景点数约束由题目要求可知,因为游客时间充裕,因此他们打算游览完全部7个景点。

由第一问知道∑∑==7171i j ij r 表示游客游览的景点总数,因此该约束为:∑∑===71717i j ijr(i ,j =1,2, (7)③0——1变量约束根据假设,整个旅游路线是环形,即最终游客要回到昆明,因此我们可以把整个路线看做一个Hamilton (哈密尔顿)圈,这样该问题就归结为货郎担(TSP )(哈密尔顿)问题,当然前提是我们已经知道了要旅游所有的景点。

相关文档
最新文档