@基于蒙特卡罗树搜索的智能行程规划系统设计

基于蒙特卡罗树搜索的智能行程规划系统设计DEMO0.1

github链接.https://github.com/blue-sky-sea/MCTS-TRAVEL-PLAN

（一）使用Googlemap API收集旅行点数据

以东京都横滨市为例

使用googlemaps库。google开发者的key自行申请。

googlemaps库的文档在此.

1.一个简单的例子如下：

#例子
#import库
import googlemaps#获取client
gmaps = googlemaps.Client(key='你的googlemapkey')#Places search
#查找 横滨红砖仓库 相关的地点
places_result = gmaps.places(query="横滨红砖仓库",location="35.4525944, 139.6428944",language="zh")

2.利用xlwt，将数据写入xls

#横滨预选的景点（我去过的大众景点hhh）
candidate_places_name_yokohama = ["山下公园","横滨红砖仓库","横滨未来21","横滨中华街","GUNDAM FACTORY YOKOHAMA","橫濱宇宙樂園","合味道纪念馆","Shin-Yokohama Raumen Museum","三溪园","横滨地标大厦","横滨面包超人儿童博物馆","横滨美术馆"]
import xlwt#导入xlwt库
workbook = xlwt.Workbook(encoding = 'ascii')#创建workbook
worksheet = workbook.add_sheet('Yokohama spot') #添加名叫Yokohama spot的sheetn=0
for spotname in candidate_places_name_yokohama:places_result = gmaps.places(query=spotname,location="35.4525944, 139.6428944",language="zh")#print(i)item=places_result['results'][0]print(spotname,":",item['place_id'],item['name'],item['geometry']['location'],item['formatted_address'])worksheet.write(n, 0, item['place_id'])#写入xls的n行0列worksheet.write(n, 1, item['name'])worksheet.write(n, 2, str(item['geometry']['location']))worksheet.write(n, 3, item['formatted_address'])n=n+1
workbook.save('/Users/liuyi/Desktop/Ttravel-Master/Main/DATA/Yokohama_spot.xls') #保存到xls路径

3.类似的方法，制作景点之间的交通数据集

就省略了。因为是demo所以数据集里面交通花费的时间和金钱都是一个确定的值。

4.根据需求对数据集里没有的数据进行人工添加（因为谷歌API没找到相关数据）

比如：

1.该地点是否更适合亲子/情侣游玩

2.更适合游玩的时间段（白天/晚上？）

3.附加的地点属性（二次元/购物/夜景/等）

4.特殊属性（横滨中华街新年活动等）

5.等

（二）利用MCTS interface构建AI-demo

MCTS interface 在这个地址，是github上一个大佬的，我感觉是我找到的最简洁的最好用的MCTS interface了
MCTS interface在此.

其中mcts.py中几乎不需要改什么代码
我们需要做的是完善exampleInterface.py中的方法
通过修改exampleInterface.py，我们就可以用mcts算法创造出五子棋AI，口袋妖怪AI或者是我们的智能行程AI啦
（根据目标特性的不同，code里面的方法）

（三）利用MCTS interface构建AI-demo的要点

这是马蜂窝上横滨的人气景点地图
上面没有显示高达工厂

1.在本demo中，为了方便我只考虑在横滨一天的简单行程规划。

2.设定早上开始时间为9点（已经在樱木町车站前），晚上结束时间最好是在20点前。

3.设定用户的预算，行程偏好（亲子/情侣/购物/等）

4.没有考虑午饭晚饭和住宿，而实际上根据我在问卷星上的调查，美食和住宿等的质量和花费实际上是最受用户关注

5.没有考虑天气因素和特殊事件等，实际规划应该要有

6.根据用户的偏好，对应景点的value要上升或者下降（比如亲子游的话酒吧商城这种地点的价值就应该下降，喜欢二次元的话秋叶原的价值就上升）

7.由于用MCTS进行规划很难客观评判好坏（因为每一个景点实际上都还可以玩玩的）所以在6的基础上，对树搜索设定一定限制，防止重复访问同一个子节点。

因为可能横滨中华街value最高，就一直先访问中华街的结点，而忽略了其他同样不错但评分可能略差一点的景点。
有陷入局部最优解的可能，而且规划的结果评定并不像五子棋的输赢规则那样鲜明。这是需要后续考虑的问题。

（四）基于flask构建前端，部署mcts-ai到项目上

app.py(flask.main.py)

# 导入Flask类
from flask import Flask
from flask import render_template
from flask import request# 实例化，可视为固定格式
app = Flask(__name__)# 配置路由，当前端请求/deal_request的action时执行deal_request()方法（前端可用ajax发起请求）
@app.route('/deal_request', methods = ['GET', 'POST'])
def deal_request():if request.method == "GET":# get通过request.args.get("param_name","")形式获取参数值#get_q = request.args.get("q","")#print("start ai")import syssys.path.append("../AI/")import MCTSmcts_manager = MCTS.mcts(timeLimit=10000)#开启mcts程序print("初始化中...")#from datetime import datefrom datetime import datetime#from datetime import timedeltastart_datetime = datetime(2021, 2, 1, 9, 30, 0)end_datetime = datetime(2021,2,1,20,30,0)initialstate=MCTS.State(nowspotname="横滨港未来21",travelpoint=0,totaltravelpoint=0,moneycost=0,onfoottime=0,now_datetime=start_datetime,end_datetime=end_datetime,hasbeenspots=[])print("初始化sucess")root = mcts_manager.search(initialState=initialstate)result = mcts_manager.getBestRoute(root)return str(result)#返回result到前端    elif request.method == "POST":# post通过request.form["param_name"]形式获取参数值post_q = request.form["q"]return render_template("result.html", result=post_q)if __name__ == '__main__':# app.run(host, port, debug, options)# 默认值：host=127.0.0.1, port=5000, debug=falseapp.run()

cmd 中python app.py 即可开启，访问127.0.0.1:5000

我的首页效果：

设定游玩偏好（其他设定还没code），点击运行MCTS-AI规划即可

等待15秒ai计算（因为是demo，设置个15秒够了）

通过alert（）很简单地把规划结果返回给了用户

但是根据结果，为啥最后一站是山下公园，感觉还是有点不太对劲。。。要改的地方太多了。

基于蒙特卡罗树搜索的智能行程规划系统设计（二）一个简单的DEMO相关推荐

基于蒙特卡罗树搜索的智能行程规划系统设计（一）最初的启发
引言如今旅游越来越受到人们的欢迎,旅游规划成为了必不可少的事情.然而,对于大多数旅游新手来说,制作一份完美的旅游规划是非常困难的事情.如果寻求专业的旅游规划师的帮助,或许能获得很好的旅游行程规划,但 ...
蒙特卡罗树搜索之初学者指南
摘要: 一直以来,学术界普遍认为在围棋游戏中机器是远不能和人类相比的,它被认为是未来十年内人工智能需要实现的目标之一.令人惊讶的是,在2016年3月由谷歌发明的Alpha Go以4-1击败了韩国的世界 ...
系统学习深度学习（四十）--基于模拟的搜索与蒙特卡罗树搜索(MCTS)
转自:https://www.cnblogs.com/pinard/p/10470571.html 1. 基于模拟的搜索概述什么是基于模拟的搜索呢?当然主要是两个点:一个是模拟,一个是搜索.模拟我们 ...
强化学习基础 | (18) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)
原文地址在基于模型的强化学习与Dyna算法框架中,我们讨论基于模型的强化学习方法的基本思路,以及集合基于模型与不基于模型的强化学习框架Dyna.本文我们讨论另一种非常流行的集合基于模型与不基于模型的 ...
AlphaGo与蒙特卡罗树搜索
导语多臂赌博机问题马尔可夫决策过程 MDPs 蒙特卡罗与马尔可夫决策过程 UniformBandit Algorithm Policy Rollout Algorithm Multi-Stage ...
AlphaGo背后的搜索算法：蒙特卡罗树搜索 alphago 代码
代码: https://github.com/Rochester-NRT/AlphaGo AlphaGo背后的搜索算法:蒙特卡罗树搜索本文首发于微信公众号号"编程派".微信搜索& ...
蒙特卡罗树搜索（MCTS）
蒙特卡罗树搜索(MCTS) 一种基于树结构的,在搜索空间巨大时仍有效的方法(区别于极大极小搜索和Alpha-Beta搜索) 1.思想: 将搜索树集中在更值得搜索的分枝上,如果某个着法不错,蒙特卡罗树会 ...
蒙特卡洛树搜索方法介绍——Q规划与Dyna-Q算法
蒙特卡洛树搜索方法介绍--Q规划与Dyna-Q算法引言回顾:直接强化学习与间接强化学习规划与学习的差异性分布模型与样本模型从算法更新图的角度认识规划与学习的差异性随机采样单步表格式Q规划 ...
【人工智能】基于蒙特卡洛树搜索和策略价值网络的AI五子棋算法设计
基于蒙特卡洛树搜索和策略价值网络的AI五子棋算法设计摘要蒙特卡洛树搜索算法五子棋博弈的状态价值函数附1:详细论文说明下载: 附2:实现代码下载(2022.10更新后代码): 摘要随着人工智能 ...

基于蒙特卡罗树搜索的智能行程规划系统设计（二）一个简单的DEMO