CN113537885B - 卡车和无人机组合配送的包裹投递方法及系统 - Google Patents
卡车和无人机组合配送的包裹投递方法及系统 Download PDFInfo
- Publication number
- CN113537885B CN113537885B CN202110794753.4A CN202110794753A CN113537885B CN 113537885 B CN113537885 B CN 113537885B CN 202110794753 A CN202110794753 A CN 202110794753A CN 113537885 B CN113537885 B CN 113537885B
- Authority
- CN
- China
- Prior art keywords
- scheme
- truck
- point
- unmanned aerial
- aerial vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000005012 migration Effects 0.000 claims abstract description 72
- 238000013508 migration Methods 0.000 claims abstract description 72
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000003032 molecular docking Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 238000002716 delivery method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种卡车和无人机组合配送的包裹投递方法和系统，属于物流的配送技术领域。所述方法包括：获取客户点和卡车停靠点；针对每个客户点随机选择一个停靠点与客户点匹配；根据容量节约方法生成卡车行驶方案；计算每个由卡车行驶方案和无人机飞行方案组成的配送方案的适应度；按照适应度从小到大的顺序获取每个配送方案的序号；计算迁入概率和迁出概率；根据迁入概率和迁出概率更新无人机飞行方案；根据容量节约方法更新卡车行驶方案；根据变异概率更新无人机飞行方案；根据容量节约方法更新卡车行驶方案；判断迭代次数是否大于或等于预设的迭代次数阈值；在判断迭代次数大于或等于迭代次数阈值的情况向下，输出适应度最小的配送方案。
Description
技术领域
本发明涉及物流的配送技术领域，具体地涉及一种卡车和无人机组合配送的包裹投递方法及系统。
背景技术
在当前电商经济蓬勃发展的时代背景下，物流产业作为电商经济的支柱辅助产业也得到大力地发展。传统的物流配送一般是由物流货运车从一级发货点到二级发货点，再从二级发货点到三级发货点，并最终抵达客户所在地。在这过程中，所有的配送包括搬运均由快递员人为搬运。在这样技术背景下，为了提高物流配送的效率，出现了很多的卡车路径的规划算法，通过这些规划算法，能够为每辆卡车规划处配送效率最高的路径，从而实现高效节能地配送的目的。
随着无人机技术的发展，开始出现卡车和无人机组合配送的方式，即卡车上搭载无人机，并最终由卡车将无人机运送至配送点附近，从而由无人机完成最终的配送。在这样的技术背景下，传统的卡车路径的规划算法显然无法达到高效配送的目的。
发明内容
本发明实施例的目的是提供一种卡车和无人机组合配送的包裹投递方法及系统，该方法及系统能够生成和无人机组合配送的高效路径。
为了实现上述目的，本发明实施例提供一种卡车和无人机组合配送的包裹投递方法，包括：
获取待配送区域内的客户点和卡车停靠点；
针对每个所述客户点，从所述卡车的停靠点的集合中随机选择一个停靠点与所述客户点匹配以形成多个无人机飞行方案；
根据预设的容量节约方法针对每个所述无人机飞行方案生成卡车行驶方案；
计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度；
按照所述适应度从小到大的顺序排列所述配送方案以获取每个所述配送方案的序号；
计算每个所述配送方案的迁入概率和迁出概率；
根据每个所述迁入概率和所述迁出概率更新每个所述无人机飞行方案；
根据所述容量节约方法针对每个所述无人机飞行方案更新卡车行驶方案；
根据预设的变异概率更新每个所述无人机飞行方案；
根据所述容量节约方法针对每个所述无人机飞行方案更新卡车行驶方案；
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；
在判断所述迭代次数大于或等于所述迭代次数阈值的情况向下，输出适应度最小的所述配送方案；
在判断所述迭代次数小于所述迭代次数阈值的情况下，再次计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度，并执行所述方法的相应步骤，直到判断所述迭代次数小于所述迭代次数阈值。
可选地，所述容量节约方法包括：
随机选择一辆未被选择的卡车；
从所述停靠点的集合中选择匹配所述客户点最多的停靠点；
将选择的停靠点放入选择的卡车的行驶路径中；
根据公式(1)计算选择的停靠点到所述停靠点集合中其余未被选择的每个停靠点的节约值，
bij＝ei0+ej0-eij， (1)
其中，bij为选择的停靠点到其余未被选择的任一停靠点/>的节约值，ei0为从仓库v0到选择的停靠点/>的能源消耗量，ej0为从仓库v0到其余未被选择的任一停靠点/>的能源消耗量，eij为从选择的停靠点/>到其余未被选择的任一停靠点/>的能源消耗量；
判断选择的卡车是否能够完成节约值最大的所述停靠点的配送任务；
在判断选择的卡车能够完成节约值最大的所述停靠点的配送任务的情况下，将节约值最大的所述停靠点加入选择的卡车的行驶路径中；
将节约值最大的所述停靠点作为选择的停靠点；
判断所述停靠点的集合中是否还存在未被选择的停靠点；
在判断所述停靠点的集合中还存在未被选择的停靠点的情况下，再次根据公式(1)计算选择的停靠点到所述停靠点集合中其余未被选择的每个停靠点的节约值，并执行所述方法的相应步骤；
在判断所述停靠点的集合中不存在未被选择的停靠点的情况下，输出卡车行驶方案；
在判断选择的卡车不能够完成节约值最大的所述停靠点的配送任务的情况下，再次随机选择一辆未被选择的卡车，并执行所述方法的相应步骤。
可选地，所述计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度包括：
根据公式(2)计算所述适应度，
其中，f(x)为配送方案x的适应度，(vi,vj)为卡车的行驶路径的集合Rx中的路径，<wc,vi＞为无人机的飞行路径的集合Tx中的路径，eij为卡车完成路径(vi,vj)的能源消耗量，aci为无人机完成路径<wc,vi＞的能源消耗量。
可选地，所述计算每个所述配送方案的迁入概率和迁出概率包括：
根据公式(3)计算所述迁入概率，
λx＝I/N， (3)
其中，λx为配送方案x的所述迁入概率，I为配送方案x的序号，N为配送方案x的数量。
可选地，所述计算每个所述配送方案的迁入概率和迁出概率包括：
根据公式(4)计算所述迁出概率，
μx＝1-I/N， (4)
其中，μx为配送方案x的迁出概率，I为配送方案x的序号，N为配送方案x的数量。
可选地，所述根据每个所述迁入概率和所述迁出概率更新每个所述无人机飞行方案包括：
从客户点集合中随机选择一个未被选择的客户点；
随机生成一个概率值；
判断所述概率值是否大于所述迁入概率；
在判断所述概率值大于所述迁入概率的情况下，将选择的所述客户点对应的无人机的飞行路径加入子代的无人机飞行方案中；
在判断所述概率值小于或等于所述迁入概率的情况下，根据每个所述配送方案的迁出概率，采用轮盘赌方法随机选择一个配送方案作为迁出配送方案；
将所述迁出配送方案中与选择的客户点对应的飞行路径加入子代的无人机飞行方案中；
判断是否还存在未被选择的客户点；
在判断还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行所述方法的相应步骤，直到判断不存在未被选择的客户点；
在判断不存在未被选择的客户点的情况下，输出所述无人机飞行方案。
可选地，所述根据预设的变异概率更新每个所述无人机飞行方案包括：
从客户点集合中随机选择一个未被选择的客户点；
随机生成一个概率值；
判断所述概率值是否小于所述变异概率；
在判断所述概率值小于所述变异概率的情况下，从选择的配送方案的无人机的飞行路径中随机选取一条包含选择的客户点的路径加入子代的配送方案的无人机飞行路径中；
判断所述客户点集合中是否还存在未被选择的客户点；
在判断所述客户点集合中还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行所述方法的相应步骤，直到判断所述客户点集合中不存在未被选择的客户点；
在判断所述客户点集合中不存在未被选择的客户点的情况下，输出所述无人机飞行方案。
另一方面，本发明还提供一种卡车和无人机组合配送的包裹投递系统，其特征在于，所述系统包括处理器，所述处理器被配置成执行如上述任一所述的方法。
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方法。
通过上述技术方案，本发明提供的卡车和无人机组合配送的包裹投递方法及系统通过分别对卡车和无人机的路径进行交替优化的方式，在满足卡车形式路径高效的前提下，实现了无人机的飞行路径的高效性，从而提高了卡车和无人机组合的高效配送。
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中的卡车和无人机组合配送的包裹投递方法的流程图；
图2是根据本发明的一个实施方式中的容量节约方法的流程图；
图3是根据本发明的一个实施方式中的更新过程的方法的流程图；
图4是根据本发明的一个实施方式中的步骤S18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中的卡车和无人机组合配送的包裹投递方法的流程图。在该图1中，该方法可以包括：
在步骤S10中，获取待配送区域内的客户点和卡车停靠点；
在步骤S11中，针对每个客户点，从卡车的停靠点的集合中随机选择一个停靠点与客户点匹配以形成多个无人机飞行方案；
在步骤S12中，根据预设的容量节约方法针对每个无人机飞行方案生成卡车行驶方案；
在步骤S13中，计算每个由卡车行驶方案和无人机飞行方案组成的配送方案的适应度；
在步骤S14中，按照适应度从小到大的顺序排列配送方案以获取每个配送方案的序号；
在步骤S15中，计算每个配送方案的迁入概率和迁出概率；
在步骤S16中，根据每个迁入概率和迁出概率更新每个无人机飞行方案；
在步骤S17中，根据容量节约方法针对每个无人机飞行方案更新卡车行驶方案；
在步骤S18中，根据预设的变异概率更新每个无人机飞行方案；
在步骤S19中，根据容量节约方法针对每个无人机飞行方案更新卡车行驶方案；
在步骤S20中，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；
在步骤S21中，在判断迭代次数大于或等于迭代次数阈值的情况向下，输出适应度最小的配送方案；
在步骤S22中，在判断迭代次数小于迭代次数阈值的情况下，再次计算每个由卡车行驶方案和无人机飞行方案组成的配送方案的适应度，并执行方法的相应步骤，直到判断迭代次数小于迭代次数阈值。
在该如图1所示的方法中，步骤S10可以用于获取待配送区域内的客户点和卡车停靠点。其中，在待配送区域内，客户点为需要配送货物的客户所在处，卡车停靠点(停靠点)则是用于停靠卡车的位置。当卡车停靠于卡车停靠点时，无人机能够飞往附近的客户点，从而完成配送任务。
本发明提供的方法首先是需要对卡车行驶方案进行高效计算，但是，在没有基础的无人机飞行方案的情况下，无法确定卡车在卡车停靠点时需要完成哪些客户点的配送任务。因此，首先需要通过步骤S11生成初始的无人机飞行方案。其生成过程为随机生成，即针对每个客户点，从卡车的停靠点的集合中随机选择一个停靠点与该客户点匹配以形成无人机飞行方案。另外，考虑到为了提高每次迭代过程中能够进行操作的配送方案，因此在该步骤S11可以是执行多次，从而形成多个无人机飞行方案。
在步骤S11生成了初始的无人机飞行方案后，可以针对该无人机飞行方案生成高效的卡车行驶方案，即：根据预设的容量节约方法针对每个无人机飞行方案生成卡车行驶方案。对于该容量节约方法，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，考虑到无人机飞行方案的形成方式，该容量节约方法可以包括如图2所示的步骤。在该图2中，该容量节约方法可以包括：
在步骤S30中，随机选择一辆未被选择的卡车；
在步骤S31中，从停靠点的集合中选择匹配客户点最多的停靠点；
在步骤S32中，将选择的停靠点放入选择的卡车的行驶路径中；
在步骤S33中，根据公式(1)计算选择的停靠点到停靠点集合中其余未被选择的每个停靠点的节约值，
bij＝ei0+ej0-eij， (1)
其中，bij为选择的停靠点到其余未被选择的任一停靠点/>的节约值，ei0为从仓库v0到选择的停靠点/>的能源消耗量，ej0为从仓库v0到其余未被选择的任一停靠点/>的能源消耗量，eij为从选择的停靠点/>到其余未被选择的任一停靠点/>的能源消耗量；
在步骤S34中，判断选择的卡车是否能够完成节约值最大的停靠点的配送任务；
在步骤S35中，在判断选择的卡车能够完成节约值最大的停靠点的配送任务的情况下，将节约值最大的停靠点加入选择的卡车的行驶路径中；
在步骤S36中，将节约值最大的停靠点作为选择的停靠点；
在步骤S37中，判断停靠点的集合中是否还存在未被选择的停靠点；
在判断停靠点的集合中还存在未被选择的停靠点的情况下，再次根据公式(1)计算选择的停靠点到停靠点集合中其余未被选择的每个停靠点的节约值，并执行该方法的相应步骤；
在步骤S38中，在判断停靠点的集合中不存在未被选择的停靠点的情况下，输出卡车行驶方案；
在判断选择的卡车不能够完成节约值最大的停靠点的配送任务的情况下，再次随机选择一辆未被选择的卡车，并执行该方法的相应步骤。
在该容量节约方法中，由于要完成代配送区域的任务的卡车为多辆，因此需要通过步骤S30选择一辆未被选择的卡车。之所以选择一辆未被选择的卡车是为了避免出现重复选择卡车，从而导致算法迭代冗余的问题出现。在选择了一辆卡车后，首先通过步骤S31和步骤S32为该卡车的行驶路径增加第一个停靠点。而为了该卡车能够尽可能地先完成匹配客户点的停靠点的配送任务，在该步骤S31和步骤S32中，从停靠点的集合中选择匹配客户点最多的停靠点并放入卡车的行驶路径中。
在为选择的卡车增加第一个停靠点后，需要为该卡车的行驶路径中增加第二个停靠点。因此在步骤S33中，根据公式(1)计算当前选择的停靠点到停靠点集合中的其余未被选择的每个停靠点的节约值。该节约值实际可以用于反映该卡车前往完成未被选择的停靠点的配送任务的效率。因此，节约值越大，说明该卡车从当前的停靠点前往对应的停靠点的配送效率越高。因此，在步骤S35和步骤S36中，可以将节约值最大的停靠点放入选择的卡车的路径中，并将该节约值最大的停靠点更新为选择的停靠点，从而开始下一个停靠点的选择。但是，在步骤S32中，由于每个卡车的最大容量有限，因此，在将节约值最大的停靠点加入选择的卡车的行驶路径前，需要先通过步骤S34判断该卡车是否能够完成该节约值最大的停靠点的配送任务。如果能够完成，则可以继续执行步骤S35；反之，此时说明该卡车已经不能够继续完成任务，因此需要返回执行步骤S30以重新选择一辆未被选择的卡车。另一方面，在选择卡车的同时，也需要考虑到停靠点是否已经被选择完。因此，步骤S36更新完选择的停靠点后，在增加新的停靠点之前，需要通过步骤S37判断停靠点集合中是否还存在未被选择的客户点。如果还存在，此时说明依然需要向卡车的形式路径中增加停靠点；反之则说明此时所有的停靠点的配送任务都已经有卡车去完成，因此可以直接执行步骤S38，即输出卡车行驶方案。
在通过步骤S12中的容量节约方法完成卡车行驶方案的生成操作后，虽然此时能够保证卡车行驶方案的高效性，但是由于无人机飞行方案是随机生成的，因此自然也就无法保证无人机飞行方案的高效性。因此，在该实施方式中，可以通过步骤S13至步骤S16对无人机飞行方案进行更新。具体地，可以是首先通过步骤S13计算每个由卡车行驶方案和无人机飞行方案构成的配送方案的适应度。该适应度可以用于反映该配送方案的高效性。至于该适应度的计算方式，则可以是本领域人员所知的多种方式。但是，发明人通过大量的实验，反复对比发现，采用如公式(2)所示的计算方式相较于其他方法能够使得算法更具高效性，
其中，f(x)为配送方案x的适应度，(vi,vj)为卡车的行驶路径的集合Rx中的路径，<wc,vi＞为无人机的飞行路径的集合Tx中的路径，eij为卡车完成路径(vi,vj)的能源消耗量，aci为无人机完成路径<wc,vi＞的能源消耗量。因此，在本发明的一个优选示例中，该适应度可以是采用公式(2)来计算。由于通过该公式(2)计算的适应度实际为每个配送方案下的能量消耗量，因此适应度越大则说明能量消耗量越大，也就说明此时的配送方案越差。因此，在步骤S14中，可以按照适应度从小到大的顺序排列配送方案以获得每个配送方案的序号。
步骤S15用于计算每个配送方案的迁入概率和迁出概率。其中，该迁入概率可以是用于表示该配送方案在后续操作中无人机的飞行路径被保留至对应的下一代个体的概率；而迁出概率则可以是用于表示该配送方案在后续操作中无人机的飞行路径被保留至非对应的下一代个体概率。对于该迁入概率和迁出概率的计算方式，虽然可以是本领域人员所知的多种方式，但是，考虑到步骤S13和步骤S14中计算的适应度以及序号，可以是采用公式(3)和公式(4)来计算该迁入概率和迁出概率，
λx＝I/N， (3)
其中，λx为配送方案x的迁入概率，I为配送方案x的序号，N为配送方案x的数量；
μx＝1-I/N， (4)
其中，μx为配送方案x的迁出概率，I为配送方案x的序号，N为配送方案x的数量。
在计算出了迁入概率和迁出概率后，可以进一步通过步骤S16针对该迁入概率和迁出概率对无人机飞行方案进行更新。具体地，更新过程可以是包括如图3所示出的步骤。在该图3中，该更新过程可以包括：
在步骤S40中，从客户点集合中随机选择一个未被选择的客户点；
在步骤S41中，随机生成一个概率值；
在步骤S42中，判断该概率值是否大于迁入概率；
在步骤S43中，在判断该概率值大于迁入概率的情况下，将选择的客户点对应的无人机的飞行路径加入子代的无人机飞行方案中；
在步骤S44中，在判断概率值小于或等于迁入概率的情况下，根据每个配送方案的迁出概率，采用轮盘赌方法随机选择一个配送方案作为迁出配送方案；
在步骤S45中，将迁出配送方案中与选择的客户点对应的飞行路径加入子代的无人机飞行方案中；
在步骤S46中，判断是否还存在未被选择的客户点；
在判断还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行该方法的相应步骤，直到判断不存在未被选择的客户点；
在步骤S47中，在判断不存在未被选择的客户点的情况下，输出无人机飞行方案。
在该图3所示出的方法中，由于是需要对无人机飞行方案进行更新，而每个无人机必然需要前往客户点，因此可以通过针对每个客户点来更新的方式来实现对无人机飞行方案的更新。
在该图3中，步骤S40可以用于随机选择一个未被选择的客户点，至于选择未被选择的客户点，这也是为了避免出现客户点被反复选择而导致算法冗余的问题。步骤S41和步骤S42可以是用于确定该选择的客户点对应的飞行路径是否会进入下一代的无人机飞行方案中。由于步骤S41所生成的概率是纯随机生成，那么迁入概率值越大(说明该配送方案的适应度排序越靠后)，说明选择的客户点对应的飞行路径就越难进入下一代的无人机飞行方案中。因此，在判断该概率值大于迁入概率时，此时则可以通过步骤S43将选择的客户点点的飞行路径加入下一代(子代)的无人机飞行方案中。反之，如果判断该概率值小于或等于迁入概率，则可以通过步骤S44和步骤S45，即通过迁出概率来选择其他的配送方案中对应的飞行路径来加入下一代的无人机飞行方案中。
步骤S43至步骤S45完成了一个客户点的飞行路径的更新，此时需要通过步骤S46来判断是否还存在未更新的客户点。如果存在，则可以返回步骤S40来重新选择新的客户点。反之，则说明此时所有的客户点的更新已经完成，那么可以输出无人机飞行方案。
在步骤S16完成了对无人机飞行方案的更新后，由于当前的车辆行驶方案并非是基于当前的无人机飞行方案来生成的，这并不能保证在当前的无人机飞行方案下卡车行驶方案的高效性。因此，需要通过步骤S17再次执行容量节约算法来针对当前的无人机飞行方案更新卡车形式方案。至于该容量节约算法，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，该容量节约算法可以是如图2中所示出的方法。由于在前述中对该图2中的方法已经详述，故此处不再赘述。
在步骤S16中对无人机飞行方案的更新过程中，进入下一代的飞行路径要么是同一个无人机飞行方案的相同位置进入新一代的飞行路径，要么是另一个无人机飞行方案的相同位置进入新一代的飞行路径。这样的更新方式并没有涉及同一个无人机飞行方案中不同位置的飞行路径的交换，这就制约了生成的子代的多样性，从而制约了最优解的生成速度。因此，可以通过步骤S18来实现对同一个无人机飞行方案中不同位置的飞行路径的交换。具体地，该步骤S18可以是包括如图4中所示出的步骤。在该图4中，该步骤S18可以包括：
在步骤S50中，从客户点集合中随机选择一个未被选择的客户点；
在步骤S51中，随机生成一个概率值；
在步骤S52中，判断概率值是否小于变异概率；
在步骤S53中，在判断概率值小于变异概率的情况下，从选择的配送方案的无人机的飞行路径中随机选取一条包含选择的客户点的路径加入子代的配送方案的无人机飞行路径中；
在步骤S54中，判断客户点集合中是否还存在未被选择的客户点；
在判断客户点集合中还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行方法的相应步骤，直到判断客户点集合中不存在未被选择的客户点；
在步骤S55中，在判断客户点集合中不存在未被选择的客户点的情况下，输出无人机飞行方案。
在该步骤S18后，由于当前的车辆行驶方案并非是基于当前的无人机飞行方案来生成的，这并不能保证在当前的无人机飞行方案下卡车行驶方案的高效性。因此，需要通过步骤S19再次执行容量节约算法来针对当前的无人机飞行方案更新卡车形式方案。至于该容量节约算法，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，该容量节约算法可以是如图2中所示出的方法。由于在前述中对该图2中的方法已经详述，故此处不再赘述。
从步骤S13至步骤S19中可以看出，在每次卡车行驶方案更新的过程中，其更新的目标都是更加高效，而无人机飞行方案的更新则是基于适应度大小进行更新，因此，只要步骤S13至步骤S18能够返回执行，其生成的多个配送方案的适应度数值必然会趋于收敛。因此，可以在步骤S20中，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。如果大于或等于该迭代次数阈值，则说明此时适应度数值已经趋于收敛，那么可以直接输出适应度值最小的配送方案。反之，则说明此时适应度值还没有收敛，那么则可以继续执行步骤S13至步骤S19，直到适应度数值趋于收敛。
另一方面，本发明还提供一种卡车和无人机组合配送的包裹投递系统，其特征在于，所述系统包括处理器，所述处理器被配置成执行如上述任一所述的方法。
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方法。
通过上述技术方案，本发明提供的卡车和无人机组合配送的包裹投递方法及系统通过分别对卡车和无人机的路径进行交替优化的方式，在满足卡车形式路径高效的前提下，实现了无人机的飞行路径的高效性，从而提高了卡车和无人机组合的高效配送。
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 (7)
1.一种卡车和无人机组合配送的包裹投递方法，其特征在于，所述方法包括：
获取待配送区域内的客户点和卡车停靠点；
针对每个所述客户点，从所述卡车的停靠点的集合中随机选择一个停靠点与所述客户点匹配以形成多个无人机飞行方案；
根据预设的容量节约方法针对每个所述无人机飞行方案生成卡车行驶方案；
计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度；
按照所述适应度从小到大的顺序排列所述配送方案以获取每个所述配送方案的序号；
计算每个所述配送方案的迁入概率和迁出概率；
根据每个所述迁入概率和所述迁出概率更新每个所述无人机飞行方案；
根据所述容量节约方法针对每个所述无人机飞行方案更新卡车行驶方案；
根据预设的变异概率更新每个所述无人机飞行方案；
根据所述容量节约方法针对每个所述无人机飞行方案更新卡车行驶方案；
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；
在判断所述迭代次数大于或等于所述迭代次数阈值的情况向下，输出适应度最小的所述配送方案；
在判断所述迭代次数小于所述迭代次数阈值的情况下，再次计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度，并执行所述方法的相应步骤，直到判断所述迭代次数小于所述迭代次数阈值；
所述容量节约方法包括：
随机选择一辆未被选择的卡车；
从所述停靠点的集合中选择匹配所述客户点最多的停靠点；
将选择的停靠点放入选择的卡车的行驶路径中；
根据公式(1)计算选择的停靠点到所述停靠点集合中其余未被选择的每个停靠点的节约值，
bij＝ei0+Ij0-Eij， (1)
其中，bij为选择的停靠点到其余未被选择的任一停靠点/>的节约值，ei0为从仓库v0到选择的停靠点/>的能源消耗量，ej0为从仓库v0到其余未被选择的任一停靠点/>的能源消耗量，eij为从选择的停靠点/>到其余未被选择的任一停靠点/>的能源消耗量；
判断选择的卡车是否能够完成节约值最大的所述停靠点的配送任务；
在判断选择的卡车能够完成节约值最大的所述停靠点的配送任务的情况下，将节约值最大的所述停靠点加入选择的卡车的行驶路径中；
将节约值最大的所述停靠点作为选择的停靠点；
判断所述停靠点的集合中是否还存在未被选择的停靠点；
在判断所述停靠点的集合中还存在未被选择的停靠点的情况下，再次根据公式(1)计算选择的停靠点到所述停靠点集合中其余未被选择的每个停靠点的节约值，并执行所述方法的相应步骤；
在判断所述停靠点的集合中不存在未被选择的停靠点的情况下，输出卡车行驶方案；
在判断选择的卡车不能够完成节约值最大的所述停靠点的配送任务的情况下，再次随机选择一辆未被选择的卡车，并执行所述方法的相应步骤；
所述计算每个由所述卡车行驶方案和所述无人机飞行方案组成的配送方案的适应度包括：
根据公式(2)计算所述适应度，
其中，f(x)为配送方案x的适应度，(vi,vj)为卡车的行驶路径的集合Rx中的路径，<wc,vi>为无人机的飞行路径的集合Tx中的路径，eij为卡车完成路径(vi,vj)的能源消耗量，aci为无人机完成路径<wc,vi>的能源消耗量。
2.根据权利要求1所述的方法，其特征在于，所述计算每个所述配送方案的迁入概率和迁出概率包括：
根据公式(3)计算所述迁入概率，
λx＝I/N， (3)
其中，λx为配送方案x的所述迁入概率，I为配送方案x的序号，N为配送方案x的数量。
3.根据权利要求1所述的方法，其特征在于，所述计算每个所述配送方案的迁入概率和迁出概率包括：
根据公式(4)计算所述迁出概率，
μx＝1-I/N， (4)
其中，μx为配送方案x的迁出概率，I为配送方案x的序号，N为配送方案x的数量。
4.根据权利要求1所述的方法，其特征在于，所述根据每个所述迁入概率和所述迁出概率更新每个所述无人机飞行方案包括：
从客户点集合中随机选择一个未被选择的客户点；
随机生成一个概率值；
判断所述概率值是否大于所述迁入概率；
在判断所述概率值大于所述迁入概率的情况下，将选择的所述客户点对应的无人机的飞行路径加入子代的无人机飞行方案中；
在判断所述概率值小于或等于所述迁入概率的情况下，根据每个所述配送方案的迁出概率，采用轮盘赌方法随机选择一个配送方案作为迁出配送方案；
将所述迁出配送方案中与选择的客户点对应的飞行路径加入子代的无人机飞行方案中；
判断是否还存在未被选择的客户点；
在判断还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行所述方法的相应步骤，直到判断不存在未被选择的客户点；
在判断不存在未被选择的客户点的情况下，输出所述无人机飞行方案。
5.根据权利要求1所述的方法，其特征在于，所述根据预设的变异概率更新每个所述无人机飞行方案包括：
从客户点集合中随机选择一个未被选择的客户点；
随机生成一个概率值；
判断所述概率值是否小于所述变异概率；
在判断所述概率值小于所述变异概率的情况下，从选择的配送方案的无人机的飞行路径中随机选取一条包含选择的客户点的路径加入子代的配送方案的无人机飞行路径中；
判断所述客户点集合中是否还存在未被选择的客户点；
在判断所述客户点集合中还存在未被选择的客户点的情况下，再次从客户点集合中随机选择一个未被选择的客户点，并执行所述方法的相应步骤，直到判断所述客户点集合中不存在未被选择的客户点；
在判断所述客户点集合中不存在未被选择的客户点的情况下，输出所述无人机飞行方案。
6.一种卡车和无人机组合配送的包裹投递系统，其特征在于，所述系统包括处理器，所述处理器被配置成执行如权利要求1至5任一所述的方法。
7.一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5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110794753.4A CN113537885B (zh) | 2021-07-14 | 2021-07-14 | 卡车和无人机组合配送的包裹投递方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110794753.4A CN113537885B (zh) | 2021-07-14 | 2021-07-14 | 卡车和无人机组合配送的包裹投递方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537885A CN113537885A (zh) | 2021-10-22 |
| CN113537885B true CN113537885B (zh) | 2024-03-15 |
Family
ID=78127951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110794753.4A Active CN113537885B (zh) | 2021-07-14 | 2021-07-14 | 卡车和无人机组合配送的包裹投递方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537885B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106126970A (zh) * | 2016-06-20 | 2016-11-16 | 西安建筑科技大学 | 具有保护区的多种群竞争多目标站点定位组合优化方法 |
| US9792576B1 (en) * | 2016-10-24 | 2017-10-17 | International Business Machines Corporation | Operating a plurality of drones and trucks in package delivery |
| CN110263983A (zh) * | 2019-05-31 | 2019-09-20 | 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规划方法及系统 |
| CN110276488A (zh) * | 2019-06-18 | 2019-09-24 | 浙江财经大学 | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 |
| WO2020085229A1 (ja) * | 2018-10-22 | 2020-04-30 | 株式会社ナイルワークス | 運転経路生成システム、運転経路生成方法、および運転経路生成プログラム、ならびにドローン |
| CN111144622A (zh) * | 2019-12-06 | 2020-05-12 | 合肥工业大学 | 用于规划快递员投递路线的方法、系统及存储介质 |
| CN112945255A (zh) * | 2021-01-29 | 2021-06-11 | 中国人民解放军国防科技大学 | 汽车搭载多架无人机协同多区域覆盖路径规划方法及系统 |
-
2021
- 2021-07-14 CN CN202110794753.4A patent/CN113537885B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106126970A (zh) * | 2016-06-20 | 2016-11-16 | 西安建筑科技大学 | 具有保护区的多种群竞争多目标站点定位组合优化方法 |
| US9792576B1 (en) * | 2016-10-24 | 2017-10-17 | International Business Machines Corporation | Operating a plurality of drones and trucks in package delivery |
| WO2020085229A1 (ja) * | 2018-10-22 | 2020-04-30 | 株式会社ナイルワークス | 運転経路生成システム、運転経路生成方法、および運転経路生成プログラム、ならびにドローン |
| CN110263983A (zh) * | 2019-05-31 | 2019-09-20 | 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规划方法及系统 |
| CN110276488A (zh) * | 2019-06-18 | 2019-09-24 | 浙江财经大学 | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 |
| CN111144622A (zh) * | 2019-12-06 | 2020-05-12 | 合肥工业大学 | 用于规划快递员投递路线的方法、系统及存储介质 |
| CN112945255A (zh) * | 2021-01-29 | 2021-06-11 | 中国人民解放军国防科技大学 | 汽车搭载多架无人机协同多区域覆盖路径规划方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卡车和无人机联合运输下的末端配送算法研究;承琦;李磊;;物流工程与管理(第03期);第62-65页 * |
| 基于多任务执行的无人机编队路径重构仿真;关启学;姜月秋;;计算机仿真(第07期);第368-372页 * |
| 考虑交通时变特性的城乡快递无人机配送优化研究;林驿;吕靖;蒋永雷;;计算机应用研究(第10期);第2984-3013页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537885A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10655975B2 (en) | System and method for routing optimization | |
| Caserta et al. | A mathematical formulation and complexity considerations for the blocks relocation problem | |
| KR102185513B1 (ko) | 로로선 화물 최적 선적 계획 수립 방법 및 시스템 | |
| EP4057100A1 (en) | Vehicle scheduling method, apparatus and system | |
| US20190325338A1 (en) | Quantum computing improvements to transportation | |
| US12078984B2 (en) | Safeguarding resources of physical entities in a shared environment | |
| US10636107B2 (en) | System and method for planning yard crane work | |
| Zeng et al. | Optimizing berth allocation and storage space in direct transshipment operations at container terminals | |
| Ma et al. | An improved shuffled frog leaping algorithm for multiload AGV dispatching in automated container terminals | |
| Maglić et al. | Optimization of container relocation operations in port container terminals | |
| US20220129840A1 (en) | System And Method For Reinforcement-Learning Based On-Loading Optimization | |
| KR20220006728A (ko) | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 | |
| Ko et al. | A rollout heuristic algorithm for order sequencing in robotic compact storage and retrieval systems | |
| Nishimura | Yard and berth planning efficiency with estimated handling time | |
| CN110046795B (zh) | 机器人的任务分配方法及装置 | |
| CN113935528A (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
| CN113537885B (zh) | 卡车和无人机组合配送的包裹投递方法及系统 | |
| CN112884126B (zh) | 深度强化学习网络系统 | |
| US20230022899A1 (en) | Methods of handling one or more vessels and/or equipment in a terminal, and related devices and systems | |
| CN110930092B (zh) | 一种配送路线调整方法、装置、电子设备和存储介质 | |
| CN112034845A (zh) | 一种多智能主体避障方法、系统和计算机可读存储介质 | |
| Shakeri et al. | An efficient incremental evaluation function for optimizing truck scheduling in a resource-constrained crossdock using metaheuristics | |
| US20230075128A1 (en) | Column generation methods and systems for routing and scheduling in robotic and vehicular applications | |
| US20150235247A1 (en) | Computer implemented system and method for determining a multi stage facility location and allocation | |
| CN113359821B (zh) | 基于车辆与无人机协同作业的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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |