CN112348438A - 基于人工智能的物流路径规划方法 - Google Patents
基于人工智能的物流路径规划方法 Download PDFInfo
- Publication number
- CN112348438A CN112348438A CN202011221338.1A CN202011221338A CN112348438A CN 112348438 A CN112348438 A CN 112348438A CN 202011221338 A CN202011221338 A CN 202011221338A CN 112348438 A CN112348438 A CN 112348438A
- Authority
- CN
- China
- Prior art keywords
- client
- unmanned aerial
- aerial vehicle
- truck
- distance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000006855 networking Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06Q10/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能的物流路径规划方法,根据聚类结果判断所采用的配送模式进行服务,根据配送模式选择通过车辆路径问题及建立TECVRP‑D模型并用CPLEX对比求解确定最终路径。本发明以配送成本、时间转换成本和环境成本作为目标函数建立在移动卫星、时间窗和载重约束下的车辆路径问题模型,并运用CPLEX求解器对该问题求解,求解结果表明货车无人机动态配送模式和货车无人机组网配送模式相比于现有的配送模式能够进一步的降低配送成本。
Description
技术领域
本发明涉及物流路径规划技术领域,特别涉及一种基于人工智能的物流路径规划方法。
背景技术
人工智能物流主要通过互联网、物联网、物流网,整合物流资源,充分发挥现有物流资源供应方的效率,而需求方,则能够快速获得服务匹配,得到物流支持。
近年来随着经济发展无人机在各领域的应用展露头角,例如航拍,农业,军工等领域发展尤其迅速,现也有不少学者和企业将无人机引入到物流领域中来。在带有无人机的路径优化研究中,主要包括这样四种配送模式:无人机作为主要驱动,车辆支持无人机运行模式;车辆作为主要驱动,而无人机支持车辆运行模式;无人机与车辆独立运行模式和无人机与车辆同时运行模式。目前四种模式的配送成本仍较高,还有待进一步完善、降低。
发明内容
发明目的:
本发明提出一种基于人工智能的物流路径规划方法,其目的在于解决现有人工智能的物流路径运输成本高的问题。
技术方案:
一种基于人工智能的物流路径规划方法,根据聚类结果判断所采用的配送模式进行服务,根据配送模式选择通过车辆路径问题及建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
当配送模式为货车-无人机联合组网配送模式或者货车-无人机联合动态配送模式时,通过建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
聚类结果判断方法的步骤为:
步骤1:初始化各变量及参数;
步骤2:计算每个客户到配送中心的距离,并判断该距离是否大于a;
步骤3:如果客户与配送中心的距离不大于a,那么选择纯无人机配送模式配送服务,该问题可归结到车辆路径问题;
步骤5:如果客户与配送中心的距离大于a,则转步骤6;
步骤6:计算客户集中度,并判断是否大于b;
步骤7:如果客户集中度不大于b,则选择纯货车配送模式配送服务,该问题即车辆路径问题;
步骤8:如果客户集中度大于b,则选择货车-无人机联合配送模式服务,转步骤9;
步骤9:计算每个客户的需求量,并判断是否大于c;
步骤10:如果客户i的需求量不大于c,则i为无人机客户;
步骤11:如果客户i的需求量大于c,则i为组合车辆客户;
步骤12:计算客户i与其他客户的距离,并判断是否大于d;
步骤13:如果客户i与其他客户的距离不大于d,则i为普通车辆客户;
步骤14:如果客户i与其他客户的距离大于d,则i为移动卫星;
步骤15:i=i+1,依次判断每个客户是否为移动卫星;
步骤16:计算移动卫星间的距离,并判断其是否大于e;
步骤17:如果移动卫星间的距离不大于e,则选择货车-无人机联合组网配送模式,并利用TECVRP-D模型求解;
步骤18:如果移动卫星间的距离大于e,则选择货车-无人机联合动态配送模式,并利用TECVRP-D模型求解。
TECVRP-D模型的目标函数为
TECVRP-D模型目标函数的约束条件为:
1)基本约束为
dri≤Dmax/2
2)时间窗约束为
ei≤atti+wtti≤li,t∈T,i∈Vtuac\{0}
ej≤atutuj+wtutuj≤lj,t∈T,u∈U,j∈Vc,j≠r
3)续航能力约束为
atto-dtto≤TL,t∈T
atutui-dtutui≤TL,t∈T,u∈U,i∈{0,r},r∈Vtuac\{0}
4)载重约束为
5)节点约束为
优点及效果:
本发明以配送成本、时间转换成本和环境成本作为目标函数建立在移动卫星、时间窗和载重约束下的车辆路径问题模型,并运用CPLEX求解器对该问题求解,求解结果表明货车无人机动态配送模式和货车无人机组网配送模式相比于现有的配送模式能够进一步的降低配送成本。
附图说明
图1为配送模式选择流程图;
图2为配送模式图;
图3为货车-无人机组合体示意图;
图中:1、第一客户,2、第二客户,3、第三客户,4、第四客户,5、第五客户,6、第六客户,7、第七客户,8、第八客户,9、第九客户,10、第十客户,11、第十一客户,12、第十二客户,13、第十三客户,14、第十四客户,15、第十五客户,第16、十六客户,17、第十七客户,18、第十八客户,19、第十九客户,20、第二十客户,21、第二十一客户,22、第二十二客户,23、第二十三客户,24、第二十四客户,25、第二十五客户,I、第一货车,II、第二货车,III、第三货车,IV、第四货车,0-1、第一无人机,0-2、第二无人机,I-1、第三无人机,III-1、第四无人机,III-2、第五无人机,IV-1、第六无人机。
具体实施方式
下面结合附图对本发明的具体实施方法进行描述,以便本领域的技术人员更好理解本专利。
本发明在现在四种配送模式的基础上新引入货车-无人机联合动态配送模式和货车-无人机联合组网配送模式,以配送成本、时间转换成本和环境成本作为目标函数建立在移动卫星、时间窗和载重约束下的车辆路径问题模型(Vehicle routing problems withuAVs under mobile satellites,time Windows,and load constraints,TECVRP-D),并运用CPLEX求解器对该问题求解,求解结果表明货车无人机动态配送模式和货车无人机组网配送模式相比于现有的配送模式可以降低配送成本。
一种基于人工智能的物流路径规划方法,根据聚类结果判断所采用的配送模式进行服务,根据配送模式选择通过车辆路径问题或者建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
配送模式包括:纯无人机配送模式、纯货车配送模式、货车-无人机联合组网配送模式和货车-无人机联合动态配送模式;当配送模式为纯无人机配送模式或者纯货车配送模式时,通过车辆路径问题确定最终路径;当配送模式为货车-无人机联合组网配送模式或者货车-无人机联合动态配送模式时,通过建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
聚类结果判断方法的步骤为:
步骤1:初始化各变量及参数;
步骤2:计算每个客户到配送中心的距离,并判断该距离是否大于a;
步骤3:如果客户与配送中心的距离不大于a,那么选择纯无人机配送模式配送服务,该问题可归结到车辆路径问题;
步骤5:如果客户与配送中心的距离大于a,则转步骤6;
步骤6:计算客户集中度,并判断是否大于b;
步骤7:如果客户集中度不大于b,则选择纯货车配送模式配送服务,该问题即车辆路径问题;
步骤8:如果客户集中度大于b,则选择货车-无人机联合配送服务,转步骤9;
步骤9:计算每个客户的需求量,并判断是否大于c;
步骤10:如果客户i的需求量不大于c,则i为无人机客户;
步骤11:如果客户i的需求量大于c,则i为组合车辆客户;
步骤12:计算客户i与其他客户的距离,并判断是否大于d;
步骤13:如果客户i与其他客户的距离不大于d,则i为普通车辆客户;
步骤14:如果客户i与其他客户的距离大于d,则i为移动卫星;
步骤15:i=i+1,依次判断每个客户是否为移动卫星;
步骤16:计算移动卫星间的距离,并判断其是否大于e;
步骤17:如果移动卫星间的距离不大于e,则选择货车-无人机联合组网配送模式,并利用TECVRP-D模型求解;
步骤18:如果移动卫星间的距离大于e,则选择货车-无人机联合动态配送模式,并利用TECVRP-D模型求解。
本发明中a、b、c、d和e为实测距离或常数,具体为本领域技术人员根据配送情况确定。
每个无人机客户的包裹只能由一架无人机配送一次完成,且包裹重量均未超出无人机的最大载重量;客户和配送中心位置、客户时间窗已知;一架无人机一次可载多个包裹;无人机可返回卡车更换电池或充电后继续配送;所有货车和无人机的型号一样。
如图1所示的一个配送中心,共25个客户点,现要利用货车和无人机为其送货,要求要在其规定时间内为其送货并使其综合成本最小。现提出四种运输模式,分别为纯无人机配送、纯货车配送、货车-无人机联合动态配送和货车-无人机联合组网配送服务。首先对所有客户进行聚类,根据聚类结果判断采用哪种模式进行配送服务,确定好配送模式后,建立TECVRP-D模型并用CPLEX对比求解。货车-无人机组合体如图2。
结合图1配送模式为:
1)纯无人机配送模式:第一无人机0-1、第二无人机0-2同时从配送中心出发,第一无人机0-1在时间窗口范围内分别给第一客户1、第二客户2、第三客户3送货,并返回配送中心,第二无人机0-2在时间窗口范围内分别给第四客户4、第五客户5、第六客户6、第七客户7送货,并返回配送中心。
2)纯货车配送模式:第二货车II从配送中心出发,在时间窗口范围内分别给第八客户8、第九客户9送货,并返回配送中心。
3)货车-无人机联合动态配送模式:第三货车III携带第四无人机III-1、第五无人机III-2从配送中心出发,经过第十八客户18、第十九客户19,在第十九客户19的位置上可以观察到客户密集度相对集中,故可利用无人机配送,此时第三货车III在第十九客户19的位置上作为移动卫星,为无人机提供雷达定位搜索等功能,并作为支线中派遣无人机的起点或目的地,即在第十九客户19上放飞第四无人机III-1,而后第三货车III继续向第二十三客户23行驶,在第三货车III行驶过程中第四无人机III-1分别为第二十客户20、第二十一客户21、第二十二客户22送货,并在第二十三客户23的位置上返回第三货车III上,在第二十三客户23的位置上放飞第五无人机III-2,由于第四无人机III-1刚刚已经送过货了,所以这里用第五无人机III-2为第二十四客户24、第二十五客户25送货,并返回第二十三客户23的第三货车III上,最后货车-无人机一同返回配送中心。这里配送均在时间窗口打开内服务。
4)货车-无人机联合组网配送模式:第一货车I携带无人机I-1和第四货车IV携带第六无人机IV-1从配送中心出发,第四货车IV携带第六无人机IV-1经过第十四客户14、第十五客户15,并在第十五客户15的位置上放飞第六无人机IV-1,第六无人机IV-1分别为第十六客户16、第十七客户17送货;第一货车I携带无人机I-1经过第十客户10、第十一客户11,在第十一客户11的位置上放飞无人机I-1,而后第一货车I返回到配送中心。无人机I-1分别为第十二客户12、第十三客户13送货,并返回到第十五客户15位置上的第四货车IV上,最终和第四货车IV一同返回到配送中心。
TECVRP-D模型的目标函数为:
目标函数是使综合成本最小化。其包括七个部分,分别是货车的固定成本、回车的可变成本、货车为客户服务和等待派遣无人机返回的等待时间成本、无人机的固定成本、无人机的运行成本、无人机为客户服务的等待时间成本以及货车的环境成本。目标函数各部分均以货币为单位计量。由于无人机飞行距离短,耗电量小的特性,所以在这里无人机的运行成本可省略。
约束条件:
1)基本约束
dri≤Dmax/2 (1-6)
式(1-2)表示只有被货车t搭载的无人机u在节点i处起飞时,r才被当作移动卫星;式(1-3)表示移动卫星r包括在组合航线的主线上;式(1-4)表示在移动卫星r或配送中心DC上每个无人机最多用一次;式(1-5)表示每个节点上货车最多用一次;式(1-6)表示每个移动卫星与客户间的距离约束。
2)时间窗约束
ei≤atti+wtti≤li,t∈T,i∈Vtuac\{0} (1-7)
ej≤atutuj+wtutuj≤lj,t∈T,u∈U,j∈Vc,j≠r (1-8)
式(1-7)保证货车在遵守客户时间窗的前提下访问该客户,允许货车在客户时间窗口打开前到达,同时考虑了货车的等待时间;式(1-7)保证无人机在遵守客户时间窗的前提下访问该客户,允许无人机在客户时间窗口打开前到达,同时考虑了无人机等待时间。
3)续航能力约束
atto-dtto≤TL,t∈T (1-9)
atutui-dtutui≤TL,t∈T,u∈U,i∈{0,r},r∈Vtuac\{0} (1-10)
式(1-9)表示每辆货车的最长工作时间;式(1-10)表示当无人机在纯无人机航线或组合路线的支线中飞行时,重新考虑每架无人机一次起飞的最大飞行时间。
4)载重约束
式(1-11)表示无人机的最大载重容量约束;式(1-12)表示货车的最大载重容量约束。
5)节点约束
式(1-13)表示每个客户都被服务且仅服务一次;式(1-14)和式(1-15)表示主线的货车或者无人机从配送中心出发并返回该配送中心。
本发明的公式中涉及的变量与参数见下表1。
表1各部分变量与参数
Claims (5)
1.一种基于人工智能的物流路径规划方法,其特征在于:根据聚类结果判断所采用的配送模式进行服务,根据配送模式选择通过车辆路径问题及建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
2.根据权利要求1所述的基于人工智能的物流路径规划方法,其特征在于:
当配送模式为货车-无人机联合组网配送模式或者货车-无人机联合动态配送模式时,通过建立TECVRP-D模型并用CPLEX对比求解确定最终路径。
3.根据权利要求1所述的基于人工智能的物流路径规划方法,其特征在于:聚类结果判断方法的步骤为:
步骤1:初始化各变量及参数;
步骤2:计算每个客户到配送中心的距离,并判断该距离是否大于a;
步骤3:如果客户与配送中心的距离不大于a,那么选择纯无人机配送模式配送服务,该问题可归结到车辆路径问题;
步骤5:如果客户与配送中心的距离大于a,则转步骤6;
步骤6:计算客户集中度,并判断是否大于b;
步骤7:如果客户集中度不大于b,则选择纯货车配送模式配送服务,该问题即车辆路径问题;
步骤8:如果客户集中度大于b,则选择货车-无人机联合配送模式服务,转步骤9;
步骤9:计算每个客户的需求量,并判断是否大于c;
步骤10:如果客户i的需求量不大于c,则i为无人机客户;
步骤11:如果客户i的需求量大于c,则i为组合车辆客户;
步骤12:计算客户i与其他客户的距离,并判断是否大于d;
步骤13:如果客户i与其他客户的距离不大于d,则i为普通车辆客户;
步骤14:如果客户i与其他客户的距离大于d,则i为移动卫星;
步骤15:i=i+1,依次判断每个客户是否为移动卫星;
步骤16:计算移动卫星间的距离,并判断其是否大于e;
步骤17:如果移动卫星间的距离不大于e,则选择货车-无人机联合组网配送模式,并利用TECVRP-D模型求解;
步骤18:如果移动卫星间的距离大于e,则选择货车-无人机联合动态配送模式,并利用TECVRP-D模型求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221338.1A CN112348438A (zh) | 2020-11-05 | 2020-11-05 | 基于人工智能的物流路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221338.1A CN112348438A (zh) | 2020-11-05 | 2020-11-05 | 基于人工智能的物流路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348438A true CN112348438A (zh) | 2021-02-09 |
Family
ID=74428739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011221338.1A Pending CN112348438A (zh) | 2020-11-05 | 2020-11-05 | 基于人工智能的物流路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348438A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159687A (zh) * | 2021-04-29 | 2021-07-23 | 长安大学 | 一种车间agv-uav协同的物料配送路径规划方法和系统 |
CN113359821A (zh) * | 2021-05-28 | 2021-09-07 | 合肥工业大学 | 基于车辆与无人机协同作业的路径规划方法及系统 |
CN114971043A (zh) * | 2022-06-02 | 2022-08-30 | 重庆邮电大学 | 一种基于非欧拉回路的邮递员问题路径优化方法 |
CN116894620A (zh) * | 2023-09-08 | 2023-10-17 | 北京京东乾石科技有限公司 | 物流路由方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886876A (zh) * | 2017-03-16 | 2017-06-23 | 张洲杨 | 物流配送方法 |
CN107657334A (zh) * | 2017-08-31 | 2018-02-02 | 杭州王道控股有限公司 | 一种用于货物配送的载货无人机调度系统、方法及服务端 |
CN110197311A (zh) * | 2019-06-12 | 2019-09-03 | 江苏航运职业技术学院 | 一种基于智能优化的物流配送路径规划方法 |
CN111273683A (zh) * | 2018-12-04 | 2020-06-12 | 丰田自动车株式会社 | 配送系统 |
-
2020
- 2020-11-05 CN CN202011221338.1A patent/CN112348438A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886876A (zh) * | 2017-03-16 | 2017-06-23 | 张洲杨 | 物流配送方法 |
CN107657334A (zh) * | 2017-08-31 | 2018-02-02 | 杭州王道控股有限公司 | 一种用于货物配送的载货无人机调度系统、方法及服务端 |
CN111273683A (zh) * | 2018-12-04 | 2020-06-12 | 丰田自动车株式会社 | 配送系统 |
CN110197311A (zh) * | 2019-06-12 | 2019-09-03 | 江苏航运职业技术学院 | 一种基于智能优化的物流配送路径规划方法 |
Non-Patent Citations (2)
Title |
---|
""网络购物环境下城市最后一公里配送成本研究"", 《硕士电子期刊》, no. 6, pages 1 - 70 * |
吴江: ""基于供给侧改革的农村电商物流资源配置优化方法研究"", 《博士电子期刊》, no. 1, pages 1 - 70 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159687A (zh) * | 2021-04-29 | 2021-07-23 | 长安大学 | 一种车间agv-uav协同的物料配送路径规划方法和系统 |
CN113159687B (zh) * | 2021-04-29 | 2023-08-29 | 长安大学 | 一种车间agv-uav协同的物料配送路径规划方法和系统 |
CN113359821A (zh) * | 2021-05-28 | 2021-09-07 | 合肥工业大学 | 基于车辆与无人机协同作业的路径规划方法及系统 |
CN113359821B (zh) * | 2021-05-28 | 2022-07-05 | 合肥工业大学 | 基于车辆与无人机协同作业的路径规划方法及系统 |
CN114971043A (zh) * | 2022-06-02 | 2022-08-30 | 重庆邮电大学 | 一种基于非欧拉回路的邮递员问题路径优化方法 |
CN114971043B (zh) * | 2022-06-02 | 2024-03-08 | 广州大鱼创福科技有限公司 | 一种基于非欧拉回路的邮递员问题路径优化方法 |
CN116894620A (zh) * | 2023-09-08 | 2023-10-17 | 北京京东乾石科技有限公司 | 物流路由方法、装置、电子设备及存储介质 |
CN116894620B (zh) * | 2023-09-08 | 2024-02-06 | 北京京东乾石科技有限公司 | 物流路由方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348438A (zh) | 基于人工智能的物流路径规划方法 | |
US11548642B2 (en) | Safe vertical take-off and landing aircraft payload assignment | |
Poikonen et al. | Multi-visit drone routing problem | |
US11724798B1 (en) | Safe vertical take-off and landing aircraft payload distribution and adjustment | |
Yoo et al. | Drone-delivery using autonomous mobility: An innovative approach to future last-mile delivery problems | |
Wieberneit | Service network design for freight transportation: a review | |
Tan et al. | A hub covering model for cargo delivery systems | |
Schermer et al. | A b ranch‐and‐cut approach and alternative formulations for the traveling salesman problem with drone | |
Armacost et al. | Composite variable formulations for express shipment service network design | |
CN109934532B (zh) | 双向运输的路线规划方法和相关装置 | |
Baldisseri et al. | Truck-based drone delivery system: An economic and environmental assessment | |
CN106845732A (zh) | 一种卫星式物流快递配送方法 | |
WO2002004893A1 (en) | Method to schedule a vehicle in real-time to transport freight and passengers | |
Tamke et al. | The vehicle routing problem with drones and drone speed selection | |
US10752363B1 (en) | Safe vertical take-off and landing aircraft payload assignment | |
Huang et al. | Stochastic task scheduling in UAV-based intelligent on-demand meal delivery system | |
CN111563709A (zh) | 智慧物流货物链路集货方法及系统 | |
Sun et al. | Research on improved genetic algorithm in path optimization of aviation logistics distribution center | |
Liu et al. | Truck and drone in tandem route scheduling under sparse demand distribution | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
Tekil-Ergün et al. | Solving a hybrid mixed fleet heterogeneous dial-a-ride problem in delay-sensitive container transportation | |
Iliopoulou et al. | Route planning for a seaplane service: The case of the Greek Islands | |
Gacal et al. | Flying sidekick traveling salesman problem with pick-up and delivery and drone energy optimization | |
Klochkov et al. | The Prediction of Transport-Logistics Systems Based on Unmanned Aerial Vehicles Creation Efficiency | |
CN114692960A (zh) | 油耗与最佳路径协同的车辆路径规划方法及系统 |
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 |