CN110046857A - 一种基于遗传算法的无人机物流系统及配送方法 - Google Patents

Abstract

本发明提出了无人机物流领域内的一种基于遗传算法的无人机物流系统，包括：目标坐标选取模块，用于根据所获取的目标地址以及出发点地址确定其所处地理坐标；任务路径规划模块，用于控制无人机在较短的时间内完成所有货物的配送；无人机配送停靠模块，用于设置无人机配送货物途中的自动停靠、超时动作以及再次起飞操作；无人机的手机端控制模块以及用户手机端模块，用于控制无人机的出发回收，路径规划，以及用户的收货操作，本发明利用无人机机动灵活、可自动飞行特性，可以完成绝大部分送货地点的配送任务，采用遗传算法对配送任务进行配送路径的规划，提高了无人机配送效率，进一步降低了配送成本，可用于物流配送中。

Description

一种基于遗传算法的无人机物流系统及配送方法

技术领域

本发明涉及一种物流系统，具体的说是一种无人机物流系统，属于无人机物流送系统/配送路径规划技术领域。

背景技术

无人机以其机动灵活、自主飞行、反馈及时等优势已经被应用在许多领域。在运输领域，无人机也有非常成功的应用案例，位于美国加利福利亚州的公司Zipline在2016年夏天与卢旺达政府达成合作，为当地21家医院和医疗机构投递血液制品。由此可见，无人机在对个人的配送领域是很有前景的，但是由于目前小型无人机续航时间较短，无法连续进行多次往返配送，并且安全性无法保障，容易出现盗取和误取等情况，所以在对个人的配送的领域，相应无人机的应用和产品案例还很少。

目前国内在物流配送上大多用的还是人力，在货物到达当地配送仓库后，正常情况下当天就能完成配送，虽然配送速度还是挺快的，但是人力配送还是有很多方面的不足：

1、人力配送受地形影响。在农村地区，乡镇集市附近的居民还好，那些偏远一点的地方、山村里的居民，因为车流很难进入那些地区，无法享受到快捷方便的配送服务。

2、人力配送也受到配送人员个人身体情况的影响，不确定性高。在生病、疲惫、困倦的状态下工作，配送的效率会明显降低，并且配送出错的概率也会大大上升。

3、人力配送成本较高。配送人员工资、配送用车以及配送用车的定期维护与修理都需要大量资金。为了节约成本，每个配送点都雇佣尽量少的配送员，导致货物量剧增时人员不够，配送效率与用户满意度陡降。

4、人力配送没有科学的路径规划。配送人员选择的配送路径是根据经验判断得出的，并不能保证配送的效率，从而导致资源和时间的浪费。

发明内容

本发明的目的是克服现有技术的不足而提供一种基于遗传算法的无人机物流系统及配送方法，可实现无人机送货，提升了货物安全性，大大节省了人力配送成本，节约了配送时间。

本发明提供一种基于遗传算法的无人机物流系统，包括：

目标坐标选取模块，用于根据所获取的目标地址以及出发点地址确定其所处地理坐标；

任务路径规划模块，用于控制无人机在较短的时间内完成所有货物的配送；

无人机配送停靠模块，用于设置无人机配送货物途中的自动停靠、超时动作以及再次起飞操作；

无人机的手机端控制模块以及用户手机端模块，用于控制无人机的出发回收，路径规划，以及用户的收货操作。

作为本发明的进一步限定，所述的路径规划模块采用遗传算法进行优化，根据无人机的数量以及任务点的数量为各个无人机计算分配适合的任务点并生成较优的可行路径；无人机的单次流程采取单源多目标点模式。

作为本发明的进一步限定，所述遗传算法具体包括：

1)用Points型数据startPoint保存出发点的位置，并将任务点以及无人机个数减一个的出发点存入Points型数组taskPoints中，随机生成任务点到达顺序形成初始基因序列，设置种群中基因的数量为a，即生成a个随机的基因序列形成初始种群，设置最大迭代次数为b次，设置全局种群最优解的整型数组allBest；

2)计算当前种群中各个基因的适应度(适应度值越小越优)，找出最好适应度的基因赋给allBest，并计算出当前种群的平均适应度，适应度计算公式为：值越小越优，z为无人机个数，Lj为第j个无人机路线的路程，l为平均路程，Tj为第j个无人机需要完成的任务所包含的任务点的数量，t为平均任务点数；

3)交叉：用转盘赌法选取可以产生下一代的个体进行余位加一法交叉；

4)变异：在基因序列中随机选择两位进行交换，从而完成基因的变异，变异的概率设定为c；

5)重复2)到4)的操作，直到allBest的值在连续的b/10次迭代中没有发生变化，则结束迭代，allBest即为较优的可行解，否则一直迭代到b次得到较优的可行解allBest。

一种基于遗传算法的无人机配送方法，包括以下步骤：

A01：采集目标地址所在的地理坐标经纬度信息；

A02：传输所采集的信息到基于遗传算法的路径规划中，根据无人机的数量生成较优的可行的完成任务点配送的方法；

A03：后端程序将计算生成的较优可行路径上传至各个无人机生成送货任务并启动各个无人机，开始送货任务；

A04：送货完毕即无人机到达所在送货路线的最后一个目标点并且后端程序收到了前端程序的确认收货信息，无人机沿直线飞回集货仓库，完成无人机的回收。

作为本发明的进一步限定，步骤A03中包括了无人机单次任务中，后端程序通过实时监控无人机的位置信息，在确认无人机到达送货目标点时，向无人机发送信号控制无人机悬停在半空；之后，前端程序可以向后端程序发送收货信号，后端程序在收到收货信号后控制无人机开始降落，之后，后端程序继续等待前端程序发送的确认收货信号，并在收到信号后指示无人机再次起飞，前往下一个送货目标点；在步骤A03中的停靠和起飞中，无人机进行预先设定完毕停留最大等待时间，避免长时间无人取货导致之后送货任务的延误。

作为本发明的进一步限定，无人机在执行任务中，如果遇到客户取消订单或延迟收货等情况，后端程序将在无人机送货任务剩余点中移除该送货点，重新进行计算生成较优可行路线，并上传至无人机。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

以无人机代替配送过程中的人力，将遗传算法应用于无人机配送中。一定程度上克服了人力配送存在的缺点，增加了路径规划的功能，易于操作，提高了配送的效率，降低了配送的成本，使整个配送过程更加节能环保、安全可靠。

附图说明

图1是本发明中无人机物流系统工作流程图。

图2是本发明中手机终端app整体示意图。

图3—图6是本发明中工作人员手机控制端界面操作示意图。

图7—图9是本发明中用户手机端界面操作示意图。

图10是本发明中任务点分布的坐标图示。

图11是本发明中集货仓库在任务点边缘时的测试用例图示。

图12是本发明中集货仓库在任务点中间时的测试用例图示。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案做进一步的详细说明：

如图1所示，本发明提供一种基于遗传算法的无人机物流系统，包括如下模块：

目标坐标选取模块；所述目标坐标为用户填写的收货地址的经纬度信息，为保证所选取的目标的准确性，后端程序会对收货地址进行检查，若收货地址超出配送片区范围，后端程序发出提醒；具体实现方法：如图3界面所示的“采集任务点”即为此模块功能的实现，此模块界面如图4所示，后端程序通过识别图4中文本框内的地址，在图4中的地图中标出地址坐标并在地图下方显示地址的经纬度信息，若地址信息无误，后端程序便将该地址经纬度信息保存为任务点；

任务路径规划模块；所述路径规划基于遗传算法，将所选取到的目标点分配给各个无人机，对各个无人机的任务点进行规划，生成较优的可行的路径解；将计算生成好的任务上传至各个无人机，并控制无人机配送任务的开始；为保证无人机配送过程的安全，要求每个无人机所运送的货物的总质量不可超过无人机最大载重量；为保证无人机配送任务能够正确的完成，需要工作人员根据各个无人机的任务点，准确的将对应的货物放入对应的无人机的载货仓中；所述基于遗传算法的路径规划具体实现如下(假设有两架无人机,20个任务点,任务点的分布如图10所示)：

1)用Points型数据startPoint保存出发点的位置，设置全局种群最优解的整型数组allBest，设置最大迭代次数为500000次，并将任务点以及无人机个数减一个的出发点位置存入Points型数组taskPoints中且放在taskPoints的开头位置(因为有两架无人机，则需要存放进taskPoints数组开头位置的出发点的个数为2-1＝1个)，例：

P1为出发点位置，P2—P21为任务点的位置

其中Points结构具体如下：

2)随机生成任务点到达顺序形成初始基因序列gene，若出发点对应基因序列中的序号是m，则前m-1个点是第一个无人机的任务点，后n-m个点是第二个无人机的任务点；设置种群中基因的数量为100，即生成100个随机的基因序列形成初始种群，gene1以图11为例：

则gene 1所表示的内容为：

无人机1有11-1＝10个任务点，路径如下：

P1->P3->P4->P5->P6->P11->P10->P15->P20->P21->P16->P1

无人机2有21-11＝10个任务点，路径如下：

P1->P7->P12->P17->P18->P13->P19->P14->P9->P8->P2->P1

3)平均每个无人机完成配送所需飞行的路程l与l的平方根和每个无人机的任务点数T与平均每个无人机的任务点数t的差的绝对值与每个无人机的任务路程L与l的差的绝对值的积的和为适应度，即 z为无人机个数，Lj为第j个无人机路线的路程，Tj为第j个无人机需要完成的任务所包含的目标点的数量，计算当前种群中各个基因的适应度(适应度值越小越优)，找出最好适应度的基因赋给allBest，并计算出当前种群的平均适应度；

4)用转盘赌法选取可以产生下一代的个体进行交叉，交叉采用余位加一法，方法步骤如下：

a.随机选择一个开始交叉的位置(开始的下标大于等于0且小于 n＝taskPoints.length),往后个位置的序列互相交叉并记录在已知顺序序号：

位置P	0	1	2	3	4	5	6	7	8	9
											G1	1	2	3	4	5	6	7	8	9	10
G2	10	9	8	7	6	5	4	3	2	1

选择4为开始交叉的位置进行交叉

位置P	0	1	2	3	4	5	6	7	8	9
											G1	1	2	3	4	6	5	4	8	9	10
G2	10	9	8	7	5	6	7	3	2	1

基因序列G1的已知顺序序号为6、5、4

b.剩余的序列按位检查，若该位顺序序号在已知的顺序序号中存在，则该位顺序序号加一，若加一后等于n+1，超过最大序号，则该位序号等于1，继续检查至该位顺序序号在已知的顺序序号中不存在则停止加一并将该位顺序序号记录进已知顺序序号，继续检查下一位顺序序号直至检查完最后一位则完成一条基因的余位加一：

剩余位置为0到3和7到9位

位置P	0	1	2	3	4	5	6	7	8	9
											G1	1	2	3	7	6	5	4	8	9	10

G1的0位顺序序号为1，已知顺序序号中不存在，所以G1[0]＝1，

已知顺序序号更新为6、5、4、1；

G1的1、2位同理，已知顺序序号更新为6、5、4、1、2、3；

G1的3位为4，已知顺序序号中存在；4+1＝5，存在；5+1＝6，存在；

6+1＝7，不存在，所以G1[3]＝7，已知顺序序号更新为6、5、4、1、2、3、7；

G1的7、8、9位同理于G1的0位，G1的余位加一完成；

c.继续检查另一条基因，完成一组基因的交叉：

位置P	0	1	2	3	4	5	6	7	8	9
											G2	10	9	8	4	5	6	7	3	2	1

G2同理于G1；

交叉后的结果如下：

位置P	0	1	2	3	4	5	6	7	8	9
											G1	1	2	3	7	6	5	4	8	9	10
G2	10	9	8	4	5	6	7	3	2	1

5)在基因序列中随机选择两位进行交换，从而完成基因的变异,变异的概率设定为0.02；

6)重复3)到6)的操作，直到allBest的值在连续的50000次迭代中没有发生变化，则结束迭代，allBest即为较优的可行解，否则一直迭代到500000次得到较优的可行解allBest。此假设情况下，出发点在边缘时计算出的allbest如下：

allBest	11	21	1	2	3	4	12	20	19	6
											5	13	16	18	7	10	14	15	17	8	9

路径图如图11所示；

出发点在中间时计算出的allBest如下：

路径图如图12所示。

具体实现方法：图3所示界面中的“生成任务”即为此模块功能的实现，图5即为此模块的界面。完成任务点采集后，后端程序会根据图5文本框中输入的无人机数量以及所有的任务点信息进行基于遗传算法的计算，为每个无人机生成各自的任务及配送路径，并将任务及路径信息显示在界面中。之后，后端程序通过无线通信技术将任务上传至各个无人机，并向各个无人机发送开始任务的信号，无人机收到开始任务的信号后，自动起飞前往第一个任务点开始执行任务。

无人机配送停靠模块。所述停靠方法为无人机等待确认法，即后端程序在无人机到达目标点后等待前端程序第一次的降落确认信号，得到确认后控制无人机降落等待前端程序第二次的收货确认信号，得到确认后向无人机发送继续任务信号控制无人机再次起飞前往下一个目标点。为尽量的节约无人机的能源以及提高配送的效率，需要提前设置好等待超时的动作。若第一次等待超过了最大等待时间，后端程序通过实时监控获取超时任务点信息(便于将该任务点安排至之后的配送任务)，向无人机发送继续任务信号，并向用户的前端程序发送提示信息，无人机收到继续任务的信号直接飞往下一个目标点。若第二次等待超过最大等待时间，后端程序通过实时监控获取超时任务点信息(便于工作人员在无人机返航后检查该点是否完成收货)，向用户的前端程序发出提醒信号催促用户确认收货，若在30秒内仍未收到前端程序的确认收货信号，则直接向无人机发送继续任务的信号，无人机收到继续任务的信号后直接起飞前往下一个任务点。具体实现方法：图7-图9为前端程序界面示意图。后端程序通过实时监控识别到无人机到达任务点时向无人机发送信号控制无人机悬停半空，并向前端程序发送信号，前端程序收到信号发出铃音提醒用户进行收货操作。若后端程序检测到超过了最大等待时间或收到了前端程序的延迟收货信号，后端程序收集该点信息显示在图6界面中，并向无人机发送继续任务信号，无人机收到信号后直接飞往下一个任务点。后端程序接收到前端程序发送的允许降落信号后，向无人机发送降落信号控制无人机降落，等待用户收货。之后，后端程序接收到前端程序发送的确认收货信号后，向无人机发送继续任务信号，无人机收到信号再次起飞，前往下一个任务点完成配送任务，若后端程序长时间未收到前端程序确认收货的信号，后端程序收集该点信息显示在图6界面中，并向无人机发送继续任务信号，无人机收到信号后直接飞往下一个任务点。当后端程序检测到无人机完成最后一个任务点的配送任务时，向无人机发送返航信号，无人机收到信号后起飞直接沿直线飞回集货仓准备下一轮的配送任务。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于遗传算法的无人机物流系统，其特征在于，包括：

目标坐标选取模块，用于根据所获取的目标地址以及出发点地址确定其所处地理坐标；

任务路径规划模块，用于控制无人机在较短的时间内完成所有货物的配送；

无人机配送停靠模块，用于设置无人机配送货物途中的自动停靠、超时动作以及再次起飞操作；

无人机的手机端控制模块以及用户手机端模块，用于控制无人机的出发回收，路径规划，以及用户的收货操作。

2.根据权利要求1所述的一种基于遗传算法的无人机物流系统，其特征在于，所述的路径规划模块采用遗传算法进行优化，根据无人机的数量以及任务点的数量为各个无人机计算分配适合的任务点并生成较优的可行路径；无人机的单次流程采取单源多目标点模式。

3.根据权利要求2所述的一种基于遗传算法的无人机物流系统，其特征在于，所述遗传算法具体包括：

1）用Points型数据startPoint保存出发点的位置，并将任务点以及无人机个数减一个的出发点存入Points型数组taskPoints中，随机生成任务点到达顺序形成初始基因序列，设置种群中基因的数量为a，即生成a个随机的基因序列形成初始种群，设置最大迭代次数为b次，设置全局种群最优解的整型数组allBest；

2）计算当前种群中各个基因的适应度，找出最好适应度的基因赋给allBest，并计算出当前种群的平均适应度，适应度计算公式为：,值越小越优，z为无人机个数，Lj为第j个无人机路线的路程，l为平均路程，Tj为第j个无人机需要完成的任务所包含的任务点的数量，t为平均任务点数；

3）交叉：用转盘赌法选取可以产生下一代的个体进行余位加一法交叉；

4）变异：在基因序列中随机选择两位进行交换，从而完成基因的变异，变异的概率设定为c；

5）重复2）到4）的操作，直到allBest的值在连续的b/10次迭代中没有发生变化，则结束迭代，allBest即为较优的可行解，否则一直迭代到b次得到较优的可行解allBest。

4.一种基于遗传算法的无人机配送方法，用于如权利要求1-3所述的基于无人机的物流系统，所述无人机系统包括多个无人机和多目标点，其特征在于，所述配送方法包括以下步骤：

A01：采集目标地址所在的地理坐标经纬度信息；

A02：传输所采集的信息到基于遗传算法的路径规划中，根据无人机的数量生成较优的可行的完成任务点配送的方法；

A03：后端程序将计算生成的较优可行路径上传至各个无人机生成送货任务并启动各个无人机，开始送货任务；

A04：送货完毕即无人机到达所在送货路线的最后一个目标点并且后端程序收到了前端程序的确认收货信息，无人机沿直线飞回集货仓库，完成无人机的回收。

5.根据权利要求4所述的一种基于遗传算法的无人机配送方法，其特征在于，步骤A03中包括了无人机单次任务中，后端程序通过实时监控无人机的位置信息，在确认无人机到达送货目标点时，向无人机发送信号控制无人机悬停在半空；之后，前端程序可以向后端程序发送收货信号，后端程序在收到收货信号后控制无人机开始降落，之后，后端程序继续等待前端程序发送的确认收货信号，并在收到信号后指示无人机再次起飞，前往下一个送货目标点；在步骤A03中的停靠和起飞中，无人机进行预先设定完毕停留最大等待时间，避免长时间无人取货导致之后送货任务的延误。

6.根据权利要求4所述的一种基于遗传算法的无人机配送方法，其特征在于，无人机在执行任务中，如果遇到客户取消订单或延迟收货等情况，后端程序将在无人机送货任务剩余点中移除该送货点，重新进行计算生成较优可行路线，并上传至无人机。