文献综述（或调研报告）：
随着旅游业的迅速发展，消费者对旅游出行的质量提出了更高的要求。同时，旅游业的发展历程中也涌现了众多学者对于科学进行旅游路线规划的探索和研究。
对于旅游规划和旅行商问题的求解，国外学者较早展开研究并取得许多成果。Clare Gunn[1]于1977年研究了旅游增长所带来的问题并建议进行长期的旅游系统建设，并且研究了启发式算法以解决旅行商问题求解过程中的低速问题和过早收敛问题。Kenneth Gilbert[2]提出了多阶段的多旅行商问题，并利用启发式算法使得在多项式时间内求得可行解，文中提出的基于时间序列的旅行商问题对于行程规划有较广的应用意义。A. L. Amith等[3]通过应用基于最短路径的启发算法解决了路线规划问题，利用正态概率分布来动态地分配节点间的权值，取得了较好的实验结果。Keivan Ghoseiri等[4]将旅行商问题应用于列车调度，通过蚁群算法的求解为旅行商问题提供了一种优化方案。此外，也有学者进行智能旅游路线推荐的研究，如Zheng等[5, 6]通过对GPS轨迹数据进行挖掘，使用协同过滤算法进行旅游景点和旅游路线的推荐。
国内旅游路线规划研究起步较晚，但随着近年来旅游业的蓬勃发展，国内学者在路线规划和算法研究方面也取得了一系列成果。吴凯[7]对旅游路线和路线规划进行了微观层面的通则性分析，并应用运筹学和图论知识对旅游路线的科学管理进行了规范性分析，使得旅游规划与运筹学紧密结合。杨云鹏等[8]应用遗传算法对全国5A景区进行旅游路线规划，并提出旅游可持续发展的评价指标体系。徐峰等[9]研究了相遇算法，使得蚁群算法在旅游路线规划中能动态规划，实现了旅游景区的负载均衡。徐守坤等[10]提出了一种基于个体的二次推荐方法，使得用户需求与旅游资源进行个性化匹配。
在对基于旅行商问题的路线规划求解上，许多学者利用启发式算法中的蚁群算法进行求解，使旅游路线规划更具有科学性和效率。蚁群算法由学者Dorigo等[11-13]提出，是求解旅行商问题的启发式算法。近年来，学者们对蚁群算法在旅游路线规划问题上的应用和改进取得了一系列研究成果。M.Mavrovouniotis等[14]提出了一种局部搜索因子，对蚁群算法进行改进，使得对于对称和非对称旅行商问题的求解都取得较好结果。Ye等[15]针对蚁群算法容易陷入局部最优的缺点，对启发式因子和信息挥发系数采用了动态设置，增加了路径选择的多样性，对旅游产品的路径优化进行了改进。Yang等[16]将变异过程和局部搜索加入蚁群算法，使得对广义旅行商问题的求解更为有效。国内学者中，吴斌等[17]将采取并行策略的分段算法与相遇算法结合，提出了基于蚁群算法的旅行商问题分段求解算法。刘倩等[18]利用遗传算法找寻可行解，并将其转化成蚁群算法的信息素，使得改进后的蚁群算法提高了寻优效率。杜鹏桢等[19]提出了一种面向对象的多角色蚁群算法，对蚁群按不同城市类别进行角色划分，增强了蚁群的搜索能力。胡军国等[20]将蚁群算法与模拟退火算法进行结合，在每个阶段对蚁群的路径进行取舍，使得在路径规划中具有良好的稳定性。
参考文献：
[1] Gunn C A. Industry pragmatism vs tourism planning[J]. Leisure Sciences, 1977, 1(1): 85-94.
[2] Gilbert K C, Hofstra R B. A new multiperiod multiple traveling salesman problem with heuristic and application to a scheduling problem[J]. Decision Sciences, 1992, 23(1): 250-259.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
