目录

💕一、问题重述💕

🐸问题 1🐸

🐸问题 2🐸

🐸问题 3🐸

🐸问题 4🐸

🐸问题 5🐸

💕二、解题思路💕

🤡问题 1

🤡问题 2 使用模糊综合评价法

🤡问题 3 使用模拟退火算法

🤡问题 4 在问题 3 基础上进行优化

🤡问题 5 按照我的方法进行优化

💕三、解题代码和结果💕

🙌问题 1🙌

 🙌问题 2🙌

 🙌问题 3🙌

 🙌问题 4🙌 

 🙌问题 5🙌  

 💕解题代码和成品论文获取💕

🐹解题代码详细讲解（Bil：white学长努力中）🐹

🐹解题代码（面包多）

🐹成品论文（面包多）🐹 

 🐹联系方式（Q）🐹

💕一、问题重述💕

最近，

“city

不

city”

这一网络流行语在外国网红的推动下备受关注。随着我国过境免签政策的落实，越来越多外国游客来到中国，通过网络平台展示他们在 华旅行的见闻，这不仅推动了中国旅游业的发展，更是在国际舞台上展现了一个真实而生动的中国，一举多得。假设外国游客入境后能在中国境内逗留 144

小时，且能从任一城市附近的机场出境。由于每个城市景点较多，为了便于外国游客能够游览到更多的城市，现假定“

每个城市只选择一个评分最高的景点游玩

”

，称之为

“

城市最佳景点游览原则”

。现有一个包含中国（不含港澳台）352

个城市的旅游景点的数据集，每个城市的 csv

文件中有

100

个景点，每个景点的信息包含有景点名称、网址、地址、景点介绍、开放时间、图片网址、景点评分、建议游玩时长、建议游玩季节、门票信息、小贴士等。请建立数学模型，回答下列问题：

🐸问题 1🐸

请问

352

个城市中所有

35200

个景点评分的最高分（

Best Score

，简称 BS

）是多少？全国有多少个景点获评了这个最高评分（

BS

）？获评了这个最高评分（BS

）景点最多的城市有哪些？依据拥有最高评分（

BS

）景点数量的多少排序，列出前 10

个城市。

🐸问题 2🐸

假如外国游客遵循

“

城市最佳景点游览原则

”

，结合城市规模、环境环保、人文底蕴、交通便利，以及气候、美食等因素，请你对 352

个城市进行综合评价，选出“

最令外国游客向往的

50

个城市

”

。

🐸问题 3🐸

现有一名外国游客从广州入境，他想在

144

小时以内游玩尽可能多的城市，同时要求综合游玩体验最好，请你规划他的游玩路线。需要结合游客的要求给出具体的游玩路线，包括总花费时间，门票和交通的总费用以及可以游玩的景点数量。他的要求有：

① 遵循城市最佳景点游览原则；

② 城市之间的交通方式只选择高铁；

③ 只在“

最令外国游客向往的

50

个城市

”

中选择要游玩的城市。

🐸问题 4🐸

如果将问题

3

的游览目标改为：既要尽可能的游览更多的城市，又需要使门票和交通的总费用尽可能的少。请重新规划游玩路线，并给出门票和交通的总费用，总花费时间以及可以游玩的城市数量。

🐸问题 5🐸

现有一名外国游客只想游览中国的山景，他乘飞机入境中国的城市不限。请你为他选择入境的机场和城市，并个性化定制他的 144

小时旅游路线，既要尽可能的游览更多的山，又需要使门票和交通的总费用尽可能的少。需要结合游客的要求给出具体的游玩路线，包括总花费时间，门票和交通的总费用以及可以游玩的景点数量。他的要求有：

①每个城市只游玩一座评分最高的山；

②城市之间的交通方式只选择高铁；

③旅游城市不局限于“

最令外国游客向往的

50

个城市

”

，游览范围拓展到352 个城市。

💕二、解题思路💕

🤡问题 1

目标：找出352个城市中35200个景点的最高评分（BS）、获得此评分的景点数量以及具有最多这种评分景点的城市。方法：首先，你需要从每个城市的CSV文件中提取所有景点的评分，并找出最高评分（BS）。之后，计算达到最高评分的景点数量，并统计每个城市获得该评分的景点数量。最后，按照这种评分的景点数量对城市进行排序，列出前10个城市。

🤡问题 2 使用模糊综合评价法

目标：使用模糊综合评价法（Fuzzy Comprehensive Evaluation, FCE）对352个城市进行综合评价，选择最吸引外国游客的50个城市。方法：    

确定评价因素和等级：选择影响城市吸引力的因素，如城市规模、环境保护、人文底蕴、交通便利、气候、美食等。构建模糊关系矩阵：基于专家评分或数据统计，为每个城市的每个因素分配一个隶属度值。定义权重向量：确定各因素的权重，可以使用专家评分、问卷调查等方法确定。模糊综合评价：通过权重向量与模糊关系矩阵的模糊合成，计算每个城市的总体评价值。选择和排序：根据总体评价值选择得分最高的50个城市。

🤡问题 3 使用模拟退火算法

目标：为一名从广州入境的外国游客规划144小时内的最佳旅游路线，访问“最令外国游客向往的50个城市”中尽可能多的城市。方法：

定义状态空间：每个状态表示一个可能的旅行路线。目标函数：定义目标函数来评估每条路线的质量，包括访问的城市数量和综合体验评分。邻域结构：定义如何从一个状态转移到另一个状态，例如更换一个城市的访问顺序。模拟退火过程：从初始解开始，通过随机扰动生成新状态，根据目标函数和温度参数接受或拒绝新状态，逐渐降低温度直到收敛。

🤡问题 4 在问题 3 基础上进行优化

目标：在尽可能多地游览城市的同时，尽量减少门票和交通的总费用。方法：在模拟退火算法的基础上，调整目标函数来同时考虑游览城市数量和总成本（门票+交通）。通过调整成本和数量的权重，找到最佳的权衡方案。

🤡问题 5 按照我的方法进行优化

目标：为主要想游览中国山景的外国游客定制144小时内的旅游路线。方法：

数据准备：识别每个城市中评分最高的山。路径优化算法：使用模拟退火算法，定义状态为游览的城市和山，目标函数为最大化游览的山数量和最小化总成本。邻域结构：可以通过更改访问城市的顺序或替换城市来生成新状态。实施细节：需要结合高铁时刻表和城市间距离来优化路线，考虑山景开放时间和门票费用。

💕三、解题代码和结果💕

🙌问题 1🙌

<code>import matplotlib

# 设置Matplotlib支持中文字体

matplotlib.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体

matplotlib.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

#%%

import pandas as pd

import glob

import matplotlib.pyplot as plt

# 指定包含所有CSV文件的文件夹路径

folder_path = '附件/'

def read_data(folder_path):

# 使用glob模块找到文件夹中的所有csv文件

file_paths = glob.glob(folder_path + '*.csv')

print(f"Found {len(file_paths)} files.") # 打印找到的文件数量

data_frames = []

for path in file_paths:

print(f"Reading {path}") # 打印正在读取的文件名

df = pd.read_csv(path, usecols=[6]) # 只读取评分所在的第G列，索引为6

df.columns = ['评分'] # 重命名列为"评分"

df['City'] = path.split('/')[-1].split('.')[0] # 提取城市名

data_frames.append(df)

if data_frames: # 检查是否有数据框存在

all_data = pd.concat(data_frames)

return all_data

else:

return pd.DataFrame() # 如果没有数据框，则返回空的数据框

def analyze_data(data):

if data.empty:

print("No data to analyze.")

return None, None

# 数据清洗：确保评分列为数值类型

data['评分'] = pd.to_numeric(data['评分'], errors='coerce') # 将无法转换为数值的转换为NaNcode>

data.dropna(subset=['评分'], inplace=True) # 删除包含NaN的行

# 找到最高评分

best_score = data['评分'].max()

print(f"最高评分(Best Score, BS): {best_score}")

# 计算获得最高评分的景点数量

best_score_count = data[data['评分'] == best_score].shape[0]

print(f"获得最高评分的景点数量: {best_score_count}")

# 找到获得最高评分的景点最多的城市

best_score_cities = data[data['评分'] == best_score].groupby('City').size().sort_values(ascending=False)

print("获得最高评分的景点最多的城市:")

print(best_score_cities.head(10))

return best_score_cities.head(10), best_score

def plot_top_cities(best_score_cities, best_score):

if best_score_cities is not None:

plt.figure(figsize=(10, 6))

best_score_cities.plot(kind='bar', color='skyblue')code>

plt.title(f'评分{best_score}的旅游景点最多的城市')

plt.xlabel('城市')

plt.ylabel('旅游景点数量')

plt.xticks(rotation=45)

plt.tight_layout()

plt.show()

# 执行分析

data = read_data(folder_path)

top_cities, best_score = analyze_data(data)

plot_top_cities(top_cities, best_score)

 🙌问题 2🙌