最小的城市所在的经线为y轴，计算18座城市的坐标。
将城市进行编号，计算相应城市间的距离得到附表2（见附录I），得到编程数据（见附录II）。 (2)求解最短路径
利用上述蚁群算法的步骤，使用附录II的数据，编写Matlab程序，得出以下结果：
Shortest_Route =
1→ 2→ 8 →9 →7 →3 →14 →13 →15 →17 →18 →16 →5→ 6→ 4 →11
→12 →10
图一：Matlab模拟图
对上述结果进行处理，根据城市编号求出最优解为：
北京→东京→苏丹→奥克兰→悉尼→曼谷→喀土穆→开普敦→南极→里约热内卢→圣地亚哥→利马→洛杉矶→阿拉斯加→渥太华→斯德哥尔摩→日内瓦→莫斯科
由上面结果可以在中国地图上模拟出最短路线，如下：
6
图二：问题一模拟路径图
5.1.5设计旅游行程表和求出总费用
我们根据蚁群算法得出游览全部城市的最短路径，在得出的最短路径的基础上，我们通过查阅火车票价、车次、运营时间，等大量资料和数据，尽可能的减少其在行程上的花费并且得出最少的总旅游费用为56430元。 5.2问题三的求解 5.3.1模型的建立 基于第一问的模型，我们稍作改进。因为第二问要求安排时间最短的旅游行程表，而费用不限，由于飞机费用过大，所以在第一问我们未做考虑，但由于其时间比火车和汽车都要快的多，所以我们把飞机作为首要考虑对象加入第二问中。
第一问的模型中，是把任意两点之间的距离作为参数，从而进行求解，得出最短路径。在第二问中，我们把任意两点之间的所乘坐的交通工具的最短时间作为参数，建立时间最优化模型,结合Lingo软件（程序见附录III）求出经过所有旅游景点的花费时间最短的路线。 5.3.2模型的解释
在模型中，我们引入0-1变量，若通过两城市之间的路径，则赋值为1；若不通过两城市之间的路径，则赋值为0。对于无向图的最短时间路径问题，可以这样理解，从点到点和点到点的边，看成有向弧，其他各条边均看成有不同方向的双弧，因此，可以按照前面介绍有向图的最短时间路径问题来编程。[3] 5.3.3模型的求解
利用上述算法的步骤，使用附录II的数据，编写Lingo程序，得出以下结果：
7
Variable X( 1, 2) X( 2, 6) X( 3, 1) X( 4, 11) X( 5, 4) X( 6, 5) X( 7, 3) X( 8, 7) X( 9, 8) X( 10, 15) X( 11, 14) X( 12, 10) X( 13, 17) X( 14, 13) X( 15, 9) X( 16, 18) X( 17, 16) X( 18, 12) Value 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 Reduced Cost 2210.000 5534.000 3280.000 6011.000 3808.000 3674.000 7520.000 3217.000 2106.000 1688.000 5002.000 2421.000 6069.000 5676.000 1688.000 2460.000 3779.000 1169.000
即最短时间路径：
1→ 2→ 6 →5 →4 →11 →14 →13 →17 →16 →18 →12 →10 →15 →9 →
8 →7 →3
对上述结果进行处理，根据城市编号求出最优解为：
北京→东京→阿拉斯加→洛杉矶→渥太华→斯德哥尔摩→喀土穆→开普敦→里
8
约热内卢→利马→圣地亚哥→日内瓦→莫斯科→南极→奥克兰→悉尼→苏瓦→曼谷。
由上面结果可以在世界地图上模拟出最短路线，如下：
图三：问题二模拟路径图
六、 模型评价与改进
6.1模型的优点
1)在解题过程中，使用Matlab软件进行编程，在分析和运算方面有较高的精度，时间大大缩短，使答案更加明了。
2)合理恰当的使用了表格和图形，使数据的体现和意思的表达更加清晰。 3)答案详细、具体，并且接近实际，具有较强的可操作性。 4）解题过程中使用蚁群算法，避免繁琐的计算. 6.2模型的缺点
1)没有根据实际路况来解题，与实际存在很大的差异。 2)大多数数据来自于网络，数据缺乏准确性。
3)对问题五没有采用更精确的方法进行预测，缺乏合理性。 4）机票、车票和船票数据不是十分清晰,有待进一步提高.
9