CN113029144A - 一种协同运输的亚启发算法路径规划方法 - Google Patents

Abstract

本发明公开了多电动车协同运输的亚启发算法路径规划方法，先获取场景的行驶区域地图信息，并将行驶区域地图信息、电动车各停靠点集合V的位置数据和电动车各停靠点包裹重量数据W输入到计算机，并根据位置数据在行驶区域地图中标定各停靠点的位置并计算各停靠点之间的路程段集合A的距离数据；确定优化标准和约束条件，并据此建立多电动车行驶路径的目标函数；目标函数的约束条件包括电动车的包裹的重量约束条件。本发明具有收敛性好、错误率低、安全性好、物流负载效率高、智能化的的优点。

Description

一种协同运输的亚启发算法路径规划方法

技术领域

本发明涉及一种协同运输路径规划方法，尤其涉及多电动车协同运输的亚启发算法路径规划方法。

背景技术

现有快递业终端体系基本全部采用上门收取货物的方式来配送，其最大的不足之处在于：收货效率低、配货成本高，并且上门取货、运输配送的时间不对称问题。通过对电动车信息监控实现路径规划的报道较少，如中国发明申请CN110879070A，公开了一种用于对电动车进行路线规划的装置、方法及系统。该装置具有：输入接口，其用于接收电动车的蓄能器的当前充电状态以及电动车的已规划的路线；数据库接口，其用于接收具有充电站的定位的充电站信息；能量规划单元，其用于基于蓄能器的当前充电状态和已规划的路线来获知蓄能器的充电状态的预测的变化曲线；充电规划单元，其用于基于充电状态的预测的变化曲线、充电站信息和已规划的路线选出充电站；以及匹配单元，其用于基于已规划的路线来获知路过所选出的充电站的定位的至少一条已匹配好的路线，然而其仅仅针对单个车辆。又如CN106969778B的中国发明专利，其路径规划方法采用遗传算法和模拟退火算法相结合的优化方法对建立的目标函数进行优化，最终得到最优的无人机飞行路径。本发明基于GA和SA组合的双重优化方案，并在该优化方案的基础上给出了协同运输路线。又如中国发明申请CN107038496A，公开了一种无人机快递自动投送路径规划方法及系统，首先在区域内所有的快递站点中规划出一条能够经过所有站点一次且路程最短的路径，在这条路径上以不超过无人机单次飞行最长距离Lmax为界限，在相应的快递站点设置无人机自动充电装置；在有快递投送任务时，利用手持设备读取待派送的多个快件分别所在的地点，分配好任务站点，在这些任务站点中规划出一条最短路径，并读取该段路径总长度；判断无人机能否中途不充电走完全程；如果能，则开始执行快递投送任务；若不能，则在此线路周围寻找可以有效用来充电的站点，作为中转站点使用，使得无人机在经过寻找到的这些中转站点后，能够顺利将快递送达并安全返回快递集散中心。

发明内容

本发明的目的在于针对现有技术提供一种收敛性好、错误率低、安全性好、物流负载效率高、智能化的多电动车协同运输的亚启发算法路径规划方法。

本发明解决上述技术问题所采用的技术方案为：多电动车协同运输的亚启发算法路径规划方法，先获取场景的行驶区域地图信息，并采用如下步骤：

1)将行驶区域地图信息、电动车各停靠点集合V的位置数据和电动车各停靠点包裹重量数据W输入到计算机，并根据位置数据在行驶区域地图中标定各停靠点的位置并计算各停靠点之间的路程段集合A的距离数据；

2)确定优化标准和约束条件，并据此建立多电动车行驶路径的目标函数；目标函数的约束条件包括电动车的包裹的重量约束条件，包裹的重量约束条件为：

上式中，

表示第i个电动车u_i完成第j个路程所携带的包裹重量，dist(u_i)表示电动车u_i行驶的路程段的集合；C为电动车的载重量；ζ为大于0且小于1的安全系数；

为第i个电动车u_i的剩余电量；

为第i个电动车u_i的额定电量。

3)采用亚启发式算法对步骤2)建立的目标函数进行优化，最终得到最优的电动车行驶路径。通过多电动车的亚启发式算法求解并优化停靠点物流网络的行驶路线策略，具有较现有技术更好的收敛性，且容错率好，准确性高，在有限的电动车数量的情况下，能充分发挥有限运力，提高电动车集群的运送效率。本算法同时考虑并解决了电动车物流负载和高效行程规划问题。

为优化上述技术方案，采取的措施还包括：步骤2)中将行驶距离、输入代价、剩余电量、消耗时间作为优化标准，即

f_t(x)＝min[max[p_t(x_i)]]

其中，f_d(x)为最短行驶距离、f_I(x)、为最小输入代价，f_t(x)代表执行行驶任务时间最长的电动车的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个电动车u_i完成其任务所需的行驶距离、输入代价、行驶任务时间，max[p_t(x_i)]代表所有电动车中执行行驶任务时间的最大值，x_i为电动车u_i的行驶路径，U为电动车的数目。

在步骤2)中，建立的多电动车行驶路径的目标函数如下：

其中，k1、k2、k3分别为最短行驶距离、最小输入代价、最短消耗时间的权重，且0<k1,k2,k3<1，k1+k2+k3＝1。

由于本发明采用了建立多电动车行驶路径的目标函数；目标函数的约束条件包括电动车的包裹的重量约束条件，并采用亚启发式算法对步骤2)建立的目标函数进行优化，最终得到最优的电动车行驶路径。通过电动车集群操作人员或行车电脑对引导，能提高整个集群的效率。因而本发明具有收敛性好、错误率低、安全性好、物流负载效率高、智能化的优点。

附图说明

图1为本发明实施例1方法步骤流程示意图；

图2为本发明实施例1总路程-测试次数收敛对比示意图。

具体实施方式

以下结合附实施例对本发明作进一步详细描述。

实施例1：

参照图1，本实施例的实现方案如下：

1)输入行驶区域地图、电动车各停靠点集合V的位置数据和电动车各停靠点包裹重量数据，并根据位置数据在行驶区域地图中标定各停靠点的位置并计算各停靠点之间的路程段集合A的距离数据；

2)确定优化标准和约束条件，并据此建立多电动车行驶路径的目标函数；目标函数的约束条件包括电动车的包裹的重量约束条件，包裹的重量约束条件为：

上式中，

表示第i个电动车u_i完成第j个路程所携带的包裹重量，dist(u_i)表示电动车u_i行驶的路程段的集合；C为电动车的载重量；ζ为大于0且小于1的安全系数；

为第i个电动车u_i的剩余电量；

为第i个电动车u_i的额定电量。

3)采用亚启发式算法对步骤2)建立的目标函数进行优化，最终得到最优的电动车行驶路径。通过多电动车的亚启发式算法求解并优化停靠点物流网络的行驶路线策略，具有较现有技术更好的收敛性，且容错率好，准确性高，在有限的电动车数量的情况下，能充分发挥有限运力，提高电动车集群的运送效率。本算法同时考虑并解决了电动车物流负载和高效行程规划问题。

步骤2)中将行驶距离、输入代价、剩余电量、消耗时间作为优化标准，即

f_t(x)＝min[max[p_t(x_i)]]

其中，f_d(x)为最短行驶距离、f_I(x)、为最小输入代价，f_t(x)代表执行行驶任务时间最长的电动车的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个电动车u_i完成其任务所需的行驶距离、输入代价、行驶任务时间，max[p_t(x_i)]代表所有电动车中执行行驶任务时间的最大值，x_i为电动车u_i的行驶路径，U为电动车的数目。

在步骤2)中，建立的多电动车行驶路径的目标函数如下：

其中，k1、k2、k3分别为最短行驶距离、最小输入代价、最短消耗时间的权重，且0<k1,k2,k3<1，k1+k2+k3＝1。

步骤3)事实上是将其简化为图论G＝(V，A)，使z＝∑_m∈V∑_n∈Vl_nmx_nm最小。l_nm为电动车停靠点m和n之间的距离，x_nm是决策变量。约束条件为：∑_m∈Vl_nm＝1，n∈V；∑_n∈Vl_nm＝1，m∈V；∑_m∈V∑_n∈Vx_nm≤|S|―1，

2≤|S|≤|S|―1；x_nm＝{0，1}

具体的，步骤3)的过程如下：

输入并初始化数据，随机产生初始解X₀，计算X₀的目标函数值f(X₀)；其中，被初始化的数据包括输入行驶区域地图、电动车停靠点集合V的位置数据和电动车各停靠点包裹重量数据，并根据位置数据在行驶区域地图中标定各停靠点的位置并计算各停靠点之间的路程段集合A的距离数据。

初始化算法参数，算法参数包括：

t_sta(初始温度，45～50)、t_coo(温度下降系数，0.9～0.95)、t_end(最终温度0.12～0.15)、Elen(内循环次数)、ρ(接受新解的概率)、cooltime退火时间(p和CN下降次数)、p(PA元素个数占A元素个数的百分比)、p_sta(p的初值，取1)p_end(p的终值)、p_coo(p的下降系数)、CN(候选解个数)、CN_sta(算法开始时候选解的个数)、CN_end(候选解最终的个数)、CN_coo(CN的下降系数)、TL(负面表的长度)。

生成候选解步骤：通过动态领域结构产生CN个当前解X_cur，邻域中的候选解{X₁,X₂,X₃,…,X_CN}；

计算出{Δf₁，Δf₂，...，Δf_CN}，记录opt；然后判定E_cur+Δf_opt与E_bes的大小，如大于则进行循环迭代更新(具体更新逻辑参考伪代码)。

如小于则：X_cur更新为X_opt，E_cur更新为E_cur+Δf_opt，并更新负面表。

Elen的取值方式如下：

退火时间：

p_end＝min[max(3·α，0.1)，1]

其中，N为电动车停靠点的数量；α为标量，是现有规划方法的常用定义。

,

通过采用如步骤3)的路线规划方法，结合步骤2)的限制条件，通过与现有技术主流算法的横向比较，误差较Iterated-3-Opt by Johnson(0.517％)、Iterated Lin–Kernighan by Neto(0.737％)、AHSATS-D-CM(0.632％)更低，达到了0.211％。本发明公开了算法的约束条件、核心伪代码和算法的逻辑，而具体代码的实现、路径规划程序的组合方式，由于篇幅所限且属于不需要付出创造性劳动工作，不再赘述。图1中的现有技术采用的是AHSATS-D-CM算法。在255次测算过程中并没有达到收敛。因此，本技术方案的算法具有算力优势。

本技术方案伪代码如下：

程序中采用的ρ的表达式如下：

其中，β、γ为标量，均为常用定义，

std()是计算标准差的函数。

实施例2：

本实施例在实施例1的基础上增加充电时间的约束，即：

其中P_I为充电时间，例如以每1％的电量损耗折算为1-5分钟的充电时间损失，充电阈值可以通过下一个停靠点之间的路程段的距离不能完成的情况下将进行设置。

尽管已结合优选的实施例描述了本发明，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围的情况下，能够对在这里列出的主题实施各种改变、同等物的置换和修改，因此本发明的保护范围当视所提出的权利要求限定的范围为准。

Claims (5)

1.多电动车协同运输的亚启发算法路径规划方法，包括获取场景的行驶区域地图信息，其特征是：

1)将行驶区域地图信息、电动车各停靠点集合V的位置数据和电动车各停靠点包裹重量数据W输入到计算机，并根据位置数据在行驶区域地图中标定各停靠点的位置并计算各停靠点之间的路程段集合A的距离数据；

2)确定优化标准和约束条件，并据此建立多电动车行驶路径的目标函数；目标函数的约束条件包括电动车的包裹的重量约束条件，所述的包裹的重量约束条件为：

上式中，

表示第i个电动车u_i完成第j个路程所携带的包裹重量，dist(u_i)表示电动车u_i行驶的路程段的集合；C为电动车的载重量；ζ为大于0且小于1的安全系数；

为第i个电动车u_i的剩余电量；

为第i个电动车u_i的额定电量。

3)采用亚启发式算法对步骤2)建立的目标函数进行优化，最终得到最优的电动车行驶路径。

2.根据权利要求1所述的多电动车协同运输的亚启发算法路径规划方法，其特征是：步骤2)中将行驶距离、输入代价、剩余电量、消耗时间作为优化标准，即

f_t(x)＝min[max[p_t(x_i)]]

其中，f_d(x)为最短行驶距离、f_I(x)、为最小输入代价，f_t(x)代表执行行驶任务时间最长的电动车的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个电动车u_i完成其任务所需的行驶距离、输入代价、行驶任务时间，max[p_t(x_i)]代表所有电动车中执行行驶任务时间的最大值，x_i为电动车u_i的行驶路径，U为电动车的数目。

3.根据权利要求2所述的多电动车协同运输的亚启发算法路径规划方法，其特征是：优选的，在步骤2)中，建立的多电动车行驶路径的目标函数如下：

f(x)＝k₁f_d(x)+k₂f_I(x)+k₃f_t(x)

其中，k₁、k₂、k₃分别为最短行驶距离、最小输入代价、最短消耗时间的权重，且0<k₁,k₂,k₃<1，k₁+k₂+k₃＝1。

4.实现如权利要求1所述方法的计算机程序。

5.存储如权利要求1所述计算机程序的存储介质。

Images