Come può l'IA disegnare il percorso perfetto per scoprire una città d'arte?

Immagina di passeggiare per le strade di Warin Chamrap, una piccola città ricca di storia, senza perderti tra le attrazioni e senza sprecare tempo. Un team di ricercatori ha creato un sistema chiamato DRL‑IMVO‑GAN, una combinazione di intelligenza artificiale e algoritmi evolutivi, per costruire itinerari turistici su misura. Il cuore del metodo è il Deep Reinforcement Learning (DRL), che impara a scegliere i punti di interesse (POI) più interessanti osservando come i visitatori si muovono nella città digitale. Poi entra in gioco l'Improved Multiverse Optimizer (IMVO), che esplora tante soluzioni possibili, cercando quelle che bilanciano tempo di viaggio, emissioni di CO₂, coerenza spaziale e soddisfazione del gruppo. Infine, una Generative Adversarial Network (GAN) rifinisce i percorsi, aggiungendo varietà e rendendoli più realistici. Testato su un “gemello digitale” della città con 92 POI, mappe di congestione e profili di turisti raggruppati per comportamento, il modello ha superato sette altri metodi, ottenendo il punteggio più alto in patrimonio culturale (74,2), il tempo più breve (21,3 minuti) e la massima soddisfazione (17,5 su 18). Inoltre, riesce a adattarsi a nuove attrazioni o a cambi di vincoli senza dover essere riaddestrato, dimostrando una grande flessibilità. In pratica, DRL‑IMVO‑GAN può diventare un assistente digitale per i viaggiatori, aiutandoli a vivere esperienze culturali più sostenibili e personalizzate, anche in città meno conosciute.

Il framework DRL‑IMVO‑GAN si basa su tre componenti chiave. Il Deep Reinforcement Learning utilizza una rete neurale profonda per apprendere una politica di selezione dei POI mediante un processo di trial‑and‑error simulato nel gemello digitale. La funzione di ricompensa incorpora più obiettivi: punteggio di patrimonio (basato su criteri di valore storico e culturale), tempo di percorrenza, emissioni di CO₂ calcolate con modelli di consumo energetico dei trasporti, coerenza spaziale (misurata tramite metriche di prossimità geodetica) e soddisfazione del gruppo (stimata da metriche di diversità di interesse). L'Improved Multiverse Optimizer, evoluzione dell'algoritmo Multiverse Optimizer, sfrutta concetti di fisica quantistica come la teoria dei multiversi per generare soluzioni candidate attraverso operazioni di “wormhole” e “black‑hole” che favoriscono l'esplorazione globale e l'esploitazione locale. La GAN, composta da generatore e discriminatore, agisce come raffinatore: il generatore propone piccole modifiche ai percorsi (ad esempio scambi di POI vicini), mentre il discriminatore valuta la qualità rispetto a un set di soluzioni ottimali pre‑definite, garantendo diversità e robustezza. La validazione è stata effettuata con metriche multi‑obiettivo: hypervolume (0,85) e Pareto Coverage Ratio (0,95) indicano una copertura ampia dello spazio delle soluzioni non dominate. Inoltre, il modello ha mostrato capacità zero‑shot e few‑shot, grazie a una rappresentazione latente dei POI che permette di inserire nuovi punti senza ricalibrare l'intera rete. Questo approccio ibrido combina la capacità di apprendimento sequenziale del DRL con la potenza di ricerca globale dell'IMVO e la flessibilità generativa della GAN, offrendo una soluzione scalabile per la pianificazione di itinerari turistici sostenibili in contesti urbani complessi.