CN113344353B - 区域内多点扩散式物流配送方案的生成方法、装置及系统 - Google Patents

区域内多点扩散式物流配送方案的生成方法、装置及系统 Download PDF

Info

Publication number
CN113344353B
CN113344353B CN202110591984.5A CN202110591984A CN113344353B CN 113344353 B CN113344353 B CN 113344353B CN 202110591984 A CN202110591984 A CN 202110591984A CN 113344353 B CN113344353 B CN 113344353B
Authority
CN
China
Prior art keywords
customer
distribution
point
vehicle
unmanned aerial
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.)
Active
Application number
CN202110591984.5A
Other languages
English (en)
Other versions
CN113344353A (zh
Inventor
马华伟
马凯
胡笑旋
罗贺
靳鹏
夏维
王国强
唐弈城
郭君
柏文勇
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110591984.5A priority Critical patent/CN113344353B/zh
Publication of CN113344353A publication Critical patent/CN113344353A/zh
Application granted granted Critical
Publication of CN113344353B publication Critical patent/CN113344353B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

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

Abstract

本发明实施例提供一种区域内多点扩散式物流配送方案的生成方法、装置及系统，属于区域物流配送的规划技术领域。通过该技术方案，本发明提供的区域内多点扩散式物流配送方案的生成方法、装置及系统首先采用K中心点算法将待配送的客户配送点分成多个客户配送点集，再针对每个客户配送点集进行分别的路径规划处理，适应了当前无人机协同车辆配送的技术背景，提高了物流配送的效率。

Description

区域内多点扩散式物流配送方案的生成方法、装置及系统
技术领域
本发明涉及区域物流配送的规划技术领域，具体地涉及一种区域内多点扩散式物流配送方案的生成方法、装置及系统。
背景技术
新兴的无人机技术为末端配送物流打开了一扇机会之窗，由于无人机飞行速度快、运输成本低、不受道路拥堵影响等优势，相比于传统车辆配送可以节约大量的人力和运输成本。然而，由于无人机在飞行里程和运输载重的局限性，促使车辆与无人机结合配送成为一个新的研究热点。近年来，无人机的载重能力有了新的突破，无人机在单次行程中能够为多个顾客提供配送，在无人机技术升级的背景下如何选择最佳的车机协同配送路线，进一步发挥无人机的配送优势以此提高末端配送的效率是一个亟待解决的问题。
发明内容
本发明实施例的目的是提供一种区域内多点扩散式物流配送方案的生成方法、装置及系统，该生成方法、装置及系统能够针对车辆搭载无人机在区域内多点配送的特点规划处高效率的配送方案。
为了实现上述目的，本发明实施例提供一种区域内多点扩散式物流配送方案的生成方法，包括：
随机选择K个中心点以生成对应的K个簇；
遍历每个客户配送点以将每个客户配送点分配至一个簇中；
计算每个簇内的平均值；
根据所述平均值重新确定对应的簇的中心点；
将新的中心点和上一轮迭代中的中心点进行比对，确定两者的位置差值；
判断所述差值是否小于或等于预设阈值；
在判断所述差值大于所述预设阈值的情况下，再次遍历每个客户配送点以将每个客户配送点分配至一个簇中并执行所述方法的相应步骤，直到判断所述差值小于或等于所述预设阈值；
在判断所述差值小于或等于所述预设阈值的情况下，根据每个簇内的客户配送点生成用于完成每个客户配送点的配送任务的车辆配送路径；
随机选取一条未被选取的所述车辆配送路径；
在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点；
判断所述起飞客户配送点后是否存在至少两个客户配送点；
在判断所述起飞客户配送点后存在至少两个客户配送点的情况下，将所述车辆配送路径上所述起飞客户配送点后的两个客户配送点加入无人机的无人机配送任务中，并设置所述车辆配送路径中所述起飞客户配送点后的第三个客户配送点为降落客户配送点；
判断所述无人机是否能够完成当前的无人机配送任务；
在判断所述无人机不能够完成当前的无人机配送任务的情况下，删除本次迭代中加入的客户配送点，再次在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点，并执行所述方法的相应步骤；
在判断所述无人机能够完成当前的无人机配送任务的情况下，再次在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点，并执行所述方法的相应步骤；
在判断所述起飞客户配送点后不存在至少两个客户配送点的情况下，判断是否还存在未被选取的车辆配送路径；
在判断还存在未被选取的车辆配送路径的情况下，再次随机选取一条未被选取的所述车辆配送路径，并执行所述方法的相应步骤；
在判断不存在未被选取的车辆配送路径的情况下，输出完整规划方案。
可选地，所述判断所述差值是否小于或等于预设阈值包括：
判断当前的迭代次数是否大于或等于预设的迭代次数阈值。
可选地，所述将所述车辆配送路径上所述起飞客户配送点后的两个客户配送点加入无人机的无人机配送任务中，并设置所述车辆配送路径中所述起飞客户配送点后的第三个客户配送点为降落客户配送点包括：
判断所述两个客户配送点是否包括所述车辆配送路径的最后一个客户配送点；
在判断所述两个客户配送点包括所述最后一个客户配送点的情况下，将所述最后一个客户配送点作为降落客户配送点，并判断是否还存在未被选取的车辆配送路径。
可选地，所述根据每个簇内的客户配送点生成用于完成每个客户配送点的配送任务的车辆配送路径包括：
采用随机方法针对单个簇生成多个所述车辆配送路径；
针对每个簇分别选择一个车辆配送路径以构成车辆配送方案，其中，每个所述车辆配送方案对应有一个所述完整规划方案。
可选地，所述生成方法还包括：
采用配送规划模型筛选多个所述完整规划方案，其中，所述配送规划模型包括公式(1)至公式(16)，
Figure BDA0003089928820000031
Figure BDA0003089928820000032
Figure BDA0003089928820000041
Figure BDA0003089928820000042
Figure BDA0003089928820000043
Figure BDA0003089928820000044
Figure BDA0003089928820000045
Figure BDA0003089928820000046
Figure BDA0003089928820000047
Figure BDA0003089928820000048
Figure BDA0003089928820000049
Figure BDA00030899288200000410
Figure BDA00030899288200000411
Figure BDA00030899288200000412
Figure BDA00030899288200000413
Figure BDA00030899288200000414
其中，
Figure BDA00030899288200000415
分别为用于指示货车和无人机是否访问客户配送点的变量，
Figure BDA00030899288200000416
分别表示货车k和无人机k′访问客户配送点i，KD为无人机的集合，KT为货车的集合，0(r)为仓库，
Figure BDA00030899288200000417
为货车k从仓库0(r)行驶到客户配送点j的路线，
Figure BDA00030899288200000418
为客户配送点j行驶到仓库0(r)的路线，
Figure BDA00030899288200000419
为货车k从客户配送点i行驶到客户配送点j的路线，0(r)、0(s)为仓库，
Figure BDA00030899288200000420
为用于指示无人机k′是否从客户配送点i行驶到客户配送点j的变量，
Figure BDA00030899288200000421
表示无人机k′从客户配送点i行驶到客户配送点j，
Figure BDA00030899288200000422
表示无人机k′未从客户配送点i行驶到客户配送点j，VL为无人机的起飞客户配送点的集合，VR为无人机的降落客户配送点的集合，
Figure BDA00030899288200000423
为用于指示无人机k′是否访问客户配送点j的变量，
Figure BDA0003089928820000051
表示无人机k′访问客户配送点j，
Figure BDA0003089928820000052
表示无人机k′未访问客户配送点j，Di为客户配送点i的需求量，Q为车辆的最大配送能力，yipk′为用于指示无人机k′的第p次飞行的路径中是否包含客户配送点i的变量，yipk′＝1表示无人机k′的第p次飞行的路径中包含客户配送点i，yipk′＝0表示无人机k′的第p次飞行的路径中不包含客户配送点i，
Figure BDA0003089928820000053
为无人机k′的无人机配送任务，
Figure BDA0003089928820000054
为无人机k′从客户配送点i到客户配送点j的行驶时间，S为任意一段路线的客户配送点集，|S|为客户配送点集S的客户配送点的数量，
Figure BDA0003089928820000055
为车辆k到达客户配送点i的时间点，
Figure BDA0003089928820000056
为无人机k′到达客户配送点i的时间点，
Figure BDA0003089928820000057
为车辆k从客户配送点i到客户配送点j的行驶时间，M为预设的正数。
可选地，所述生成方法还包括：
根据公式(17)计算每个所述完整规划方案的适应度值，
Figure BDA0003089928820000058
其中，J为所述适应度值，M′为所述货车的数量，N为在所述无人机未起飞的情况下，所述车辆配送路径的分段数，
Figure BDA0003089928820000059
为在所述无人机未起飞的情况下，第m辆所述货车的所述车辆配送路径的第n段路径，
Figure BDA00030899288200000510
为路径
Figure BDA00030899288200000511
上的客户配送点的数量，xi，i+1为客户配送点i与客户配送点i+1之间的距离，vt为货车的速度，K为所述无人机的起飞的次数，
Figure BDA00030899288200000512
为第m辆所述货车在所述无人机起飞后行驶的第k段路径
Figure BDA00030899288200000513
上的客户配送点的数量，
Figure BDA00030899288200000514
为在第m辆所述货车对应的所述无人机在第k次起飞后的路径
Figure BDA00030899288200000515
上的客户配送点，xl，l+1为客户配送点l和客户配送点l+1之间的距离，vd为所述无人机的飞行速度；
选取适应度值最大的所述完整规划方案作为最优解以执行。
另一方面，本发明还提供一种区域内多点扩散式物流配送方案的规划装置，所述规划系统柜包括处理器，所述处理器被配置为执行如上述任一所述的生成方法。
再一方面，本发明还提供一种区域内多点扩散式物流配送方案的规划系统，所述系统包括多个车辆和如上述所述的规划装置，其中，每个所述车辆上配置有至少一台无人机。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的生成方法。
通过上述技术方案，本发明提供的区域内多点扩散式物流配送方案的生成方法、装置及系统首先采用K中心点算法将待配送的客户配送点分成多个客户配送点集，再针对每个客户配送点集进行分别的路径规划处理，适应了当前无人机协同车辆配送的技术背景，提高了物流配送的效率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明的一个实施方式的区域内多点扩散式物流配送方案的生成方法的流程图；
图2是根据本发明的一个实施方式的区域内多点扩散式物流配送方案的生成方法的流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的区域内多点扩散式物流配送方案的生成方法的流程图。在图1中，该生成方法可以包括：
在步骤S10中，随机选择K个中心点以生成对应的K个簇；
在步骤S11中，遍历每个客户配送点以将每个客户配送点分配至一个簇中；
在步骤S12中，计算每个簇内的平均值；
在步骤S13中，根据该平均值重新确定对应的簇的中心点；
在步骤S14中，将新的中心点和上一轮迭代中的中心点进行比对，确定两者的位置差值；
在步骤S15中，判断该差值是否小于或等于预设阈值；
在判断差值大于预设阈值的情况下，再次遍历每个客户配送点以将每个客户配送点分配至一个簇中并执行该方法的相应步骤，直到判断差值小于或等于预设阈值(即返回执行步骤S11)；
在步骤S16中，在判断该差值小于或等于预设阈值的情况下，根据每个簇内的客户配送点生成用于完成每个客户配送点的配送任务的车辆配送路径。
在现有技术中，一个待配送的区域内往往有多个客户配送点。在这些配送点中，每个配送点的位置不同，待配送时间不同，需要配送的货物的质量也不同。要高效地完成对这些客户配送点的配送任务，就需要多辆货车来执行该配送任务。在常规技术中，采用的是结合规划算法来调度多辆货车进行配送任务，从而针对每个客户配送点分别进行配送。这样的配送方式能够较为高效地完成配送任务，但是在效率方面让然难以达到完全令人满意的地步。
随着无人机技术的发展，无人机与货车协作配送逐渐成为了物流的配送方式之一。但是，这样的新型配送方式由于没有对应的规划算法，难以达到高效的目的。并且，如果没有高效的规划算法，即使是将无人机与货车的协作配送技术应用到物流配送过程中，也无法达到配送效率提高的目的。
本发明提供的区域内多点扩散式物流配送方案的生成方法针对上述技术问题，首先通过步骤S10至步骤S11，将待配送的区域内的客户配送点分成多个簇，也即多个客户配送点集。但是这样的随机分布可能会导致划分的不准确，因此需要通过步骤S12至步骤S15进行迭代调整，直到两次迭代调整的结果的差值小于预设阈值。最后，在步骤S16中，针对已经划分后的客户配送点，生成用于完成每个客户配送点的配送任务的车辆配送路径。其中，对于生成该车辆配送路径的方法，则可以是本领域人员所知的多种方式，例如现有技术中常用的非线性规划算法等。
在步骤S17中，随机选取一条未被选取的车辆配送路径；
在步骤S18中，在车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点；
在步骤S19中，判断起飞客户配送点后是否存在至少两个客户配送点；
在步骤S20中，在判断起飞客户配送点后存在至少两个客户配送点的情况下，将该车辆配送路径上起飞客户配送点后的两个客户配送点加入无人机的无人机配送任务中，并设置车辆路径中起飞客户配送点后的第三个客户配送点为降落客户配送点；
在步骤S21中，判断无人机是否能够完成当前的无人机配送任务；
在步骤S22中，在判断无人机不能够完成当前的无人机配送任务的情况下，删除本次迭代中加入的客户配送点，并输出无人机配送任务；
在判断无人机能够完成当前的无人机配送任务的情况下，再次在车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点，并执行该方法的相应步骤(即返回执行步骤S18)；
在步骤S23中，在判断起飞客户配送点后不存在至少两个客户配送点的情况下，判断是否还存在未被选取的车辆配送路径；
在判断还存在未被选取的车辆配送路径的情况下，再次随机选取一条未被选取的车辆配送路径，并执行该方法的相应步骤(即返回执行步骤S17)；
在步骤S24中，在判断不存在未被选取的车辆配送路径的情况下，输出完整规划方案。
步骤S10至步骤S16生成了多个车辆配送路径，通过该车辆配送路径，货车可以能够完成对应的客户配送点集中所有客户配送点的配送任务。在无人机和货车协同配送的情况下，货车在配送的过程中可以减少货车实际经过的客户配送点。因此，需要针对车辆配送路径来选择无人机配送的客户配送点。具体地，在步骤S17中，首先随机选取一条车辆配送路径来进行规划；再通过步骤S18针对选择的车辆配送路径中按照先后顺序选取一个未被选取的客户配送点作为无人机的起飞客户配送点；接着通过步骤S19判断该起飞客户配送点后是否至少存在两个客户配送点。其中，该起飞客户配送点表示无人机在货车经过该起飞客户配送点时起飞。以无人机的运力，最多只能完成两个客户配送点的配送任务。因此，无人机在完成两个客户配送点的配送任务后，会在货车达到第三个客户配送点时返回货车。也即，无人机要完成一次完整的配送任务，在该起飞客户配送点后必须要有至少两个客户配送点(一个配送的客户配送点和一个用于降落的客户配送点)。在判断该起飞客户配送点后存在至少两个客户配送点的情况下，此时说明选择的客户配送点可以作为无人机的起飞客户配送点。因此，可以通过步骤S20和步骤S21更新无人机的无人机配送任务。其中，步骤S21则是为了确认无人机是否能够继续完成当前的无人机配送任务。如果可以，则可以返回执行步骤S18，从而继续向无人机配送任务中增加客户配送点。如果不能，本轮迭代中加入无人机配送任务的客户配送点，并重新选择起飞客户配送点以更新无人机配送任务。因此，可以在步骤S22删除本次迭代中加入的客户配送点，并返回执行步骤S18。其中，此时步骤S18中的未被选取的则是上一次迭代过程中作为起飞客户配送点的后一个客户配送点。在步骤S19判断选择的起飞客户配送点后不存在至少两个客户配送点的情况下，此时说明后续的客户配送点数量已经不能够支撑无人机再执行配送任务，因此可以通过步骤S23转而规划其他的车辆配送路径。在步骤S23判断不存在未被选取的车辆配送路径的情况下，此时说明规划已经完成，因此可以直接输出完整的规划方案。
在本发明的一个实施方式中，考虑到在划分多个簇时可能会出现无法划分出符合要求的簇的问题，此时可以直接基于当前划分的簇来直接开始规划车辆配送路径。具体地，即在步骤S15中，除了判断差值是否小于或等于预设阈值的同时，还可以判断判断当前的迭代次数是否大于或等于预设的迭代次数阈值。更具体地，在该实施方式中，在判断差值小于或等于预设阈值的情况下，可以继续执行步骤S16。但是如果判断该差值大于预设阈值，为了避免反复无法得到符合要求的簇的情况，则可以进一步判断当前的迭代次数是否大于或等于预设的迭代次数阈值。在判断该迭代次数小于或等于迭代次数阈值的情况下，此时说明当前仍然可以找到符合要求的簇，因此可以继续返回执行步骤S11。如果此时判断该迭代次数大于迭代次数阈值，此时则说明初始随机选择的中心点不合理，那么可以返回执行步骤S10，即重新寻找初始的中心点。
如图2所示是根据本发明的一个实施方式的区域内多点扩散式物流配送方案的生成方法的流程图。与图1中示出的方法的不同之处在于，在该图2中，该生成方法还可以包括：
在步骤S41中，判断两个客户配送点是否包括车辆路径的最后一个客户配送点；
在步骤S42中，在判断两个客户配送点包括最后一个客户配送点的情况下，将最后一个客户配送点作为降落客户配送点，并判断是否还存在未被选取的车辆配送路径(即直接执行步骤S45)。
其中，在步骤S41中，判断两个客户配送点是否包括车辆配送路径中的最后一个客户配送点是为了确定在规划无人机配送任务是否已经规划到该车辆配送路径的最后一个。如果已经规划到最后一个，此时则可以不需要再执行后续再次选择未被选择的客户配送点的步骤，并且，由于无人机本身的运力完全可以执行完成一个客户配送点的配送任务，因此可以通过步骤S42将最后一个客户配送点作为降落客户配送点，然后直接跳转执行步骤S45，即直接选择下一条车辆配送路径来规划。
在本发明的一个实施方式中，对于图1中步骤S16规划车辆配送路径的具体方法，虽然可以是本领域人员所知的多种方式。但是，在本发明的一个优选示例中，为了保证最终生成的完整规划方案的高效性，可以在该步骤S16规划车辆路径时，规划出多个车辆，再执行后续的步骤S17至步骤S23，最后增加高效规划方案的筛选的步骤，从而达到保证最终生成的完整规划方案的高效性的目的。具体地，步骤S16可以进一步是采用随机方法针对单个簇生成多个车辆配送路径。然后，针对每个簇分别选择一个车辆配送路径以构成车辆配送方案。其中，每个车辆配送方案对应有一个完整规划方案。对于筛选的具体步骤，则可以是例如采用配送规划模型筛选多个完整规划方案，其中，该配送规划模型可以包括公式(1)至公式(16)，
Figure BDA0003089928820000121
Figure BDA0003089928820000122
Figure BDA0003089928820000123
Figure BDA0003089928820000124
Figure BDA0003089928820000125
Figure BDA0003089928820000126
Figure BDA0003089928820000127
Figure BDA0003089928820000128
Figure BDA0003089928820000129
Figure BDA00030899288200001210
Figure BDA00030899288200001211
Figure BDA00030899288200001212
Figure BDA00030899288200001213
Figure BDA00030899288200001214
Figure BDA00030899288200001215
Figure BDA00030899288200001216
其中，
Figure BDA00030899288200001217
分别为用于指示车辆和无人机是否访问客户配送点的变量，
Figure BDA00030899288200001218
分别表示车辆k和无人机k′访问客户配送点i，KD为无人机的集合，KT为车辆的集合，0(r)为仓库，
Figure BDA00030899288200001219
为车辆k从仓库0(r)行驶到客户配送点j的路线，
Figure BDA00030899288200001220
为客户配送点j行驶到仓库0(r)的路线，
Figure BDA00030899288200001221
为车辆k从客户配送点i行驶到客户配送点j的路线，0(r)、0(s)为仓库，
Figure BDA00030899288200001222
为用于指示无人机k′是否从客户配送点i行驶到客户配送点j的变量，
Figure BDA0003089928820000131
表示无人机k′从客户配送点i行驶到客户配送点j，
Figure BDA0003089928820000132
表示无人机k′未从客户配送点i行驶到客户配送点j，VL为无人机的起飞客户配送点的集合，VR为无人机的降落客户配送点的集合，
Figure BDA0003089928820000133
为用于指示无人机k′是否访问客户配送点j的变量，
Figure BDA0003089928820000134
表示无人机k′访问客户配送点j，
Figure BDA0003089928820000135
表示无人机k′未访问客户配送点j，Di为客户配送点i的需求量，Q为车辆的最大配送能力，yipk′为用于指示无人机k′的第p次飞行的路径中是否包含客户配送点i的变量，yipk′＝1表示无人机k′的第p次飞行的路径中包含客户配送点i，yipk′＝0表示无人机k′的第p次飞行的路径中不包含客户配送点i，
Figure BDA0003089928820000136
为无人机k′的配送路径的集合，
Figure BDA0003089928820000137
为无人机k′从客户配送点i到客户配送点j的行驶时间，S为任意一段路线的客户配送点集，|S|为客户配送点集S的客户配送点的数量，
Figure BDA0003089928820000138
为车辆k到达客户配送点i的时间点，
Figure BDA0003089928820000139
为无人机k′到达客户配送点i的时间点，
Figure BDA00030899288200001310
为车辆k从客户配送点i到客户配送点j的行驶时间，M为预设的正数。
其中，上述公式(1)可以用于判断在当前的完整规划方案中，每个客户配送点是否仅有一辆货车完成配送任务；公式(2)可以用于判断货车在配送过程中从仓库出发的车流量是否平衡；公式(3)可以用于判断货车在各个客户配送点的配送过程中车流量是否平衡；公式(4)和公式(5)可以用于判断无人机的起飞和降落的客户配送点均一一对应；公式(6)和公式(7)可以用于判断无人机在客户配送点之间的流量是否平衡；公式(8)可以用于判断在当前的完整规划方案中是否超出货车的最大运输能力；公式(9)可以用于判断在当前的完整规划方案中是否超出无人机的最大运输能力(虽然上述方法中已经包含了检测无人机最大负载的步骤，但是考虑到设备的运行错误，因此仍然需要执行该判断操作)；公式(10)可以用于判断在当前的完整规划方案中是否超出无人机的最大飞行距离；公式(11)和公式(12)可以用于判断在当前的完整规划方案中是否有无人机和货车的路径重复；公式(13)可以用于判断在当前的完整规划方案中无人机是否能够在货车位于客户配送点的位置时起飞，公式(14)可以用于判断在当前的完整规划方案中无人机是否能够在货车位于客户配送点的位置时降落；公式(15)的左侧为货车到达客户配送点j的时间，右侧为货车客户配送点i的出发时间加从客户配送点i到客户配送点j的行驶时间，大M约束保障公式的可行性。约束(16)的左侧为无人机到达客户配送点j的时间，右侧为无人机从客户配送点i出发时间加从客户配送点i到客户配送点j的飞行时间，大M约束保障公式的可行性。
更进一步地，考虑到满足上述配送规划模型的完整规划方案可能会有多个，那么可以进一步先根据公式(17)计算每个完整规划方案的适应度值，
Figure BDA0003089928820000141
其中，J为适应度值，M′为货车的数量，N为在无人机未起飞的情况下，车辆配送路径的分段数，
Figure BDA0003089928820000142
为在无人机未起飞的情况下，第m辆货车的车辆配送路径的第n段路径，
Figure BDA0003089928820000143
为路径
Figure BDA0003089928820000144
上的客户配送点的数量，xi，i+1为客户配送点i与客户配送点i+1之间的距离，vt为货车的速度，K为无人机的起飞的次数，
Figure BDA0003089928820000145
为第m辆货车在无人机起飞后行驶的第k段路径
Figure BDA0003089928820000146
上的客户配送点的数量，
Figure BDA0003089928820000147
为在第m辆货车对应的无人机在第k次起飞后的路径
Figure BDA0003089928820000148
上的客户配送点，xl，l+1为客户配送点l和客户配送点l+1之间的距离，vd为无人机的飞行速度。
Figure BDA0003089928820000149
为货车在无人机未起飞的状态下，行驶所花费的时间；
Figure BDA00030899288200001410
Figure BDA0003089928820000151
为货车在无人机起飞后，货车行驶的时间和无人机的飞行时间之间的较大者的总和。再选取适应度最大的完整规划方案作为最优解以执行。
另一方面，本发明还提供一种区域内多点扩散式物流配送方案的规划装置，所述规划系统柜包括处理器，所述处理器被配置为执行如上述任一所述的生成方法。
再一方面，本发明还提供一种区域内多点扩散式物流配送方案的规划系统，所述系统包括多个车辆和如上述所述的规划装置。其中，每个所述车辆上配置有至少一台无人机。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的生成方法。
通过上述技术方案，本发明提供的区域内多点扩散式物流配送方案的生成方法、装置及系统首先采用K中心点算法将待配送的客户配送点分成多个客户配送点集，再针对每个客户配送点集进行分别的路径规划处理，适应了当前无人机协同车辆配送的技术背景，提高了物流配送的效率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种区域内多点扩散式物流配送方案的生成方法，其特征在于，所述生成方法包括：
随机选择K个中心点以生成对应的K个簇；
遍历每个客户配送点以将每个客户配送点分配至一个簇中；
计算每个簇内的平均值；
根据所述平均值重新确定对应的簇的中心点；
将新的中心点和上一轮迭代中的中心点进行比对，确定两者的位置差值；
判断所述差值是否小于或等于预设阈值；
在判断所述差值大于所述预设阈值的情况下，再次遍历每个客户配送点以将每个客户配送点分配至一个簇中并执行所述方法的相应步骤，直到判断所述差值小于或等于所述预设阈值；
在判断所述差值小于或等于所述预设阈值的情况下，根据每个簇内的客户配送点生成用于完成每个客户配送点的配送任务的车辆配送路径；
随机选取一条未被选取的所述车辆配送路径；
在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点；
判断所述起飞客户配送点后是否存在至少两个客户配送点；
在判断所述起飞客户配送点后存在至少两个客户配送点的情况下，将所述车辆配送路径上所述起飞客户配送点后的两个客户配送点加入无人机的无人机配送任务中，并设置所述车辆配送路径中所述起飞客户配送点后的第三个客户配送点为降落客户配送点；
判断所述无人机是否能够完成当前的无人机配送任务；
在判断所述无人机不能够完成当前的无人机配送任务的情况下，删除本次迭代中加入的客户配送点，再次在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点，并执行所述方法的相应步骤；
在判断所述无人机能够完成当前的无人机配送任务的情况下，再次在所述车辆配送路径中按照先后顺序选取一个未被选取的客户配送点以作为无人机的起飞客户配送点，并执行所述方法的相应步骤；
在判断所述起飞客户配送点后不存在至少两个客户配送点的情况下，判断是否还存在未被选取的车辆配送路径；
在判断还存在未被选取的车辆配送路径的情况下，再次随机选取一条未被选取的所述车辆配送路径，并执行所述方法的相应步骤；
在判断不存在未被选取的车辆配送路径的情况下，输出完整规划方案；
所述根据每个簇内的客户配送点生成用于完成每个客户配送点的配送任务的车辆配送路径包括：
采用随机方法针对单个簇生成多个所述车辆配送路径；
针对每个簇分别选择一个车辆配送路径以构成车辆配送方案，其中，每个所述车辆配送方案对应有一个所述完整规划方案；
所述生成方法还包括：
采用配送规划模型筛选多个所述完整规划方案，其中，所述配送规划模型包括公式(1)至公式(16)，
Figure FDA0003802667720000021
Figure FDA0003802667720000022
Figure FDA0003802667720000023
Figure FDA0003802667720000024
Figure FDA0003802667720000025
Figure FDA0003802667720000026
Figure FDA0003802667720000031
Figure FDA0003802667720000032
Figure FDA0003802667720000033
Figure FDA0003802667720000034
Figure FDA0003802667720000035
Figure FDA0003802667720000036
Figure FDA0003802667720000037
Figure FDA0003802667720000038
Figure FDA0003802667720000039
Figure FDA00038026677200000310
其中，
Figure FDA00038026677200000311
分别为用于指示货车和无人机是否访问客户配送点的变量，
Figure FDA00038026677200000312
分别表示货车k和无人机k′访问客户配送点i，KD为无人机的集合，KT为货车的集合，0(r)为仓库，
Figure FDA00038026677200000313
为货车k从仓库0(r)行驶到客户配送点j的路线，
Figure FDA00038026677200000314
为客户配送点j行驶到仓库0(r)的路线，
Figure FDA00038026677200000315
为货车k从客户配送点i行驶到客户配送点j的路线，0(r)、0(s)为仓库，
Figure FDA00038026677200000316
为用于指示无人机k′是否从客户配送点i行驶到客户配送点j的变量，
Figure FDA00038026677200000317
表示无人机k′从客户配送点i行驶到客户配送点j，
Figure FDA00038026677200000318
表示无人机k′未从客户配送点i行驶到客户配送点j，VL为无人机的起飞客户配送点的集合，VR为无人机的降落客户配送点的集合，
Figure FDA00038026677200000319
为用于指示无人机k′是否访问客户配送点j的变量，
Figure FDA00038026677200000320
表示无人机k′访问客户配送点j，
Figure FDA00038026677200000321
表示无人机k′未访问客户配送点j，Di为客户配送点i的需求量，Q为车辆的最大配送能力，yipk′为用于指示无人机k′的第p次飞行的路径中是否包含客户配送点i的变量，yipk′＝1表示无人机k′的第p次飞行的路径中包含客户配送点i，yipk′＝0表示无人机k′的第p次飞行的路径中不包含客户配送点i，
Figure FDA0003802667720000041
为无人机k′的无人机配送任务，
Figure FDA0003802667720000042
为无人机k′从客户配送点i到客户配送点j的行驶时间，S为任意一段路线的客户配送点集，|S|为客户配送点集S的客户配送点的数量，
Figure FDA0003802667720000043
为车辆k到达客户配送点i的时间点，
Figure FDA0003802667720000044
为无人机k′到达客户配送点i的时间点，
Figure FDA0003802667720000045
为车辆k从客户配送点i到客户配送点j的行驶时间，M为预设的正数；
根据公式(17)计算每个所述完整规划方案的适应度值，
Figure FDA0003802667720000046
其中，J为所述适应度值，M′为货车的数量，N为在所述无人机未起飞的情况下，所述车辆配送路径的分段数，
Figure FDA0003802667720000047
为在所述无人机未起飞的情况下，第m辆所述货车的所述车辆配送路径的第n段路径，
Figure FDA0003802667720000048
为路径
Figure FDA0003802667720000049
上的客户配送点的数量，xi,i+1为客户配送点i与客户配送点i+1之间的距离，vt为货车的速度，K为所述无人机的起飞的次数，
Figure FDA00038026677200000410
为第m辆所述货车在所述无人机起飞后行驶的第k段路径
Figure FDA00038026677200000411
上的客户配送点的数量，
Figure FDA00038026677200000412
为在第m辆所述货车对应的所述无人机在第k次起飞后的路径
Figure FDA00038026677200000413
上的客户配送点，xl,l+1为客户配送点l和客户配送点l+1之间的距离，vd为所述无人机的飞行速度；
选取适应度值最大的所述完整规划方案作为最优解以执行。
2.根据权利要求1所述的生成方法，其特征在于，所述判断所述差值是否小于或等于预设阈值包括：
判断当前的迭代次数是否大于或等于预设的迭代次数阈值。
3.根据权利要求1所述的生成方法，其特征在于，所述将所述车辆配送路径上所述起飞客户配送点后的两个客户配送点加入无人机的无人机配送任务中，并设置所述车辆配送路径中所述起飞客户配送点后的第三个客户配送点为降落客户配送点包括：
判断所述两个客户配送点是否包括所述车辆配送路径的最后一个客户配送点；
在判断所述两个客户配送点包括所述最后一个客户配送点的情况下，将所述最后一个客户配送点作为降落客户配送点，并判断是否还存在未被选取的车辆配送路径。
4.一种区域内多点扩散式物流配送方案的规划装置，其特征在于，所述规划装置包括处理器，所述处理器被配置为执行如权利要求1至3任一所述的生成方法。
5.一种区域内多点扩散式物流配送方案的规划系统，其特征在于，所述系统包括多个车辆和如权利要求4所述的规划装置，其中，每个所述车辆上配置有至少一台无人机。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至3任一所述的生成方法。
CN202110591984.5A 2021-05-28 2021-05-28 区域内多点扩散式物流配送方案的生成方法、装置及系统 Active CN113344353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110591984.5A CN113344353B (zh) 2021-05-28 2021-05-28 区域内多点扩散式物流配送方案的生成方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110591984.5A CN113344353B (zh) 2021-05-28 2021-05-28 区域内多点扩散式物流配送方案的生成方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113344353A CN113344353A (zh) 2021-09-03
CN113344353B true CN113344353B (zh) 2022-12-16

Family

ID=77471956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110591984.5A Active CN113344353B (zh) 2021-05-28 2021-05-28 区域内多点扩散式物流配送方案的生成方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113344353B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593747A (zh) * 2013-11-07 2014-02-19 银江股份有限公司 一种基于meanshift分类的大规模客户点分类配送方法
JP2017104025A (ja) * 2015-12-07 2017-06-15 株式会社東和電機製作所 無人航空機を用いた漁業支援システム
KR20170109985A (ko) * 2016-03-22 2017-10-10 김하얀 단일 모터에서 동력을 분배하는 무인항공기
CN110516871A (zh) * 2019-08-22 2019-11-29 安庆师范大学 一种基于模糊滚动时域控制策略的动态车辆路径优化方法
CN110888458A (zh) * 2019-12-31 2020-03-17 广州极飞科技有限公司 无人机飞行控制方法、无人机、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593747A (zh) * 2013-11-07 2014-02-19 银江股份有限公司 一种基于meanshift分类的大规模客户点分类配送方法
JP2017104025A (ja) * 2015-12-07 2017-06-15 株式会社東和電機製作所 無人航空機を用いた漁業支援システム
KR20170109985A (ko) * 2016-03-22 2017-10-10 김하얀 단일 모터에서 동력을 분배하는 무인항공기
CN110516871A (zh) * 2019-08-22 2019-11-29 安庆师范大学 一种基于模糊滚动时域控制策略的动态车辆路径优化方法
CN110888458A (zh) * 2019-12-31 2020-03-17 广州极飞科技有限公司 无人机飞行控制方法、无人机、系统及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The Researches on Path Planning Algorithm for Distribution Vehicles Based on Automata;Wang Danyuan等;《ICIBE 2019: Proceedings of the 2019 5th International Conference on Industrial and Business Engineering》;20190927;第57-61页 *
基于模拟退火算法的甩挂运输路径规划;马华伟等;《中国管理科学》;20161115;第24卷;第1-5页 *
铁路行包配送车辆路径问题模型及算法;卜雷等;《同济大学学报(自然科学版)》;20070815(第08期);全文 *
马华伟等.基于粒子群算法的无人机舰机协同任务规划.《系统工程与电子技术 》.2016,第38卷全文. *

Also Published As

Publication number Publication date
CN113344353A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Kitjacharoenchai et al. Multiple traveling salesman problem with drones: Mathematical model and heuristic approach
CN108846623B (zh) 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
US20220005139A1 (en) Diversified and connected freight allocation system and method
US20200327497A1 (en) System and method for linehaul optimization
Senarclens de Grancy et al. Vehicle routing problems with time windows and multiple service workers: a systematic comparison between ACO and GRASP
Van Heeswijk et al. Freight consolidation in intermodal networks with reloads
CN113673922A (zh) 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统
CN113848970A (zh) 一种车辆-无人机多目标协同路径规划方法
KR20210001333A (ko) 트랜스포터의 최적 블록 운송 방법 및 이를 수행하는 서버
KR102624451B1 (ko) 물류를 위한 경로 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램
Hao et al. Introduction to the dynamic pickup and delivery problem benchmark--ICAPS 2021 competition
CN113344353B (zh) 区域内多点扩散式物流配送方案的生成方法、装置及系统
CN113570896A (zh) 基于gps技术的智慧物流园交通管理系统和方法
JP2005043974A (ja) 輸送スケジュール作成方法及びシステム
CN113359821B (zh) 基于车辆与无人机协同作业的路径规划方法及系统
CN110930092B (zh) 一种配送路线调整方法、装置、电子设备和存储介质
US11747153B1 (en) Apparatus and associated method for determining a travel itinerary
US20230075128A1 (en) Column generation methods and systems for routing and scheduling in robotic and vehicular applications
Bruniecki et al. Evaluation of vehicle routing problem algorithms for transport logistics using dedicated GIS system
CN114169832A (zh) 一种物流配送调度的方法、装置及存储介质、处理器
CN113592148B (zh) 改进车辆与无人机配送路线的优化方法及系统
CN115018412A (zh) 集群式无人机协同配送方案的优化方法及系统
Rakhmetullina et al. Development of an algorithm for solving an asymmetric routing problem based on the ant colony method
CN113537885B (zh) 卡车和无人机组合配送的包裹投递方法及系统
CN111695850A (zh) 配送线路的生成方法、装置和设备

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