文摘

近年来,物联网发展迅速在人们的生活中。这种全新的技术充斥着人们的生活和广泛应用于许多领域,如医学领域,科学技术领域,工业和农业领域。现代技术,物联网有许多低功耗、多功能的特点,而且它还具有数据感知计算的特点。这是新产品的特点。在人们的日常生活中,物联网也与人们的日常生活密切相关。在旅游业中,物联网可以充分利用一切,充分发挥它的各种优势尽可能。物联网能感知跨通道旅游路线。这里,本文总结了各种算法的物联网推荐的旅游路线和工作的实验数据的方法,这些算法跨通道旅游路线的建议。仿真验证该算法的数据,与相关算法。我们分析和总结仿真结果。 At present, there is no comparative analysis of the performance of ant colony algorithm, genetic algorithm, and its optimization algorithm in tourism route recommendation. On the basis of crawling the tourism data in the Internet, this paper applies ant colony algorithm, genetic algorithm, max–min optimization ant colony algorithm, and hybrid ant colony algorithm based on greedy solution to tourism route recommendation and evaluates and compares the algorithms from three aspects: average evaluation score, optimal evaluation score, and algorithm time. Experimental results show that the max–min optimization ant colony algorithm and the hybrid ant colony algorithm based on greedy solution can be effectively applied to automated tourist route recommendation.

1。介绍

物联网是由不同的现代交织技术,包括无线通信技术和实时数据分析技术、机器语言学习技术,传感器技术,内置嵌入式系统(1]。内部的传感器感知物联网的意义对他们周围的事物各种信息定期和传送信息的知觉水平上应用物联网通过数据融合和网络传输,从而实现网络的一切。因此,相关的研究基于感知的物联网关键技术为互联网的发展提供了一个基础的事情(2]。目前,国内外各行各业的增加了相关技术的研究和发展物联网,物联网也有着紧密的联系,生活和生产。物联网的主要应用领域包括智能城市、智能家居、智能交通、智能环境,智能企业。2009年,IBM公司提出了创新的“智能地球”的概念,“ “物联网检测通过感知层和感知对象信息,互联网的一切都基于感知(3]。在传感领域关键技术的物联网,无线传感器网络是一种特殊的ad hoc网络(4],它扮演着非常重要的作用在物联网的感知。它不需要固定网络支持,具有快速发展的特点和强大的生存能力5]。它可以进行远程监控,实时监控,可以代替人们工作在恶劣或特殊环境,如污染的地区,那里的环境不能被摧毁,和临时区域,自然灾害的发生。无线传感器网络的主要应用如下:各种大型项目的安全施工和监测;监测牲畜和家禽的环境条件、作物灌溉、土壤空气变化和大规模的表面检测,和节水灌溉控制(6];和海洋物理研究、污染监控、数据采集、资源勘探、水下军事目标监控、定位、跟踪和分类。无线传感器网络的各种应用程序有一个共同的点,通过传感器网络中节点的位置信息来定位节点或目标或使用节点跟踪移动物体(7]。与无线传感器网络的深入应用在许多领域,尤其是在检测在军事侦察和监视敌人的基地和自然灾害的快速受伤的人的位置,这些应用程序需要的目标位置信息也使无线传感器网络节点位置和移动目标跟踪成为摆在我们面前亟待解决的关键问题在这个阶段(8]。总之,精度和能耗的优化目标定位和跟踪技术已逐渐成为一个研究热点。目标跟踪技术已成为基于知觉物联网的关键技术之一,广泛应用于军事和民用领域9]。目标跟踪技术的研究,需要考虑的重要因素是跟踪精度和跟踪能源消耗。目前,有成熟的跟踪算法,及其主要研究方向包括预测算法,跟踪结构,定位算法(10]。目前,在本文中,使用蚁群算法来研究跨通道旅行的数据路由算法根据物联网,及其研究方向是跟踪一个目标物联网的感知下(11]。该算法需要一致的维修时间,与此同时,所有节点位置的初始信息。需要持久时间的传感器网络目标重量值并添加适当的计算这个重量值,定位和跟踪更加合理12]。第二个是基于传播树的跟踪算法,利用遗传算法和优化算法的跟踪。算法使用一个动态树结构动态跟踪,这是不同于集中的跟踪算法。传播树是由附近的节点目标,节点数量的增加和减少动态的运动目标(13),从而确保高精度跟踪,减少节点的能量消耗,延长网络寿命。此外,提出了一种分布式动态合作跟踪方法,它使用一个高斯混合粒子滤波来估计目标状态(14]。算法使用卡尔曼滤波器预测线性运动和一个扩展卡尔曼滤波器预测非线性运动,具有较高的预测精度和使用动态集群结构实时跟踪(15]。该算法具有较高的跟踪精度和很强的适用性。这个算法的缺点是,它需要很高的计算能力和存储能力的传感器节点(16]。在多元化的现代社会,多目标跟踪的实际应用需要国内外学者加强目标跟踪技术的研究和开发的物联网,从而取得了很多相关研究成果。总之,物联网具有很大的应用前景。上面的算法被用于其他领域深入研究,主要用于位置跟踪和定位研究。然而,在一个算法,推荐旅游路线有一个大的错误,这使得它不可能实现精确的定位和跟踪。跨通道模型提出了应用蚁群算法,遗传算法,极大极小优化蚁群算法,基于贪婪和混合蚁群算法解决旅游路线推荐和分析评价分数和最优评价平均得分的选择路线,分别。这是基于优化模型的应用在上述算法的研究中,可以极大地提高算法的执行效率。

本文各种算法研究了组合和优化路线,选择最好的算法。产生的路径距离误差值不同的旅游景点有影响最小,可以在一个相对稳定的波动区间值来计算最优路径的解决方案,这可以大大减少出行路径选择的效率和旅行经验在人们的日常生活。在本文的第二部分,旅游路线算法的建模基础解释道。第三部分解释了无线传感器网络路由协议的集合和相关算法应用于旅游路线规划模型;第四部分是实验比较算法结合各种数学模型。

2。旅游路线算法建模的概述

当传统的旅游路径引擎为用户提供搜索结果,无论人民旅游的背景下,对于不同的旅行不返回返回相同的结果个性化结果根据人们的旅游路线选择特定的旅游模式,所以需要模型的路线17),挖掘人们的旅游路线选择方法通过分析旅游的历史行为或历史浏览内容的旅游路线。旅行路线的过程建模是指建立数据分析模型和表示相同的路线选择的人们的旅行目的和模式和人们的旅游行为的历史信息,如人的选择模式的旅游路线和旅游路线的时间消耗。主要目的是展示的结果选择最佳的路径不同的景点和目的地,这样人们可以快速有效地旅行,避免浪费时间由人民自己的路筛查(18]。旅行的路径数据建模,从字面意思可以看出,建立模型是基于旅游路径,路径密切相关的距离和时间的消耗,所以它有时被称为个性化建模。路径选择的结果并不是描述文字概述的最佳路径,但让人们的最优路径解决方案通过数据挖掘或物联网感知跟踪,然后表达从最优路径解决方案获得的数据在一个特定的数据结构的格式,通过研究数据分析人的路径选择不同的路径返回目标结果筛查(19]。第二个是算法的数据计算。通过数据挖掘和跨通道旅行路径算法分析物联网的感知下,收集到的各种路径的时间误差数据建模获得旅行路径的计算算法。该算法的数据计算是一个动态的过程,因为景点的选择决定了路径的长度,这些数据不是静态的,和不同的消费内容路径时间也会改变(20.]。因此,旅游路径算法模型还需要改变路径的变化。如图1的基础上,只有建立一个高质量的旅游路径算法模型的数据可靠性、严密性和科学性得到最终的最优路径解决方案更大程度上得到改善。

选择相应的兴趣旅游路线和计划相应的路线。进入个人分析,并推荐一些有趣的线路根据个人兴趣点。根据上面的个性化数据,用户的旅游路线。深入分析后的信息,比如人们流和路况感知物联网,为用户最终建造最好的旅游路线。

3所示。能源收购在无线传感器网络的路由协议

传统的物联网路由算法已经相当成熟,但是对于无线传感器网络的能源收购,路由算法研究并不深入21]。目前,已经有一些研究成果与感知路由算法的性能,和现有的研究主要是平面路由算法协议。本发明涉及一种路由协议有特殊能量收集模式,可以把数据能量收集工作作为一种特殊的节能路由协议的考虑因素。第一路由算法提出了一种混合路由度量相结合节点的剩余能量和能量收集率,然后提出了一种机制来更新邻居节点的信息。根据这一机制,邻居节点的信息更新(22]。节点可以自主选择最优数据down-transform取样位置,考虑混合路由指标之间的相关性和节点信息的数量在相邻位置区域。目前,一个机会路由协议专门用于最好的适应物联网感知。路由节点分为团体和确定每个节点的传输优先级考虑每个节点的可用能量和节点到汇聚节点的距离(23]。仿真结果表明,自适应机会主义路由有更好的吞吐量,公平,比其他路线和可伸缩性。地理路由添加到能源收购无线传感器网络,路由和路由被地理位置,使能源采集节点获得更好的性能24]。使用地理路由的概念,我们继续优化这条路线与重复性检测并获得地理路由算法;我们引入一个重复性检测机制的基础上地理路由。在转发数据包之前,我们检查是否相同的数据包被发送之前,如果是这样,我们丢弃当前数据包,从而提高网络性能和网络转发效率(25]。不同的布局和应用场景的能量收集节点进行了分析,不同的路由协议进行了比较和分析,路由算法和节点位置指示适用于最优路径算法发现的解决方案。合作path-aware吞吐量算法提出了优化基于路径算法模型。这些算法显示有效的改进和性能改进电力调度问题不同的时间延迟。现有的物联网感知路由算法主要是平面的,而传统的分层路由算法为物联网应用程序主要是针对同构传感器网络;也就是说,每个节点的初始能量是相同的(26]。数据采集无线传感器网络中的节点异构;能量是不同的。如果我们用经典集群路由协议在物联网感知,节点用更少的能源将睡眠或死于过度的能源消耗,这将导致网络故障。因此,传统的聚类路由算法不能直接应用于物联网感知模型的最优路径算法。每一层的结构图当前物联网如图2。

3.1。解决旅游路线规划的数学模型

为了比较数学模型的基础上,旅游路线的基本遗传算法,本文的中心思想和体系结构,提出了混合蚁群算法。和混合蚁群算法用于推荐最好的旅游路线。一些数学算法模型涉及的主要架构包括染色体self-coding,适应度函数的选择,和数据分析运营商架构。详细的数学评价方法和算法,这些算法模型描述如下:(1)染色体编码:人们常见的旅游路线可以显示二进制编码的机器语言。例如,染色体序列数量10个维度可分为(0 1 0 1 0,0,0,0,0,1)来表示,然后2,4,10到当前选择最佳路线根据染色体编码的特点。(2)适应度函数:一般遗传算法、关键和最重要的事情是适应度函数的构造模式体系结构模型。目前,它是用来评估和选择目标数据源和染色体遗传概率区间可以计算相应的数据影响的单一目标的框架选择运营商,这是关键因素指数参考是否流行的遗传算法可以实现最优解的路径。因此,适当的适应度函数的选择可以直接影响到遗传算法的收敛性和发生速度和是否足以解决函数找到最优路径。适当的函数的数学评价模型构建摘要如下: 在哪里 健身旅游经典吗 ; 是景区的目标优化函数成本,这是由景区票价等信息;是目标优化函数的风景区,代表景区的游客总数;最低成本和吗是最大的成本;γ是成本的比例因子和热量的比例因子。γ射线的作用是防止成本或热的价值波动太多,为了平衡成本和热适度的影响。(3)使用轮盘赌选择算子:,首先,健身的总和计算对应于所有人群;然后,相对健康 计算每个个体的轮盘赌的概率,每个概率值形成一个区域和概率的总和是1。最后,生成一个随机的值在0和1之间,和每个被选中的次数决定根据随机数在上面的发生概率。采用精英统治,强行将上一代的最佳个体直接复制到下一代,这样下一代的个体将优于上一代。和分别是最大和最小的因变量。 (4)遗传算法:遗传算法是完全不用于其他外部综合信息系统的搜索和自我进化的过程。它只计算单个解决方案的优点和缺点的评价函数和使用这个作为基本依据后续基因的操作步骤。由于遗传算法的建设和适应度函数比较排列号码和在此基础上计算的概率的大小选择的数据,因此,适应度函数的选择整数值的值应该被选中。因此,在许多情况下,适应度函数是特别必要,如果目标函数demapped找到最大的传统形式函数值和随机函数值是负的: (5)蚁群算法:从字面上来说,它相当于蚂蚁寻找最短路径,这是由于信息素和环境。假设有两条路径的蚂蚁选择食物点返回蚁巢,蚂蚁在前两个路径的数量是相等的。当一只蚂蚁到达目标点,它将立即根据原路返回。路径上的蚂蚁,两条路径消耗相对较短的距离很短的时间内去来回,以及重复的频率增加。蚂蚁来回的数量在一定的时间内将增加,和信息的路径的数量也会增加,吸引其他的蚂蚁和树叶比以前更多的信息。另一方面,相对较长的路径将是相反的,所以越来越多的蚂蚁会离开来回达到最短路径的信息。的数据,代表path变量,代表了因变量,代表独立变量的距离,代表蚂蚁独立变量的数量,所以下面的蚁群算法公式可以得到: (6)混合蚁群算法:相应的模型公式是由贪婪与蚁群算法相结合的解决方案。蚁群算法的基础上,增加矩阵列的数量。添加量的信息结构。因此,因变量会有更多的参考价值。通过数量区间,最终计算值的误差会更小。比较基于旅游路线推荐算法可以形成比较的数据格式,并可以通过学习获得最优解的误差区间数据量结合物联网的感知。因此,混合蚁群算法模型的公式如下:

在综合算法,是数据量的最优解,是距离变量,是返回值的距离,是第一个产品价值的返回值,是第二个产品价值,是终止变量。以选择最佳的旅游路线,建立评价模型来评估是否它是最好的旅游路线。建模的想法是选择旅游路线为主受欢迎的景点,景区门票价格的总和和酒店费用很低。因此,一个最佳的得分函数定义旅游的路线,这是用来评估的分数值不同算法得到的旅游路线,和高分数表明,路线很好。 在哪里是一个可变频率的无线传感器网络的事情。通过感知变量的位置和跟踪频率转换,它可以使旅游路线更加本地化。是物联网的网络层系数值。当系数层物联网的变化,组件可以变得不确定,计算误差变大波动的影响。无线自变量系数,感应时代的无线系数增加而增加。最后,跨通道感知错误的价值可以通过数学评价模型计算获得的。

3.2。旅游路线的选择和分析实验数据

国内外学者主要关注改进蚁群算法;然而,当改进蚁群算法是有效的或能达到他们的预期结果,这通常需要验证的例子。本章给出了比较之前和之后的数据算法改进的形式的例子。当有更多的数据时,使用的是理想化的标准数据库中的数据。一些学者使用给定的点坐标研究车辆路径的路线规划,然后使用给定的点坐标得到两点之间直线距离和使用获得的距离而不是距离值在实际道路条件,这显然是不符合实际的道路条件。我们可以从当前的研究数据是假设一个旅游爱好者继续客场之旅,前往107年4 a级国家重点旅游景点后,这107个旅游景点都位于不同的省份和地区。这样,旅游路线的自变量和因变量的数据会影响旅游的数量在不同年的天数从出发到完成旅行。的总开支旅游、出行时间、出行选择模式,旅游时间,受制于外部环境,可以概括为离散值表达这种不确定因素。再次,旅游的成本可以包括许多因素构成其他费用,如在路上的成本费用,道路的人数和住宿费用。假设全程的运输方式是无人驾驶的。 If one or several factors are regarded as invariants, other factors can be determined, a mathematical model can be established, and the optimal route can be planned under the corresponding constraints. Because these 107 scenic spots belong to different provinces, therefore, we give priority to various scenic spots in the province as independent variables. Then, the shortest time ratio of each scenic spot in each different province is calculated. Then, the mathematical evaluation model under the perception of Internet of Things is established in turn to study. Then, the best travel path chart mode of different scenic spots in the same province is planned, and the big data perceived by the same Internet of Things finds out the distance between different scenic spots in the province. According to the planned road map, the time required from the unit scenic spot to the next unit scenic spot can be studied in turn. Moreover, the total travel time of scenic spots in each province and the total time required for a unit scenic spot to another unit scenic spot are the total travel time consumption data in each same province. Then, the provinces were taken as the unit, and the mathematical algorithm evaluation model is established in turn. Under the control of corresponding constraint indexes, the best road map between provinces is planned, and the time needed from one province to another is calculated. The total time loss of each trip is the total time needed from the target province to the unit province and the total time consumption data of playing in the province. As shown in Figure3基于数据选择和建设人们的旅游路线,一方面,采用随机抽样的数量和每个景点的路线,时间,另一方面,采用随机抽样的数据选择,以确保数据的可比性和严密性。抽样,它是必要的,以确保批处理计算可以进行路径分析和计算研究的几种算法,嵌入和无线传感分析数据可以进行物联网的感知下旅行。结合算法,可以减少不确定性和维间隔可以控制。因此,有必要掌握的数据选择景点。最近,旅游部门发表了一份报告,对中国旅游业的发展。数据显示,中国有201 5 a级景区。在过去的两年里,增长率下降了6.29%和8.06%,分别。结果表明,5 a级景区的发展已经进入了一个稳定的时期,和5 a级景区门票的优势显示出下降的趋势。到2014年下半年,5 a景区的旺季门票下降了22.15和1.94,分别与2018年和2019年相比,平均票价103元/票,平均淡季票价为93元/票。与2019年相比,总价格下降了19.88,和2013年下降了1.33。 In 2020, 186 5A scenic spots were searched for keywords, and the network attention of 5A scenic spots increased significantly compared with 13 years, with an increase of 21%. This research report counts the daily average of Baidu Index, and uses Baidu Index Search Platform to search the results, which reflects the network attention of 5A scenic spots in 2014.

距离、成本和时间是重要的指标为用户测量行程,所以它是重要研究意义选择这三个指标综合比较。从图可以看出3,景区在成本和低价格的优势,但是旅行时间短和用户体验并不理想。4 a景区之间的经验标准是风景区3和5 a景区。根据客户的个人需求,选择相应的问题在这三个指标,适当的建议和相应的旅游景点,有一个有效的推荐率。

4所示。实验

旅游路线推荐算法的推荐实验基于物联网感知,在这篇文章中,随机选择几个变量数据,如路线,景点的距离,和成本应用于算法模型。计算出所选数据获取最终的数据与最短路径和数据最少的时间消耗,建模,并应用该算法;利用物联网的传感技术来跟踪的路径和时间,本文使用四个算法计算应用于不同的风景区旅游数据,蚁群算法、贪婪算法,混合蚁群算法和遗传算法。目前,这四个算法部分研究,方便施工和计算算法。他们是现代计算方法,可以有效地结合物联网传感技术,和跟踪延迟代表的时差的时候获得的位置信息是通过跟踪和定位,在指定的时间。三个算法的仿真开始时间是相同的,和跟踪延迟获得的平均值之间的差异决定的时间和位置信息的实际设置时间通过几个实际轨迹跟踪算法。跟踪模拟网络与不同数量的节点执行,跟踪延迟的趋势和网络中节点的数量。传感器跟踪和定位是一种简单而有效的定位方法,适用于家庭环境。通过判断这个职位,它可以判断用户是否位于信号盲区和墙的两边,然后优先考虑用户的网络接入问题。室内移动目标的跟踪和定位主要包括两个步骤:目标位置预测和目标定位。 Aiming at the characteristics of simple motion and low speed of moving targets and weak computing power of sensor nodes in smart homes, the dynamic cluster structure is used to track, the prediction algorithm adopts grey model based on wavelet denoising, and the trilateral positioning method based on RSSL is used to realize coordinate positioning.

4.1。比较实验数据

数据比较图的四个算法相同的路径如图4。可以看出,蚁群算法可以有效地推断出景区的最短路径相对较短的距离,并在四个算法,蚁群算法在计算的时候不是特别突出旅游路线。相反,混合蚁群计算可以大大提高,在此基础上分析数据。跟踪下基于物联网的感知,通过跟踪算法的性能评估的准确性,由之间的距离跟踪测量位置和实际的目标移动位置,100秒后,平均精度运动。和比较跟踪结构的大小。10轮的运动后,跟踪精度地图。不同的窗帘结构尺寸对跟踪精度的影响。跟踪距离半径是1200、1000、800和600米,分别和相应的跟踪精度小于0.4米。动态集群结构的半径越小,越跟踪效果。当集群结构变得越来越小,它包含更少的跟踪节点,从而导致减少跟踪信息和动态集群跟踪精度的下降。

蚁群算法的准确性路径,计算数据的错误率的平均最优路径,和理论最优路径下离散值的变化如图所示5。可以看出,蚁群算法已值在0.2和0.5之间,所以一些近似离散值在0.2和0.5之间可以获得合成后,0.2,0.3,0.4,和0.5,分别。离散值的变化的影响参数对手术结果表示。当离散值为0.2,蚁群算法的计算出错率始终保持在一个正常的区间域。虽然错误值增加时,离散值是0.3,它仍然会正常间隔级别。然而,当离散值达到0.4,误差值逐渐增加超出了正常的间隔区,当离散值达到0.5,误差值达到高峰,这超过了正常的间隔很多。可以看出,蚁群算法,离散值的影响感知物联网在蚁群算法的计算错误率不是重大波动时0.2和0.3,但当它超过0.3,对蚁群算法的误码率的影响提供了一个积极的增加趋势。因此,实验的比较应该控制变量离散值的选择。

当约束条件是不变的,遗传算法使用多元回归计算和迭代计算来计算和分析路径,错误值是不那么显而易见。但时间计算,遗传算法的分析数据产生偏差值。因此,旅游线路的规划,时间参数的选择将会相应的影响遗传算法的数据。遗传算法而言,不同的时间参数的选择可以看到图的数据分析6。的时候需要正常的区间数,路径的遗传算法的分析和计算是没有明显的波动在一个相对正常的区域,当上面的时间是4鳞片,计算数据的路径逐渐产生偏离最优路径数据,表现出日益增长的趋势函数成比例。因此,通过遗传算法在计算旅行时的路径,时间参数应该积极选择的范围。当单位时间超过4.32,选择路径的偏差达到41.2%,而正常区间应该在23% - -30%的区间波动。结果表明,遗传算法得到的最优解在一定的误差范围内是已知最优解;它能找到的路径顺序和路径值非常接近已知最优解提供的数据库。摘要解决蚁群算法的准确性非常接近目前已知最优解,这反映了遗传算法在本文设计的合理性解决路线从侧面,和具有参考意义。

贪婪算法,数据更准确的显示形式,贪婪算法是一种算法设计理论,计算出最优数据的数据更简单和迅速。一般来说,贪婪算法的最大特点是旅游路径分析来计算一步一步。通常,基于当前状态为理论基础,我们寻求一个最优测试作为最佳选择的路径数据,但从这方面,我们放弃一些数据比较的外部条件,可以节省很多不必要的时间消耗和数据计算寻求最优解的数据。贪婪算法是不同于其他的最短路径算法。它采用自顶向下的计算方法。通过迭代模型建设,继承了贪婪的选择选择数据,所以每次贪婪的数据进行选择,所有复杂的问题都将沦为一个小数据处理子问题,只要每一步都贪婪的选择是,子问题的贪婪的数据解决方案。尽管贪婪数据的子问题可以获得在每个步骤中,所有问题的唯一解有时不能保证最优数据,所以贪婪算法不能把数据回溯的方式。如图7的影响,可以看出,贪婪算法的迭代次数和数量的子问题的比较数据波动的数量贪婪的路径选择。

从获得的数据解决方案的贪婪算法最优旅行路径,可以看出离散值的波动的影响在于贪婪算法离散值越低,波动越大。这是一个反向的趋势与遗传算法相比。的时间消耗,贪婪算法离散值几乎没有影响,但从错误,选择离散值为0.2时,波动达到高峰,超过了正常价值区间,选择离散值为0.3时,波动逐渐减小,当离散值选为0.5,误差值是最小的,波动相对稳定。计算最优路径最短的距离和最小的迭代时间的解决方案。贪婪算法基于物联网感知计算数据对出行路径,如图8。

贪婪算法的最优解的子问题,子问题的解决方案,最优解,算法迭代代数和反馈进行了分析。最优解,迭代代数算法反馈显示最佳性能的2.5倍,而子问题的解决方案显示出更好的性能在3次。整个算法显示了最佳性能从2.5到3倍。

混合蚁群算法也被称为蚁群优化算法。蚁群算法的基础上,相互信息元素是用于构造信息来源。粒子群优化算法由信息优化可以利用目前单个个体的位置信息。当前迭代算法计算三个信息来源,即极限值的单一单元在计算和极限值之前全球区域构造。通过改变速度、位置数据的覆盖率和编译的单一单元可以完成,然后产生的改进措施可以解决最优路径问题的数据。根据目前的实验研究,上述常见的蚁群算法也特别容易产生数据和陷入局部最优解的分析数据。通过蚁群算法和数据解决不是特别快。因此,普通蚁群算法的混合组合算法和数据可以使用粒子群优化算法,称为混合蚁群算法。它可以补充不足的路径算法,从而提高了数据生成算法的最优解的速度和解决一个问题的局部最优问题的路径。它可以根据构造普通蚁群算法的混合算法模型和数据粒子群优化算法。 After the algorithm flow completes an overall calculation according to the normal ant colony algorithm, then, we let ants adjust and analyze their positions according to the individual optimal limit range in particle swarm optimization and the optimal problem data value of the whole path problem; then, this hybrid algorithm can be applied to the calculation of traveling salesman path problem at present. As shown in Figures9和10可以看出,混合蚁群算法明显提高了旅行的时间路径分析和计算最优路径。和最优路径可以在短时间内迅速获得和减少损失率。当选择离散值,它将不会收到波动变化,这样的数据路径的最优解算法获得的绝对稳定的趋势。在混合蚁群算法的理论路径,也可以实现目标指数的分析速度和整体计算的数据,这样的距离旅行路径可以优化。

5。结论

携带蚁群算法、遗传算法、贪婪算法和混合蚁群算法研究的旅行路径结合物联网传感数据,通过分析这些算法的理论路径解决方案最优路径解决方案和时间损失,根据一些数据的比较,如离散值的误差数值分析,选择混合蚁群算法是一种算法模型推荐的跨通道旅行路径比较基于物联网感知。基于该算法模型,路径距离误差值的影响所产生的不同的旅游景点选择最小化。最优路径解决方案可以通过波动计算在一个相对稳定的区间值。这可以大大减少效率选择旅游路线和旅游经验在人们的日常生活。今天的物联网的感知下,尽管其他三个算法都有自己的优点和缺点,选择的路径可以在很短的时间内,但离散值是0.2。错误选择的0.3,0.4,和0.5 18.7%超出了正常值范围。在最优路径,产生的价值波动的贪婪算法的迭代次数也在42.3% ~ 47.1%的波动幅度,和时间损失率由蚁群算法重复来回在13% ~ 18.2%的范围。但混合蚁群算法解决了这个问题。在离散值的选择,错误的值也可以保持在正常范围内波动的10% ~ 15%。它可以大大降低峰值数据约17.32的时间损失。 In terms of regression value, the regression value of hybrid ant colony algorithm (3.971) is far lower than that of ant colony algorithm (0.23). When it is negative, the choice of optimal path also produces a negative interval domain of -1.172~1.42. Therefore, the construction and calculation of hybrid ant colony algorithm are recommended in the research of cross-modal travel path algorithm based on Internet of Things awareness. A future work focuses on multiroute optimization in the application of various algorithms and may consider the road conditions, traffic, and people flow of the routes for comprehensive application. According to the current application of tourism websites, this paper comprehensively evaluates the hot spots and whether to recommend the corresponding routes.

数据可用性

使用的实验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,关于这项工作他们没有利益冲突。