1.一种基于密度蚁群算法的多旅游行程规划方法，其特征是，所述方法由智能系统执行，包括：接收并处理输入的用户需求；

从基于用户需求建立的数据库中提取与接收的用户需求相匹配的景点信息；

将提取的景点信息导入密度蚁群优化模型获得多个启发式信息来源对应的解；

将多个启发式信息来源及其对应的解发送给大语言模型，用于增强生成旅游行程规划方案，并将生成的多个旅游行程规划方案传给用户；

所述基于用户需求建立的数据库的构建方法包括：基于预定义的用户偏好类型，收集景点信息数据；

量化收集的景点信息；

存储量化后的景点信息，作为数据库；

所述将提取的景点信息导入密度蚁群优化模型获得多个启发式信息来源对应的解，包括：初始化景点编码和密度蚁群优化模型的参数；

根据用户需求将蚁群分簇；

基于密度蚁群算法进行求解；

所述基于密度蚁群算法进行求解，包括：结合景点信息和启发式信息计算景点的概率和景点的密度；

选择低密度的景点进行轮盘赌选择，促使簇向低密度区域探索；

探索过程中进行信息素更新，至达到预设的终止条件，获得多个启发式信息来源对应的每个簇的最优解；

所述景点的概率通过以下公式计算：

；

式中，Pij表示当蚂蚁位于景点i时，在下一步转移到另一个景点j的概率；i,j为任意且不同的两个景点编码，τij表示景点i到景点j之间的信息素浓度；τik表示景点i到景点k之间的信息素浓度；ηij是边ij的启发式信息；ηik是边ik的启发式信息；α为信息素的相对重要性，β为启发式因子的相对重要性；k ∈allowed表示对于所有蚂蚁处于景点 i时能够转移到的所有景点 k的集合；

对于一个簇，计算景点的密度表达式为：；

；

其中：x为该景点的坐标，ρ(x)为该景点的密度，xi(i=1,2,...n)为该簇的所有蚂蚁的坐标，K（x‑xi）为高斯核函数，h为该景点到蚂蚁的距离的阈值，距离大于h的认为密度为0，即为低密度；

所述将多个启发式信息来源及其对应的解发送给大语言模型，用于增强生成旅游行程规划方案，并将生成的多个旅游行程规划方案传给用户，包括：将密度蚁群优化模型获得的每个簇的最优解及其对应的启发式来源发送给大语言模型；

大语言模型结合景点信息、解和用户偏好增强生成的旅游行程规划方案；

将生成的多个旅游行程规划方案传给用户。

2.根据权利要求1所述的基于密度蚁群算法的多旅游行程规划方法，其特征是，所述接收并处理输入的用户需求，包括：接收用户需求，将用户需求发送给大语言模型；

大语言模型基于预定义的用户偏好类型将用户需求转换为规范数据。

3.根据权利要求1所述的基于密度蚁群算法的多旅游行程规划方法，其特征是，所述初始化景点编码和密度蚁群优化模型的参数，包括：对于所有景点，为每个景点分配唯一的编码1,2,3...n，其中n为景点数量；

初始化蚁群数量N，在n个景点上随机生成N个蚂蚁；

初始化密度蚁群优化模型的关键参数、信息素和启发式信息；

所述密度蚁群优化模型的关键参数包括信息素的蒸发率ρ、信息素的相对重要性α和启发式因子的相对重要性β；

初始化信息素为初始化所有边上的初始化信息素浓度，所述边为两个景点之间的路径；

初始化启发式信息为将用户的偏好类型作为启发式信息来源的可选择项。

4.根据权利要求1所述的基于密度蚁群算法的多旅游行程规划方法，其特征是，所述信息素更新包括局部信息素更新和全局信息素更新，所述局部信息素更新包括：每当一只蚂蚁走过一条边时，对这条边的信息素浓度进行挥发，以减少对经常被选择的路径的偏好；

所述全局信息素更新包括：在所有蚂蚁完成其探索的路径后，记录每个簇当前的最优解，并根据这些路径上的信息素浓度和蚂蚁留下的总信息量，对信息素进行全局更新，增加好路径上的信息素，减少不佳路径上的信息素；

重复上述过程多次，至达到预定的终止条件，记录不同启发式信息来源对应的每个簇的最优解；

所述信息素更新的表达式为：

；

其中，t表示时间，τij(t+1)和τij(t)分别表示时间t+1和t时边ij上的信息素浓度，ρ是信息素挥发率；△τij是蚂蚁在边ij上留下的信息素量。

5.一种基于密度蚁群算法的多旅游行程规划智能系统，其特征是，所述智能系统包括：数据接收模块，用于接收并处理输入的用户需求；

景点信息获取模块，用于从基于用户偏好类型建立的数据库中提取与用户需求相匹配的景点信息；

求解模块，用于将景点信息导入密度蚁群优化模型获得多个启发式信息来源对应的解；

方案生成模块，用于将多个启发式信息来源及其对应的解发送给大语言模型，用于增强生成旅游行程规划方案，并将生成的多个旅游行程规划方案传给用户；

基于用户需求建立的数据库的构建方法包括：基于预定义的用户偏好类型，收集景点信息数据；

量化收集的景点信息；

存储量化后的景点信息，作为数据库；

将提取的景点信息导入密度蚁群优化模型获得多个启发式信息来源对应的解，包括：初始化景点编码和密度蚁群优化模型的参数；

根据用户需求将蚁群分簇；

基于密度蚁群算法进行求解；

所述基于密度蚁群算法进行求解，包括：结合景点信息和启发式信息计算景点的概率和景点的密度；

选择低密度的景点进行轮盘赌选择，促使簇向低密度区域探索；

探索过程中进行信息素更新，至达到预设的终止条件，获得多个启发式信息来源对应的每个簇的最优解；

所述景点的概率通过以下公式计算：

；

式中，Pij表示当蚂蚁位于景点i时，在下一步转移到另一个景点j的概率；i,j为任意且不同的两个景点编码，τij表示景点i到景点j之间的信息素浓度；τik表示景点i到景点k之间的信息素浓度；ηij是边ij的启发式信息；ηik是边ik的启发式信息；α为信息素的相对重要性，β为启发式因子的相对重要性；k ∈allowed 表示对于所有蚂蚁处于景点 i时能够转移到的所有景点 k的集合；

对于一个簇，计算景点的密度表达式为：；

；

其中：x为该景点的坐标，ρ(x)为该景点的密度，xi(i=1,2,...n)为该簇的所有蚂蚁的坐标，K（x‑xi）为高斯核函数，h为该景点到蚂蚁的距离的阈值，距离大于h的认为密度为0，即为低密度；

所述将多个启发式信息来源及其对应的解发送给大语言模型，用于增强生成旅游行程规划方案，并将生成的多个旅游行程规划方案传给用户，包括：将密度蚁群优化模型获得的每个簇的最优解及其对应的启发式来源发送给大语言模型；

大语言模型结合景点信息、解和用户偏好增强生成的旅游行程规划方案；

将生成的多个旅游行程规划方案传给用户。