CN110782086A - 一种用于救援的带无人机车辆配送路径优化方法及系统 - Google Patents

一种用于救援的带无人机车辆配送路径优化方法及系统 Download PDF

Info

Publication number
CN110782086A
CN110782086A CN201911017759.XA CN201911017759A CN110782086A CN 110782086 A CN110782086 A CN 110782086A CN 201911017759 A CN201911017759 A CN 201911017759A CN 110782086 A CN110782086 A CN 110782086A
Authority
CN
China
Prior art keywords
vehicle
solution
customer
unmanned aerial
vehicles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911017759.XA
Other languages
English (en)
Other versions
CN110782086B (zh
Inventor
韩云琦
李俊青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN201911017759.XA priority Critical patent/CN110782086B/zh
Publication of CN110782086A publication Critical patent/CN110782086A/zh
Application granted granted Critical
Publication of CN110782086B publication Critical patent/CN110782086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了一种用于救援的带无人机车辆配送路径优化方法及系统，包括，确定配送路径的初始参数；以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；将得到的路径优化方案下发达各配送车辆。针对无人机车辆路径配送问题，以VRPTW为基础建立模型，并采用改进的人工蜂群算法，从全局搜索和局部搜索两种策略进行求解，提高配送效率。

Description

一种用于救援的带无人机车辆配送路径优化方法及系统
技术领域
本公开涉及配送路径优化领域，具体涉及一种带无人机的车辆配送路径优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
目前，无人机(VRPD)的车辆路径问题可看作为车辆路径问题(VRP)的一种变体。VRP的许多详尽概述可在文献中找到，其中，许多零散的客户需要由一组车辆依次访问，而在VRPD中，客户将使用车辆和无人机共同提供服务，无人机与VRP有多种结合方式。根据VRPD中无人机和车辆的定量比率，Chang和Lee以及Karak和Abdelghany设计了一辆卡车配备多辆无人机的模型。Murray和Chu设计了一种调度方式，即一辆无人机与一个卡车共同合作，为客户提供服务，而这种方式极大地提高了交付效率。
此外，VRP是具有时间窗和无人机(VRPTWD)的车辆路径问题。VRPTWD是车辆路线问题的延伸，其时间窗(VRPTW)旨在为必须在特定时间范围内服务的客户设计一组最短路线。Guerriero等人提出了一种考虑软时间窗和客户满意度的VPRTWD模型。Pha研究了VRPTWD的多目标优化问题，具有同时接收和调度的约束，同时计算出了一组优秀的Pareto解。由于无人机具有几乎不受复杂地形限制的运输能力，因此它可以在救灾过程中将货物或物资交付到某些高处。
因此，救灾救援现场，客户往往处于地势比较复杂的区域，每个客户点对于货有多种需求，并且需求量也不尽相同，所以在带无人机的车辆配送过程中，如何精准的对物品进行分类，如何进行更高效的运输成为亟待解决的问题。
发明内容
为了解决上述问题，本公开提出了一种带无人机的车辆配送路径优化方法及系统，针对无人机车辆路径配送问题，以VRPTW为基础建立模型，并采用改进的人工蜂群算法，从全局搜索和局部搜索两种策略进行求解，提高配送效率。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本公开提供一种用于救援的带无人机车辆配送路径优化方法，包括：
确定配送路径的初始参数；包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
将得到的路径优化方案下发达各配送车辆。
作为可能的一些实现方式，所述初始参数还包括，客户点总数、派送车辆数量的最大值、车辆和无人机的能耗系数以及0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的路线是否可行，以及任意一个客户是都被任意车辆服务。
作为可能的一些实现方式，所述无人机能耗最小的优化目标由客户点的垂直高度以及车辆上装配的无人机飞行速度构建。
作为可能的一些实现方式，所述约束条件为，车辆总派送时间不超过系统最大限制，其中车辆派送总时长包括派送路途耗费时间、客户点的服务时间以及客户点的等待时间；
所述客户点的服务时间等于客户点高度的两倍除以服务客户的车辆上装配的无人机的速度；
车辆的总负载不能超过系统给定的最大车辆负载量；
每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；
每个客户点的后续客户点只能有一个。
作为可能的一些实现方式，所述在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数的具体过程为：
利用初始化策略生成初始解集；
在雇佣蜂阶段，循环初始解集的每个客户点，并生成相应的邻域解，对多个邻域解进行排序，若多邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；
在跟随蜂阶段，随机选择循环种群的一个解和当前解比较，筛选出较优解后，采用雇佣蜂阶段策略生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解，更新当前解集中的全局最优解；
在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用侦查蜂策略进行全局搜索最优解。
第二方面，本公开提供一种用于救援的带无人机车辆配送路径优化系统，包括，
初始化模块，其用于确定配送路径的初始参数，包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
优化函数构建模块，其用于以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
优化模块，其用于在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
分配模块，其用于将得到的路径优化方案下发达各配送车辆。
第三方面，本公开提供一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种用于救援的带无人机车辆配送路径优化方法所述的步骤。
第四方面，本公开提供一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种用于救援的带无人机车辆配送路径优化方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开采用改进的人工蜂群算法求解带无人机的车辆路径优化函数，改进的人工蜂群阶段中包含局部搜索和全局搜索两种策略，从而增大找到更优解的概率，提高配送效率；
在救援场景下，客户往往位于地势比较复杂的区域，对于车辆无法到达的地方，由无人机配合车辆配送物资，以无人机的飞行速度、客户点的垂直高度、主要货物和补充货物的数量等为参数，以无人机和车辆最小能耗为优化目标，在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数，以局部和全局搜索的形式找到最优路径下发达车辆中，实现对主要货物和补充货物的精准分类，提高配送的效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开一种带无人机的车辆配送路径优化方法流程示意图；
图2为本公开方法中的带无人机配送路径优化问题的例图；
图3为本公开方法中的编码示意图；
图4为本公开方法中的多算法比较结果图；
图5为本公开方法中的Inst 1算例的收敛曲线图。
具体实施方式：
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1所示，本公开提供一种用于救援的带无人机车辆配送路径优化方法，包括：
S1：确定配送路径的初始参数；包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
所述步骤1中，初始参数还包括客户点总数、派送车辆数量的最大值、每辆车配备的无人机飞行速度、每个客户点的垂直高度、每个客户点对于任意一主要货物和补充货物的需求量、车辆和无人机的能耗系数以及0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的路线是否可行，以及任意一个客户是都被任意车辆服务。
例如，在本实施例中，客户点n个，某个客户点i或j，i＝1,2,…，n，j＝1,2,…，n；0代表车辆的出发点；车辆Vehicle K个，某个车辆k，k＝1,2,….K；无人机dk表示第k辆车所配备的无人机；ydk表示第k辆车上的无人机的飞行速度；客户点的高度tpi表示第i个客户点的垂直高度；货物需求量dmi表示第i个客户点对于主要货物的需求量；货物需求量dsi表示第i个客户点对于补充货物的需求量；wtk表示车辆k的能耗系数，wdk则表示无人机dk的能耗系数；0-1决策变量xijk表示车辆k由i到j的线路是否可行，0-1决策变量yik表示客户i是否被车辆k服务。
经典的VRP问题是旅行商问题(travelling salesman problem,TSP)的一个扩展，二者的主要区别体现在，VRP问题研究一类有多辆车配送货物到多个客户点的路径优化问题，而TSP问题研究一辆车配送物品到多个城市的问题。VRP和TSP的共同约束是，每个客户点只能配送一次，车辆容量有约束限制，即车辆运送货物不能超过该车辆最大容量。带时间窗的VRP(vehicle routing problem with time window,VRPTW)是经典VRP的一个典型扩展，也是现实物流配送中的典型应用。VRPTW增加了客户点服务时间窗的约束，即每个客户点定义了各自服务时间窗。VRPTW又可以分为硬时间窗和软时间窗。在硬时间窗VRPTW中，早于服务时间窗到达的车辆需要等待，晚于服务时间窗的车辆则不能为该客户点服务。在软时间窗VRPTW中，提前或延后到达的车辆可以继续为客户点服务，但系统要增加惩罚成本。
本公开的问题是对原有VRPTW的一种扩充。与VRPTW不同的是，在带无人机的配送过程中，每个客户点对于货有多种需求，并且需求量也不尽相同。例如在抗震救灾的时候，客户往往位于地势比较复杂的区域且需要的货品如帐篷类，需要一件帐篷衣与四组支架。因此，精准的对物品进行分类，有利于更高效的运输。
图1给出了一个本公开路径优化问题的示例图，图中(a)展示了一组客户点的运输路线，(b)给出了无人机运输的例图，其中“0”号表示仓库，两辆车均从仓库出发，对7个客户点进行服务，图中第一辆车服务的客户点序列是{0，1，2，3，4，0}，第二辆车服务的客户点序列是{0，5，6，7，0}。
S2：以配送过程中车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
所述无人机能耗最小的优化目标由客户点的垂直高度以及车辆上装配的无人机飞行速度构建。
所述配送路径优化的目标为：
Figure BDA0002246246960000081
Figure BDA0002246246960000082
Figure BDA0002246246960000083
式中，tij是车辆k从客户点i出发到达点j的行驶路程，n为客户点数量，0代表车辆的出发点，v是车辆数量，0-1决策变量xijk表示车辆k由i到j的线路是否可行，wtk表示车辆k的能耗系数，wdk则表示无人机dk的能耗系数，客户点的高度tpi表示第i个客户点的垂直高度，ydk表示第k辆车上的无人机的飞行速度。
基于上述指标，系统所优化的目标之一，即
Figure BDA0002246246960000084
其中
Figure BDA0002246246960000085
为系统最大车辆能耗；系统所优化的目标之二，即f2＝min
Figure BDA0002246246960000086
其中
Figure BDA0002246246960000087
为最大无人机能耗；系统所优化的目标之三，即
Figure BDA0002246246960000091
其中为最大车辆数目。
VRPTW建模所需参数和符号下标如下所示：
Figure BDA0002246246960000093
Figure BDA0002246246960000101
目标函数：
Figure BDA0002246246960000102
约束：
Figure BDA0002246246960000103
Figure BDA0002246246960000104
Figure BDA0002246246960000106
Figure BDA0002246246960000109
Figure BDA00022462469600001010
w0＝s0＝0 (10)
Figure BDA00022462469600001011
Figure BDA0002246246960000111
Figure BDA0002246246960000112
Figure BDA0002246246960000113
Figure BDA0002246246960000114
式1)旨在最大限度地减少卡车总能耗的、无人机的总能耗和卡车总数。
式2)和3)确保车辆的两种容量限制在最大范围内；
式4-6)保证每个客户只能被一辆车辆访问，并且只能被服务一次；
式7)每辆车开始和结束都位于仓库；
式8)定义了服务时间；
式9)保证了车辆不超出最大行程距离；
式10)表示仓库的等待时间和开始时间；
式11)定义前后客户点的时间关系；
式12)表示车辆到达时间应在时间窗内；
式13)定义了等待时间；
式14-16)定义了决策变量以及开工时间。
经典的VRPTW算例，如Solomon算例，包括55个算例，每个算例中包含100个客户点，客户点的布局分为三大类，即17个聚合程度较高的C(Clustering)系列算例、23个聚合程度分散的R(Random)系列算例和16个聚合程度处于中间状态的RC系列。
C系列算例的主要特点包括：
(1)客户点聚合程度较高，多个客户点形成一簇；
(2)客户点的需求量相对较大，因而车辆只能配送有限个客户点；
(3)客户点的时间窗长度相对较大。
R系列算例的主要特点包括：
(1)客户点分散程度较高；
(2)客户点的需求量很小，因而车辆能配送足够多的客户点；
(3)客户点的时间窗长度相对较小。
上述特点决定了不同结构的VRPTW问题有不同的问题特性，因而应该采用不同的启发式规则进行求解。
经典Solomon算例，每个客户点的需求是一个值，即没有区分货物的种类。为了更好地考虑实际约束，本发明在Solomon经典算例的基础之上，改进了算例中客户点需求量，增加了货物种类的不同需求量。譬如，原来的算例客户点1的需求量为20，只表示出客户点需要20个物品，改进的算例中增加了不同物品种类，如客户点1的需求量为(20，60)，表示该客户点需要20个主要物品和60个补充物品。算例的改进导致在解码过程中，需要考虑车辆当前负载是否能同时满足该客户点的所有物品需求，因而问题变得更加贴近生产实际。
扩展的VRPTW算例，包括55个算例，每个算例中包含100个客户点，客户点的布局分为仍然分为三大类，即聚合程度较高的C(Clustering)系列算例、聚合程度分散的R(Random)系列算例和聚合程度处于中间状态的RC系列。客户点的需求量采用两大类物品，两类物品的需求比在1:1到1:5之间随机生成。客户点的高度，也在5至14之间随机生成；此外，能耗大的车、无人机，相对于能耗小的而言，都具有更快的速度。
S3：在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
所述步骤S3中，所述约束条件为，车辆总派送时间不超过系统最大限制，其中车辆派送总时长包括派送路途耗费时间、客户点的服务时间以及客户点的等待时间；
所述客户点的服务时间等于客户点高度的两倍除以服务客户的车辆上装配的无人机的速度；
车辆的总负载不能超过系统给定的最大车辆负载量；
每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；
每个客户点的后续客户点只能有一个。
在本实施中，问题的约束条件是：即车辆k的总派送时长不能超过系统最大限制L，其中总派送时长包括派送路途耗费时间tij，客户点的服务时间si，以及客户点的等待时间wi；i客户点的服务时间si，等于第i客户点的高度的两倍除以服务客户i的车辆k的无人机dk的速度ydk；车辆k的总负载不能超过系统给定的最大车辆负载量rk；经由客户i到客户j的车辆只能有一个，即每个客户的后续客户点只能有一个；每个客户点出入的车辆数量保持一致，且总的车辆数量为v。
在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数的具体过程为：
利用初始化策略生成初始解集；
在雇佣蜂阶段，循环初始解集的每个客户点，并生成相应的邻域解，对多个邻域解进行排序，若多邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；
在跟随蜂阶段，随机选择循环种群的一个解和当前解比较，筛选出较优解后，采用雇佣蜂阶段策略生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解，更新当前解集中的全局最优解；
在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用侦查蜂策略进行全局搜索最优解。
其中，人工蜂群(Artificial Bee Colony,ABC)算法是由Karaboga等提出的一种新型群体智能优化算法，是模拟蜜蜂寻找食物的过程而演化的仿生过程。与传统智能优化算法如遗传算法相比，ABC算法主要由三类蜜蜂协作完成食物源搜索过程，即雇佣蜂(Employed bee)、跟随蜂(Onlooker bee)和侦查蜂(Scout bee)。雇佣蜂的主要任务是在分派的食物源完成局部搜索，即为分派的食物源找到更好的解；跟随蜂的主要任务是在蜂巢等待雇佣蜂回到蜂巢，并进一步根据雇佣蜂的搜索结果完成进一步的局部搜索；侦查蜂的功能是在某个食物源在指定迭代次数还不能有更新的情况下，完成进一步的全局搜索。
(1)初始解的产生
在基本ABC算法的设计中，针对连续优化问题的初始解一般采用随机策略产生。记
Figure BDA0002246246960000141
代表第i个食物源或解，其中n表示问题维度大小，则初始解i产生的方法如下：
Figure BDA0002246246960000142
式中，
Figure BDA0002246246960000143
和
Figure BDA0002246246960000144
分别表示维度j的上限和下限值。
(2)雇佣蜂策略
雇佣蜂完成局部搜索的过程，假设当前雇佣蜂分配的解i，则首先雇佣蜂随机选择当前解群体中的一个解，记为k，产生一个新的邻域解new的过程如下：
Figure BDA0002246246960000151
式中，vnew表示新产生的解，
Figure BDA0002246246960000152
表示新解的第j维数值，
Figure BDA0002246246960000153
表示两个解的第j维度的差值。
(3)跟随蜂策略
侦查蜂在等待雇佣蜂回到蜂巢后，根据侦查蜂得到的食物源的状态，采用公式(11)轮盘赌注的方法，选择较好的食物源，即选择概率较大者，继续应用公式(10)做进一步的挖掘搜索。
Figure BDA0002246246960000154
式中，fi表示解i的适应度值，pi表示解i的选择概率。
(4)侦查蜂策略
在基本ABC算法中，当某个解在迭代Ls次还没有任何更新时，采用公式(17)随机产生一个解替换该解。
通过ABC算法的基本流程分析可见，ABC算法通过雇佣蜂完成局部挖掘搜索的过程，通过雇佣蜂完成群体解的协作搜索，通过侦查蜂完成局部搜索。
本公开采用二维数组的方式编码一个解，二维数组的第一维表示每一辆车，对于每辆车创建一个数组，包含该车辆服务的客户点序列，客户点序号的先后顺序表示这些客户点的服务次序。图2给出了一个2辆车、7个客户点的解，图中第一辆车服务的客户点序列是{0，1，2，3，4，0}，其中“0”号表示仓库，第二辆车服务的客户点序列是{0，5，6，7，0}，编码示意图如图2所示。
由问题解码方式可见，编码数组中仅仅给出了每辆车服务的客户点集合，以及客户点服务的顺序关系。在编码中并未给出在每个客户点车辆的到达时刻，因而无法判断车辆是否在客户点的服务时间窗内到达，即对于硬时间窗的VRPTW问题，无法保证编码是否可行。为解决非法解问题，本发明针对硬时间窗，在解码过程中如果出现非法解，则执行编码修复策略。
当某个解在解码过程中出现超出客户点服务时间窗的现象时，对于硬时间窗VRPTW问题，则该解为非法解。
编码修复策略步骤如下：
(1)循环每辆车，删除重复的客户点；
(2)循环未安排服务的客户点集合，为每个客户点基于PFIH策略选择最佳插入位置，如果当前所有车辆不能为其提供服务，则新建一辆车为其服务。
初始解生成策略：
按照扩充的Solomon算例，利用Solomon的PFIH策略(Push-Forward InsertionHeuristic)，循环生成Psize个初始解，初始解存入当前解集，所述编码策略如下：
采用二维数组的方式编码一个解，二维数组的每一维表示每一辆车，每辆车包含该车辆服务的客户点序列，客户点序号的先后顺序表示这些客户点的服务次序。
具体的初始化算法步骤如下：
步骤1，随机选择一个满足所有约束的客户点i；
步骤2，计算将客户点i插入当前路径的所有可能位置的路程变化，若无法插入当前路径，则随机派出一辆新车并转至步骤1；
步骤3，将客户点i插入于当前路径中，带来路径成本变化最小的位置上；
步骤4，循环步骤1至步骤3，直至全部客户点都被安排；
步骤5，将产生的当前初始解存入初始解集，若初始解数量小于Psize，则转至步骤1。
上述算法的优点有：(1)随机选择要被插入客户点，因而增加了种群的多样性；
(2)采用Solomon的PFIH策略生成一个解，增强了解的性能。
雇佣蜂策略如下：
步骤1，循环初始解集的每一个解i，将全部客户点存入集合Dn，将集合D设置为0；
步骤2，在Dn中随机删除一个客户点r，并将r存入D；
步骤3，在D中随机选择一个客户点i；
步骤4，对于Dn中的每一个客户点j，并计算tij；
步骤5，根据每个计算出的tij数值，从小到大对中的Dn中的每一个客户点进行排序；
步骤6，在[1,Psize/10]中随机产生一个数d，将排好序的前d个客户点从Dn中删除并存入D；
步骤7，若D中客户点数量小于Psize/10，则转至步骤1；
步骤8，将D中全部客户，从当前解中删除并用初始化方法依次将其插入至当前解中；
步骤9；若此时仍有客户未被安排，则派出一辆新车；若车辆全部已满且仍有客户未被安排，则恢复当前解并转至步骤1。
跟随蜂策略如下：
步骤1，循环当前解集当中的每个解i；
步骤2，随机选择另一个解k；
步骤3，选择i和k中适应度较优的解，执行雇佣蜂阶段策略；
步骤4，更新当前种群中的全局最优解；
侦察蜂策略如下：
步骤1，对于当前解集中的最优解X*随机选择Psize/10个客户；
步骤2，将Psize/10客户存入集合Dsc中，并将其从最优解X*中删除；
步骤3，对于Dsc中的每个客户，采用PFIH策略重新插入到X*中；
步骤4，随机选择当前X*中的一个车辆k，将k上的客户点删除，并将k替换为另一辆车k*，然后将被删除的客户，按照PFIH策略重新安排到k*；
实验结果与分析：
本实验的参数具体包括：(1)实验终止条件：迭代10次；(2)种群大小Psize：100。
仿真实验结果分析
为了验证本公开所提出的IABC算法的有效性，本发明选取算法与GA[28]、TS[29]和VNS[30]进行比较，求解了扩展的55个算例。
表1给出了算法针对55个VRPTW算例的实验对比，表中第一列给出了算例名称，第二列给出算法获得的最好值，接下来的四列展示出四种算法获得的每个算例的最好目标值，最后四列给出了相对于最好值，每个算法得到的均方差值，计算公式如下：
dev＝(fc-fb)/fb×100％ (20)
由表可见，本发明提出的IABC算法在求解扩展的55个VRPTW算例中：
(1)获得了其中38个最优值，明显优于其他对比算法；
(2)IABC的平均偏差只有0.42个，小于第二个最小平均偏差的5％，因此，在算法的有效性和稳定性方面，IABC优于其他三种算法。
图3给出了这四种算法中的ANOVA图，证明了IABC比其他算法更优秀。
IABC优势的主要原因如下：首先，雇佣蜂策略和侦察蜂策略的本地搜索都非常深入地挖掘了邻域解；然后，车辆更换策略使种群更加多样化。此外，图4展示了1条收敛曲线，而IABC达到了4种算法中的最佳收敛效果。
表1实验结果对比
Figure BDA0002246246960000191
Figure BDA0002246246960000201
S4：将得到的路径优化方案下发达各配送车辆。
本公开采用改进的人工蜂群算法求解带无人机的车辆路径优化函数，其中，改进的人工蜂群阶段中包含局部搜索和全局搜索两种策略，从而增大找到更优解的概率，提高配送效率。
本公开提供一种用于救援的带无人机车辆配送路径优化系统，包括，
初始化模块，其用于确定配送路径的初始参数，包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
优化函数构建模块，其用于以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
优化模块，其用于在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
分配模块，其用于将得到的路径优化方案下发达各配送车辆。
所述优化模块中约束条件为，车辆总派送时间不超过系统最大限制，其中车辆派送总时长包括派送路途耗费时间、客户点的服务时间以及客户点的等待时间；
所述客户点的服务时间等于客户点高度的两倍除以服务客户的车辆上装配的无人机的速度；
车辆的总负载不能超过系统给定的最大车辆负载量；
每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；
每个客户点的后续客户点只能有一个。
所述优化模块中，在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数的具体过程为：
利用初始化策略生成初始解集；
在雇佣蜂阶段，循环初始解集的每个客户点，并生成相应的邻域解，对多个邻域解进行排序，若多邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；
在跟随蜂阶段，随机选择循环种群的一个解和当前解比较，筛选出较优解后，采用雇佣蜂阶段策略生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解，更新当前解集中的全局最优解；
在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用侦查蜂策略进行全局搜索最优解。
本公开提供一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种用于救援的带无人机车辆配送路径优化方法所述的步骤。
本公开提供一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种用于救援的带无人机车辆配送路径优化方法所述的步骤。
以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种用于救援的带无人机车辆配送路径优化方法，其特征在于，包括：
确定配送路径的初始参数；包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
将得到的路径优化方案下发达各配送车辆。
2.如权利要求1所述的一种用于救援的带无人机车辆配送路径优化方法，其特征在于，
所述初始参数还包括，客户点总数、派送车辆数量的最大值、车辆和无人机的能耗系数以及0-1决策变量；其中，0-1决策变量表示任意车辆从一个客户点到另一个客户点的路线是否可行，以及任意一个客户是都被任意车辆服务。
3.如权利要求1所述的一种用于救援的带无人机车辆配送路径优化方法，其特征在于，
所述无人机能耗最小的优化目标由客户点的垂直高度以及车辆上装配的无人机飞行速度构建。
4.如权利要求1所述的一种用于救援的带无人机车辆配送路径优化方法，其特征在于，
所述约束条件为，车辆总派送时间不超过系统最大限制，其中车辆派送总时长包括派送路途耗费时间、客户点的服务时间以及客户点的等待时间；
所述客户点的服务时间等于客户点高度的两倍除以服务客户的车辆上装配的无人机的速度；
车辆的总负载不能超过系统给定的最大车辆负载量；
每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；
每个客户点的后续客户点只能有一个。
5.如权利要求1所述的一种用于救援的带无人机车辆配送路径优化方法，其特征在于，
所述在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数的具体过程为：
利用初始化策略生成初始解集；
在雇佣蜂阶段，循环初始解集的每个客户点，并生成相应的邻域解，对多个邻域解进行排序，若多邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；
在跟随蜂阶段，随机选择循环种群的一个解和当前解比较，筛选出较优解后，采用雇佣蜂阶段策略生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解，更新当前解集中的全局最优解；
在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用侦查蜂策略进行全局搜索最优解。
6.一种用于救援的带无人机车辆配送路径优化系统，其特征在于，包括，
初始化模块，其用于确定配送路径的初始参数，包括每辆车配备的无人机飞行速度、每个客户点的垂直高度、车辆对于主要货物和补充货物的负载最大限制、客户对主要货物和补充货物的需求量以及每个客户点服务时间窗的最大值和最小值；
优化函数构建模块，其用于以车辆和无人机能耗最小以及最小配送车辆数目为目标，构建带无人机的车辆配送路径优化函数；
优化模块，其用于在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数；
分配模块，其用于将得到的路径优化方案下发达各配送车辆。
7.如权利要求6所述的一种用于救援的带无人机车辆配送路径优化系统，其特征在于，
所述优化模块中约束条件为，车辆总派送时间不超过系统最大限制，其中车辆派送总时长包括派送路途耗费时间、客户点的服务时间以及客户点的等待时间；
所述客户点的服务时间等于客户点高度的两倍除以服务客户的车辆上装配的无人机的速度；
车辆的总负载不能超过系统给定的最大车辆负载量；
每个客户点出入的车辆数量保持一致，且总的车辆数量为初始预设值；
每个客户点的后续客户点只能有一个。
8.如权利要求6所述的一种用于救援的带无人机车辆配送路径优化系统，其特征在于，
所述优化模块中，在相应的约束条件下，采用改进的人工蜂群算法求解带无人机的车辆配送路径优化函数的具体过程为：
利用初始化策略生成初始解集；
在雇佣蜂阶段，循环初始解集的每个客户点，并生成相应的邻域解，对多个邻域解进行排序，若多邻域解优于当前解，则邻域解取代当前解并更新全局最优解及其邻域解；
在跟随蜂阶段，随机选择循环种群的一个解和当前解比较，筛选出较优解后，采用雇佣蜂阶段策略生成一个相应邻域解，若邻域解优于较优解，则邻域解取代较优解，更新当前解集中的全局最优解；
在侦查蜂阶段，若循环种群的无更新次数超过预设最大次数，则采用侦查蜂策略进行全局搜索最优解。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项方法所述的步骤。
CN201911017759.XA 2019-10-24 2019-10-24 一种用于救援的带无人机车辆配送路径优化方法及系统 Active CN110782086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911017759.XA CN110782086B (zh) 2019-10-24 2019-10-24 一种用于救援的带无人机车辆配送路径优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911017759.XA CN110782086B (zh) 2019-10-24 2019-10-24 一种用于救援的带无人机车辆配送路径优化方法及系统

Publications (2)

Publication Number Publication Date
CN110782086A true CN110782086A (zh) 2020-02-11
CN110782086B CN110782086B (zh) 2022-09-09

Family

ID=69387576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017759.XA Active CN110782086B (zh) 2019-10-24 2019-10-24 一种用于救援的带无人机车辆配送路径优化方法及系统

Country Status (1)

Country Link
CN (1) CN110782086B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111538333A (zh) * 2020-05-13 2020-08-14 安庆师范大学 基于定积分的滚动时域控制策略的动态车辆路径优化方法
CN111598343A (zh) * 2020-05-18 2020-08-28 武汉轻工大学 配送路径优化方法、设备及可读存储介质
CN111784045A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 配送车辆的优化方法、装置、设备以及存储介质
CN112862414A (zh) * 2021-04-12 2021-05-28 中南大学 基于集群旅行商问题的协同配送路径优化方法
CN113177762A (zh) * 2021-05-14 2021-07-27 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113313285A (zh) * 2021-04-21 2021-08-27 山东师范大学 多约束条件的车辆路径优化方法、系统、存储介质及设备
CN113327075A (zh) * 2020-02-28 2021-08-31 北京京东振世信息技术有限公司 物流配送中的配送路径规划方法、装置、电子设备和介质
CN113408922A (zh) * 2021-06-29 2021-09-17 昆明理工大学 一种餐厨垃圾回收过程的车辆优化调度方法
CN113762594A (zh) * 2021-07-23 2021-12-07 合肥工业大学 车机协同配送灾后救援物资的路径规划方法和装置
CN114553302A (zh) * 2022-02-25 2022-05-27 中国电子科技集团公司第三十八研究所 一种无人机蜂群实时性协同通信方法
CN115239031A (zh) * 2022-09-23 2022-10-25 北京邮电大学 一种车辆路径调度方法及装置
CN117726059A (zh) * 2024-02-08 2024-03-19 深圳大学 一种时间窗约束下的卡车无人机任务分配方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160257401A1 (en) * 2015-03-02 2016-09-08 Amazon Technologies, Inc. Landing of unmanned aerial vehicles on transportation vehicles for transport
CN106541880A (zh) * 2016-10-25 2017-03-29 北京印刷学院 一种智能运输装置
CN107657412A (zh) * 2017-10-23 2018-02-02 天津职业技术师范大学 面向偏远地区的无人机和汽车组合式配送系统及配送方法
CN109800904A (zh) * 2018-12-18 2019-05-24 山东师范大学 带时间窗的装配式建筑预制件配送路径优化方法及系统
CN110222890A (zh) * 2019-05-31 2019-09-10 中国人民解放军国防科技大学 一种车辆与无人机物流配送的双层路径优化方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160257401A1 (en) * 2015-03-02 2016-09-08 Amazon Technologies, Inc. Landing of unmanned aerial vehicles on transportation vehicles for transport
CN106541880A (zh) * 2016-10-25 2017-03-29 北京印刷学院 一种智能运输装置
CN107657412A (zh) * 2017-10-23 2018-02-02 天津职业技术师范大学 面向偏远地区的无人机和汽车组合式配送系统及配送方法
CN109800904A (zh) * 2018-12-18 2019-05-24 山东师范大学 带时间窗的装配式建筑预制件配送路径优化方法及系统
CN110222890A (zh) * 2019-05-31 2019-09-10 中国人民解放军国防科技大学 一种车辆与无人机物流配送的双层路径优化方法及系统

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327075A (zh) * 2020-02-28 2021-08-31 北京京东振世信息技术有限公司 物流配送中的配送路径规划方法、装置、电子设备和介质
CN113327075B (zh) * 2020-02-28 2023-11-07 北京京东振世信息技术有限公司 物流配送中的配送路径规划方法、装置、电子设备和介质
CN111538333B (zh) * 2020-05-13 2022-11-15 安庆师范大学 基于定积分的滚动时域控制策略的动态车辆路径优化方法
CN111538333A (zh) * 2020-05-13 2020-08-14 安庆师范大学 基于定积分的滚动时域控制策略的动态车辆路径优化方法
CN111598343A (zh) * 2020-05-18 2020-08-28 武汉轻工大学 配送路径优化方法、设备及可读存储介质
CN111784045A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 配送车辆的优化方法、装置、设备以及存储介质
CN111784045B (zh) * 2020-06-29 2023-09-22 北京百度网讯科技有限公司 配送车辆的优化方法、装置、设备以及存储介质
CN112862414A (zh) * 2021-04-12 2021-05-28 中南大学 基于集群旅行商问题的协同配送路径优化方法
CN112862414B (zh) * 2021-04-12 2023-12-05 中南大学 基于集群旅行商问题的协同配送路径优化方法
CN113313285A (zh) * 2021-04-21 2021-08-27 山东师范大学 多约束条件的车辆路径优化方法、系统、存储介质及设备
CN113177762A (zh) * 2021-05-14 2021-07-27 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113177762B (zh) * 2021-05-14 2024-01-05 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113408922A (zh) * 2021-06-29 2021-09-17 昆明理工大学 一种餐厨垃圾回收过程的车辆优化调度方法
CN113762594B (zh) * 2021-07-23 2023-07-07 合肥工业大学 车机协同配送灾后救援物资的路径规划方法和装置
CN113762594A (zh) * 2021-07-23 2021-12-07 合肥工业大学 车机协同配送灾后救援物资的路径规划方法和装置
CN114553302A (zh) * 2022-02-25 2022-05-27 中国电子科技集团公司第三十八研究所 一种无人机蜂群实时性协同通信方法
CN114553302B (zh) * 2022-02-25 2023-05-16 中国电子科技集团公司第三十八研究所 一种无人机蜂群实时性协同通信方法
CN115239031A (zh) * 2022-09-23 2022-10-25 北京邮电大学 一种车辆路径调度方法及装置
CN117726059A (zh) * 2024-02-08 2024-03-19 深圳大学 一种时间窗约束下的卡车无人机任务分配方法
CN117726059B (zh) * 2024-02-08 2024-04-30 深圳大学 一种时间窗约束下的卡车无人机任务分配方法

Also Published As

Publication number Publication date
CN110782086B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110782086B (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
Moshref-Javadi et al. Applications and Research avenues for drone-based models in logistics: A classification and review
Qin et al. A novel reinforcement learning-based hyper-heuristic for heterogeneous vehicle routing problem
CN109800904B (zh) 带时间窗的装配式建筑预制件配送路径优化方法及系统
Sierksma et al. Routing helicopters for crew exchanges on off-shore locations
CN111860754B (zh) 基于蚁群以及遗传算法的agv调度方法
Liu et al. Novel multi-objective resource allocation and activity scheduling for fourth party logistics
CN109002902A (zh) 分区域多阶段生鲜农产品动态车辆路径优化方法
CN113011644A (zh) 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN101673382A (zh) 一种农资连锁经营物流配送配载组合优化方法
CN113159588A (zh) 一种基于物联网技术的物流车辆智能调度算法
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN114358675A (zh) 一种多无人机-多卡车协同物流配送路径规划方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
CN116187896A (zh) 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN110322066A (zh) 一种基于共享承运人和共享仓库的协同车辆路径优化方法
CN113848970A (zh) 一种车辆-无人机多目标协同路径规划方法
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
El Bouzekri El Idrissi et al. Evolutionary algorithm for the bi-objective green vehicle routing problem
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN115577833A (zh) 应用于求解协同配送的路径规划的粒子群优化方法和系统
CN114611794A (zh) 基于亚启发式算法的车机协同取送货路径优化方法和系统
CN111178596A (zh) 一种物流配送路线规划方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant