随着人工智能及大数据技术越来越多的应用在旅游行业中,智慧旅游引起了广泛的关注。当前智慧旅游所面临的主要困难是如何有效的求解复杂的旅游决策问题。进化算法作为一种基于种群迭代寻优的智能优化算法,由于其使用简单、控制参数少,处理非连续、多模态等复杂问题时表现出来的优越性,所以近二十年来被广泛应用于求解各类实际工程问题。进化算法为求解复杂旅游决策问题提供了新的思路。本文根据当前智慧旅游面临的兴趣点推荐和行程规划中的难题展开研究,针对不同的问题,建立优化模型,并提出了三种改进的多目标进化算法分别去解决这些问题。本文的主要工作如下:针对当前景点推荐算法难以综合考虑多方面不同的因素以实现更精准的推荐服务的问题,提出了一种基于弱关联的多目标进化算法(WAEA)。该算法首先打破了以往一个解只能关联一个参考向量的限定,提出了一种基于角度子空间的关联策略,更好地维持种群多样性;其次本文提出了弱关联概念并基于此概念设计出了双模态标量函数,使得算法能够更好地处理复杂pareto前沿问题;最后设计了自适应参数,动态地调整惩罚参数的大小,有利于加强算法普适性。实验仿真结果表明,WAEA算法针对复杂的超多目标问题能更好地平衡最优解的收敛性与多样性,其性能明显优于其他对比算法。针对当前的旅程规划问题没有考虑交通选择和用户的多目标需求,提出一种待交通选择和酒店住宿的多目标旅程规划问题(MO-TTDP-THS)。对该问题建立了数学优化模型后,进一步提出基于存档策略的多目标蚁群算法(AACO)。该算法通过建立最优路径存档(AR)和最优景点集存档(AS)指导算法对状态空间进行探索,并提出了景点聚合策略将多个景点组合在一起,能够加快算法收敛速度;在交通方式的选择上,结合贪心策略,每次只考虑局部的最佳出行方式,提升了蚁群算法的运行效率;在存档维护上,行程分解策略将算法运行过程中得到的结果分解成片段,筛选出有用信息扩充存档,保持存档的优越性和先进性以便于后期更好的指导算法寻优。最后在模拟城市模型上验证该算法的验证了本算法具有快速收敛的特点,能很好的维持种群的多样性与收敛性。针对现实世界普遍存在着交通时间不确定的现象,建立了含有不确定参数的多目标旅程规划问题(MO-TTDP-UP)数学优化模型。本文提出了多目标区间蚁群算法,该算法先将交通时间变量转化为合理的区间,进而估算出其他不确定因素,将不确定值转化为精确值;同时该算法改进传统蚁群算法,蚂蚁在选择下一景点时倾向选择不确定性较小的景点。该算法在保证所推荐路线稳健性的同时,尽可能的减少时间资源的浪费。解决了由参数不确定性带来的目标函数无法计算和所推荐的旅游路线无法保证其稳健性两大难题。最后通过蒙特卡洛模拟实验,验证了多目标区间蚁群算法的可行性和有效性。