在微服务架构中使用 AI 算法优化旅行行程：平衡成本、时间、偏好和可持续性

本研究的目标是探讨在微服务架构中实施 AI 算法如何通过成本、时间、用户偏好和环境可持续性来优化旅行行程。它使用机器学习模型进行成本预测和个性化推荐，使用遗传算法进行行程优化，并使用启发式算法进行可持续性检查。主要评估参数包括延迟、满足用户偏好的能力、成本和环境关注度。实验结果表明，在 1000 个并发用户下平均响应时间为 4.5 秒，用户偏好准确率为 92%。成本效率得到证实，95% 的提供行程在用户声明的预算限制内。该系统还实施了一些措施来减轻与旅行相关的负面外部性，60% 的提供旅行计划包含了绿色选项，导致平均碳排放量比传统旅行计划低 15%。时间复杂度为 O(g.p.f) 的遗传算法在 100 代内提供了最优解。每次迭代将解的质量提高 5%，从而使其能够有效用于以秒为单位的优化问题。最后，该系统被设计为具有容错性，功能可用性达到 99.9%，即使在需求超出预期时也能提供服务。这种基于微服务的架构使旅行优化平台变得动态和高效，提供了增强的扩展性、允许异步通信和实时更改。由于整合了 AI、成本控制和生态友好方法，该系统满足了当今旅游业务中用户的不同需求。