文摘
神经网络技术的发展和中国旅游经济收入的快速增长在这个阶段,旅游资源的综合评价研究已逐渐出现。在此基础上,本文研究了神经网络综合评价模型基于multispecies进化遗传算法和神经网络分析系统的设计影响因素基于multispecies的旅游资源进化的遗传算法。数据的收集和收购信息资源方面的收入状况,实现旅游开发投资,旅游地区的可持续性评价。multispecies进化遗传算法用于综合分析和评估。该算法可以实现复杂的分析和综合评价的神经网络的核心影响因素。准确分析和评价进行了根据不同的旅游资源特征和旅游收入的现状。结果表明,神经网络综合评价模型基于multispecies进化遗传算法具有较高的实用性,变率良好的分类效果,良好的数据集成。它可以有效地分析和比较了影响旅游资源综合评价因素在不同的比率。
1。介绍
旅游资源是旅游业发展的前提和基础。旅游资源主要包括自然风景旅游资源和人文景观旅游资源。旅游资源是旅游业发展的基础。中国的旅游资源非常丰富,有广泛的发展前景。他们被广泛使用,越来越多的关注旅游研究、区域开发、资源保护,等等。而言,目前,在中国旅游资源的综合评价,综合评价模型的输入和复苏主要是采用,和经济复苏的分析很少从可持续发展的角度进行1]。自进入21世纪以来,各种智能算法在中国的快速发展也导致了中国的旅游资源评价的变化。综合评价方法的创新在不同地区包括方法创新、制度创新、品类创新、销售创新,科技创新,提供了一个机会进行大规模智能旅游资源的综合评价(2]。因此,创新已经成为一个重要的法宝在旅游在中国的发展3]。目前,现有的旅游综合评价系统提供了大量的评估计划,但在分析过程中影响因素的综合评价,很难进行客观的变速比评价根据综合评价系统的差异不同的旅游类型(4]。让旅游开展评价和创新更有利于国家发展根据创新类型和可持续性旅游发展的过程中5]。在这种背景下,本文提出了影响因素的研究基于multispecies进化遗传算法的神经网络。
本文研究神经网络的影响因素,提出了曼彻斯特的比例变量的综合评价模型,主要分为三个部分。第一部分介绍和总结了影响因素的研究现状国内外旅游资源。第二部分构造一个基于multispecies神经network-influencing因子排名模型进化遗传算法和客观评价和构建评价指标体系的影响不同类型的旅游资源利用multispecies进化方法。第三部分以multiregional旅游资源为实验对象,测试和验证的变速比排名模型影响因素的综合评价构建了本文的结论,并作出相应的分析。本文的创新在于multispecies进化遗传算法应用于神经网络的综合评价模型的影响因素。在此基础上,它可以充分利用每个旅游资源的发展特点和综合评价的差异信息,实现完整的类型仿真模拟层面,并定量描述与multitransformed遗传因素不同综合评价模式。可持续性研究的相似性策略符合预期的评估指标,和体重的影响程度排序完成综合评价的量化指标,可以有效地把旅游资源影响因素根据不同的可持续发展方向。
综上所述,可以看出,大部分的当前区域旅游资源综合评价模型不涉及智能算法基于区域旅游组织特征的差异。另一方面,尽管中国进行了大量的基础研究在区域旅游资源的综合评价,有相对较少的研究成果具体量化动态神经网络评价体系和质量评价的区域旅游资源的综合评价。没有研究的客观性区域旅游资源的综合评价的质量和建设的相关模型。
2。相关工作
中国是相对落后的旅游资源的综合评价,和一些外国发达国家更先进的研究旅游资源的综合评价6]。Bollt发现,大部分地区的旅游资源的综合评价仍遵循传统综合评价理念,忽略了特征指标在不同地区和不同的旅游资源可持续性(7]。通过实验验证,Wulandari和Handayani提出区域旅游资源的综合评价效果不能达到最优状态(8]。Deb等人提出了一种自适应区域旅游资源的综合评价模型基于多策略的技术。通过分析习惯和地区游客和旅游资源的优势,他们可以在不同的级别上进行课堂综合评价不同地区的游客,还可以实现分级综合评价过程的综合评价(9]。Zwickl等人通过实验证明了综合评价方法可以发挥良好的作用,实现政策根据当地条件,有效提高旅游资源的综合评价的有效性,并利用一系列指标来评价区域旅游资源的可持续发展10]。根据传统模型的理论和实践经验的综合评价区域旅游资源、姚等人发现,在跨地区游客的习惯有很大差异在当前区域旅游资源的综合评价。因此,他们提出了一个基于机器视觉算法的适应性综合评价方法(11]。张和唐提出一个新的区域旅游集群分析方法基于超混沌映射,它使用变形混沌序列来争夺的位置原来的旅游资源和实现最优测定各种评价方法在旅游资源评价的过程12]。通过单元分析不同的旅游资源、学者等使区域游客实现沉浸的状态和享受旅游的过程中。实验表明,这种综合评价方法可以提高利用效率的过程中,区域旅游资源的综合评价,综合评价速度快的优点和明显的效果13]。Fadel医生等人进行的综合评价方面的选择的评价形式,评价内容、分类和区域管理能力,在不同地区进行了大量实验14]。许等人提出一种新的区域旅游资源的综合评价方法基于multirelationship推荐算法根据多因素关系理论在协作,分析不同的模块度的关系在传统的区域旅游资源的综合评价,并建立了多因素耦合分析模型(15]。实际验证后,Hayber等人表明,区域旅游资源质量的综合评价方案综合评价效果好,适用于旅游资源的综合评价游客热衷海洋区域(16]。
3所示。方法
3.1。应用基于Multispecies进化遗传算法的神经网络综合评价模型
Multispecies进化遗传算法和神经网络算法是成功的智能优化算法之一。在国际上,数据分析优化和质量评价不同类型的问题已经成为一个热门研究领域17]。针对问题的神经网络结构设计和总体结构学习方法的不足,multispecies进化遗传算法(世嘉)提出。以中长期规划为例,进化设计方法,给出了基于该算法的神经网络结构。该方法结合遗传算法和神经网络的特点和具有广泛的特点模型算法的搜索空间和适应性强,和仿真结果表明,该方法是有效的。基于multispecies进化神经网络遗传算法是一种算法受传统生物遗传过程中。从本质上讲,它是一个直接和全局随机搜索方法,不依赖于具体的问题。作为一个实用、高效和鲁棒优化技术,基于multispecies进化遗传算法的神经网络近年来迅速发展并在各个领域得到了广泛的应用(模式识别、神经网络、图像处理、机器旅游、工业优化控制、自适应控制、生物科学、社会科学等)(18]。旅游资源的过程中影响分析基于multispecies进化遗传算法和模糊评价图所示1。
在此基础上,在神经网络的过程中对旅游资源的综合评价模型的研究基于multispecies进化的遗传算法,本文首先设计一个multispecies进化遗传算法基于多维指标因素的影响程度;的水平差异,根据不同的内部能力和不同的技术要求在中国不同地区的旅游领域,和评价难度的差异不同的景点在相同的条件下,具有高度针对性的multispecies进化遗传算法用于实现不同场景的综合评价和全局随机搜索,和分化进行分析。其次,通过基于multispecies进化遗传算法,神经网络的一系列数据信息表达准确地划分不同区域旅游资源综合分析的过程中,从而实现不同质量的高分类不同类型的旅游资源在旅游资源的综合分析的过程中,协同作用和相关性强的目标(经济复苏的分界线旅游资源质量评估)被推到下一阶段过程进行优化。结合可持续发展的指导,使用神经网络模型实现面向目标的和高质量的复苏在不同类型的旅游资源和特殊的目标准确地提高稳定性的综合评价和质量评估系统。
3.2。旅游资源综合评价模型的实现步骤基于Multispecies进化的遗传算法
过程中神经网络研究旅游资源的综合评价模型,这一部分首先采用基于multispecies进化神经网络遗传算法基于多元转换因素,选择三个特征参数相关的旅游创新质量和旅游对旅游资源的评价。基于神经网络的数据处理过程multispecies进化遗传算法如图2。
通过共同研究创新类型的旅游资源评价和激励规则区域,本文明确定义了分层框架和服从整个旅游资源分类系统。最后,综合评价可以建立多个遗传因素的影响的角度综合评价的遗传资源的影响,提供一个客观的综合评价的参考多个遗传因素的影响。建设旅游资源优化模型和评价链接multispecies进化遗传算法的基础上,我们将使用基于multispecies进化遗传算法的神经网络对旅游资源的综合评价方法进行分类在不同的阶段根据区域创新能力的相似性和协作的相似性,然后把数据信息的区域创新方法在旅游工作。通过multispecies进化遗传算法的选择,划分可分为综合评价方案和更新两次,以保证技术创新的分层和升级过程中区域可持续发展研究和综合分析。仿真结果基于multispecies进化遗传算法的神经网络在图所示3。
从图可以看出3,仿真数据的维数的增加,层数也显示了一个多元化的变化趋势。这是因为数据组的维数的增加会增加的计算量,及其内部耦合也将改变。总的来说,建立一个神经网络的综合评价不同地区的旅游资源主要分为以下步骤:首先,选择编码策略转换参数集(可行解集)中生成的解释可持续性的染色体结构空间基于multispecies进化神经网络遗传算法(19]。为了实现这个过程,我们会形成特定的向量矩阵组织根据不同的模式和区域创新的内容。这些矩阵是由不同的向量组。仿真结果如图所示4。
从图可以看出4,随着越来越多的物种进化神经网络节点的数量对应不同的仿真数据组显示当地令人不安的变化,因为相应的向量组在不同的仿真数据组有不同的向量特征值的相似功能的过程中,旅游资源分析。因此,资源的综合评价能力相同的条件和现有的数据转化为空间向量和数字信息的存储和处理(20.]。基于multispecies进化遗传算法的神经网络用于本文处理这些类似的信息是基于不同的稀疏程度的创新质量不同的旅游类型实现创新分类激励的不同区域和背景在相同条件下的不同解释和评价出现不同的背景。模拟分析结果如图5。
从图可以看出5在三种不同算法的仿真数据集类型,当数据维度是不同的(100/70/40),相应的旅游资源质量评价指标的数值结果也不同,这是由不同的数据处理策略分析数据时采用不同的算法类型组。第二,它是必要的定义和确定适应度函数计算的健身价值。在这个环节中,我们分析可持续发展,符合算法规则,及其对应的组序列 (是 )作为一个独立的个体。逆函数相邻数据之间的距离之和的序列可以作为相应的个人的健康可持续发展 ,因此适应度函数如下:
在这个过程中,当我们解释每一个可持续性,相应的个人 是编码。然而,很难直接编码这些人(21]。因为如果编码不当,会有非法创新序列,即,invalid solutions, during the implementation of crossover or mutation operations. For example, for the data characteristics in the interpretation of the sustainability of five tourism resources, we use the symbolsU,V,W,X,Y,Z代表相应的可持续性,这六个符号的序列用于表示可能的解决方案,即基于multispecies进化神经网络的染色体遗传算法(22]。然后,6种的遗传操作进行,仿真结果如图6。
从图可以看出6仿真结果中,不同的遗传阶段,神经网络节点的数量对应于数据仿真结果在不同阶段是不同的,在不同的维度和指标在三个数据组结果的三维仿真数据组在不同阶段是最高的。在接下来的环节,设置形式公式(2)到公式(7):
然后,我们执行传统的交叉和变异操作基于multispecies进化遗传算法在神经网络,如交换最后三位如下:
或改变在染色体的排名靠前,位于第五成并得到公式(9):
从这,我们可以看到 , ,和以上是非法获得序列。
可持续发展的概念起源于生态环境领域,确实是一个经典的可持续发展为国际社会所公认的定义。它不仅满足当代人们的需要,也不损害子孙后代的能力的发展,以满足他们的需求,如经济可持续发展,生态可持续发展、社会可持续发展。人口之间的关系、资源和环境应该正确处理,以不断提高中国的可持续发展能力,不断改善生态环境,显著提高资源利用效率,以促进整个社会走上生态良好、和谐发展的道路。
为了解决这个问题,我们进行设置操作(十字路口和工会操作)和染色体配对正规化在旅游资源可持续发展的旅游资源评价数据组P数量在同一空间位置的阶段,多次进行比较分析。当访问者对象的每个地区属于一组对应于最近的基因节点中心的迭代处理结束。
我们将旅游资源可持续发展的人口规模和目标基因交换空间 。 在哪里代表的位置(= 1、2、3…)旅游资源计划, (= 1,2、3、…)代表的变异率 。
最后,通过计算机的数据库信息和预设自动判断程序,一些数据信息恢复,再加工和处理二级数据信息,然后来回循环,形成三个集群(23]。对应于这一阶段的数据分析和仿真结果如图所示7。
从图可以看出7的聚类分析,在不同的集群multispecies进化遗传算法的基础上,法律的变化相应的当地迭代次不同的数据维度类型(60/40/25)相对一致,从而增加,然后降低。这是因为在仿真过程中,一些无关紧要的或无意义的数据信息是故意删除或移除并记录在向量的方式形成一个特殊的数据信息记录,实现数据信息转换成向量的信息和存储。例如,当需要分类相似的数据信息,进行相应的比较可以根据这些向量与记录特殊数据信息的功能。当重合度达到预定的要求,数据处理、判断,实现目标数据的分类。
3.3。旅游资源的处理步骤的影响因素基于神经网络基于Multispecies进化遗传算法和模糊评价
在评估的过程中影响因素的综合评价旅游资源的神经网络基于multispecies进化遗传算法,为了最大化的创新水平不同背景的地区根据现有综合评价激励水平和特点的信息状态,基于multispecies进化遗传算法的神经网络用于本文将提高现有资源的旅游资源,确定适当的遗传策略根据相应的特征值和健身,包括选择人口规模、选择和交叉变异方法,并确定交叉概率和变异概率等遗传参数和进一步的随机生成初始种群24]。当相对应的特征值组中任意两个可持续发展是不同的,这意味着相关的两个焦点可持续性非常小。它将实现自动分离,计算个体或染色体的解码健身人群中,并比较和分析的特征值和健身下的可持续性。
当multispecies进化遗传算法的神经网络深入挖掘相应的综合评价水平不同的旅游资源,它将产生不同的创新质量水平的相似性组织相应的旅游资源(即。基于随机可持续性的创新重点需求水平,然后年级所有旅游领域的创新热情和创新质量)。
因此,在研究过程中影响因素模型的基于神经网络的旅游资源multispecies进化遗传算法的基础上,当一个特定的指数,这项研究通常意味着当最优个体的健康达到给定的阈值,或最优个体的健康和人口不增长,算法的迭代过程收敛,算法结束。基于multispecies进化神经网络遗传算法用于分类和分析相同的可持续性创新焦点(25]。独立分析过程中特定的可持续性集,基于multispecies进化神经网络遗传算法变换特征级信息对应于目标旅游业的综合评价和创新质量数据信息(如向量组和矩阵),可以被计算机通过特定的处理。智能综合评价模型的影响因素的旅游资源multispecies进化遗传算法神经网络的基础上,在正常情况下,我们将使用多点模式来处理相关数据信息特征的旅游资源在不同水平下基于multispecies进化遗传算法的神经网络。在本文中,我们只使用单一基因algorithm-enabled神经网络来实现这项工作,不考虑任何多目标算法,因为它们会增加运行时间和复杂性(26- - - - - -32]。
最后,对于不同的可持续性旅游创新的关键需求,这种模式将根据当前内部旅游综合评价方案和实施效果并进行具体指标评价。在旅游资源的综合评价模型的影响因素基于multispecies进化遗传算法,它将结合不同影响因素的分布和排名的旅游资源,以有效地帮助旅游资源快速提高旅游的内部综合评价根据自身发展的需要,这可以作为旅游资源的评价指标。
4所示。结果分析和讨论
4.1。实验设计的过程影响因素下的神经网络基于Multispecies进化遗传算法的神经网络
为了将可持续发展和中国旅游资源的实际发展需求,本研究建立了一个综合评价模型的影响因子排名基于可持续发展和旅游资源计划之间的有效互动,从而实现科学评价旅游资源的实际影响因素的比例。基于上述评价的神经网络规则multispecies进化遗传算法的基础上,我们首先建立模糊综合评价模型的基础上,激励方向和可持续发展旅游的焦点。模型以旅游资源影响因素的特征指标为中心,现有的旅游资源水平和不同sustainability-oriented信息为核心的评价指标来评价旅游领域的创新成果和质量。
实验过程需要综合评价不同程度的不同的旅游资源类型(三亚海洋资源,内蒙古呼伦贝尔草原资源,张家口山地资源,和东营河流资源)作为实验对象。通过使用基于multispecies进化遗传算法优化的神经网络基于深部开采,三维仿真过程,和多级人口司,这是测试数据来源不同旅游资源的综合评价在不同激励和可持续性进行影响分析根据不同旅游的创新成果和质量标准,以实现不同的差评价旅游资源和nondifferential评估在旅游,所以排序和分析不同影响因素。
实验分为两部分:对照组和实验组。实验结果的人口及其健身前三代图所示8。从图可以看出8,在实验中,实验的数量的增加,综合评价模型可以实现目标检测时获得不同旅游资源的综合评价和国家sustainability-oriented特征信息,然后提取特征信息对应创新质量根据不同的旅游综合评价的结果,此外,通过检测分析过程的可持续发展方向,最后通过不同的旅游资源可持续发展的不同解释和不同的旅游,然后与标准化的数据相比,影响因素的权重的评价是实现。五个指标的相关数据(sustainability-oriented解释能力,技术创新旅游资源质量、旅游效益增长,地区的参与热情,和旅游收购能力)评估的模糊综合评价模型对不同的旅游资源的影响如表所示1和2(以三亚携程旅游集团的数据为标准的价值)。
4.2。实验结果和数据分析
分析影响因素的综合评价不同类型的旅游资源在中国,影响因素的对比分析基于multispecies进化遗传算法,而不是基于multispecies进化遗传算法如表所示3,旅游资源的综合评价的结果错误修复如图9。
它可以看到从上面的表和图9,在分析基于multispecies进化遗传算法,神经网络综合评价结果的值的数量增加而增加实验。此外,神经网络下基于multispecies进化遗传算法,支持的旅游游客的比例高于82%,该地区和激励效率高于76%,这是在不注意可持续发展的旅游资源,旅游业由游客的比例不超过37%,和该地区的激励效果是不超过53%。通过观察这个结果,我们可以清楚地知道,在旅游资源可持续发展的影响因素是多元化的,有很大的优势获得旅游支持和测量区域的效率。这表明基于multispecies进化神经网络遗传算法可以对当前旅游资源的综合评价和有实际意义的旅游资源的总体发展规划。
5。结论
为了更好地分析神经网络的影响因素,我们需要专注于从可持续发展的角度分析和研究。在此基础上,基于multispecies进化神经网络综合评价模型遗传算法研究,以及影响因素的神经网络分析系统基于multispecies旅游资源的进化遗传算法设计。本文的创新是multipopulation进化遗传算法应用于神经网络的综合评价模型的影响因素。首先,三个特征参数与旅游资源选择的影响因素,和旅游资源评价体系影响因素基于multispecies进化的遗传算法。通过研究旅游资源的地位,旅游开发投资,显然和评估,本文定义了分层框架和整个旅游资源评价体系的指数关系。第二,评价方法的影响因素从多个角度,综合评价评估提供一个参考的科学研究建立一个智能综合评价系统。实验表明,基于multispecies进化遗传算法,旅游资源的综合评价的影响因素可以实现通过使用模糊评价,这有利于提高旅游资源的可持续性和获得旅游支持的可能性。然而,本文只着重于旅游资源系统的建设和不采取综合评价的影响因素,不同类型的旅游。因此,综合分析影响因素的综合评价系统需要进一步研究。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项工作是支持的重点科研项目广东省2021年教育部高校;研究数字转换和创新发展文化旅游的性能在5 g时代(项目号2021 zdzx3005);广东省教育部门的创新和强大的学校2018项目(省级重点平台和主要科研项目);商路Kong-Macao大湾地区海洋旅游人才培养研究(项目号2018 gxjk250);2020年广东省教育部教学质量和教学改革项目(大学生校外实践大量建设项目);珠海学院、旅游学院吉林University-Tourism管理实践教学基地广州镇远文化创意产业有限公司有限公司