CN113592148B - 改进车辆与无人机配送路线的优化方法及系统 - Google Patents
改进车辆与无人机配送路线的优化方法及系统 Download PDFInfo
- Publication number
- CN113592148B CN113592148B CN202110742948.4A CN202110742948A CN113592148B CN 113592148 B CN113592148 B CN 113592148B CN 202110742948 A CN202110742948 A CN 202110742948A CN 113592148 B CN113592148 B CN 113592148B
- Authority
- CN
- China
- Prior art keywords
- individual
- operator
- node
- unmanned aerial
- truck
- 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 70
- 238000005457 optimization Methods 0.000 title abstract description 25
- 238000002922 simulated annealing Methods 0.000 claims abstract description 8
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002068 genetic effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 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
- 230000008859 change Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明实施例提供一种改进车辆与无人机配送路线的优化方法及系统,属于车机协同的规划技术领域。通过上述技术方案,本发明提供的一种改进车辆与无人机配送路线的优化方法及系统针对车辆和无人机协同配送的特点,采用模拟退火和遗传算法的思想对车辆和无人机的配送路线进行优化,克服了现有技术中优化算法在优化车辆和无人机的配送路线时由于搜索范围局限性而导致的优化效果不佳的技术问题。
Description
技术领域
本发明涉及车机协同的规划技术领域,具体地涉及一种改进车辆与无人机配送路线的优化方法及系统。
背景技术
随着无人机技术的不断成熟,在末端配送领域,车辆与无人机协同配送成为一种新型的配送方式。在实现车机协同配送过程中,如何选择最佳的配送节点得到最佳的配送线路,以此提高车机协同配送效率是一个值得探讨的研究方向。该问题作为NP-hard问题,多种启发式算法已被用来求解该问题并取得一定成果。然而由于启发式算法在求解过程中搜索范围的局限性,导致难以得到接近最优解的结果。
发明内容
本发明实施例的目的是提供一种改进车辆与无人机配送路线的优化方法及系统,该方法及系统能够准确、高效地对车辆和无人机配送路线进行优化。
为了实现上述目的,本发明实施例提供一种改进车辆与无人机配送路线的优化方法,包括:
随机生成多条每个货运车和对应所搭载的无人机的路径组合以形成用于表示一条车辆与无人机配送路线的染色体以生成初始的种群;
判断当前温度是否大于预设的温度阈值;
在判断所述当前温度小于或等于所述温度阈值的情况下,重置进化次数;
判断当前的进化次数是否小于预设的进化次数阈值;
在判断当前的进化次数小于所述进化次数阈值的情况下,根据预设的个体占比从所述种群中选择待进化个体;
从所述待进化个体中随机选取一个未被选取的个体;
根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解;
采用模拟退火方法根据所述邻域解更新选取的个体,并更新所述算子权重;
判断是否还存在未被选取的个体;
在判断还存在未被选取的个体的情况下,再次从所述待进化个体中随机选取一个未被选取的个体,并执行所述方法的相应步骤,直到判断不存在未被选取的个体;
在判断不存在未被选取的个体的情况下,执行种群规模恢复操作以更新所述种群,更新所述进化次数,再次判断当前的进化次数是否小于预设的进化次数阈值,并执行所述方法的相应步骤,直到判断当前的进化次数大于或等于所述进化次数阈值;
在判断当前的进化次数大于或等于所述进化次数阈值的情况下,更新当前温度,再次判断当前温度是否大于预设的温度阈值,并执行所述方法的相应步骤,直到判断当前温度小于或等于所述温度阈值;
在判断所述当前温度小于或等于所述温度阈值的情况下,从所述种群中选取适应度最大的个体作为最优解。
可选地,所述根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解包括:
计算当前所有算子的权重和;
生成预设区间内的一个随机数;
从当前所有算子中随机选择一个未被选择的算子;
根据公式(1)计算选择的算子被选中的概率,
其中,p为选择的算子被选中的概率,p0为前一轮迭代中选择的算子被选中的概率,weight[j]为选择的算子的权重,sum_weight为所述权重和;
判断计算的概率是否大于或等于所述随机数;
在判断计算的概率小于所述随机数的情况下,再次从当前所有算子中随机选择一个未被选择的算子,并执行所述方法的相应步骤,直到判断计算的概率大于或等于所述随机数;
在判断计算的概率大于或等于所述随机数的情况下,将选择的算子作为选取的算子。
可选地,所述多个算子包括:
第一算子,包括:
从选取的个体中的一个货运车的无人机的组合序列中随机选取两个节点作为第一节点;
从选取的个体中的另一个货运车的无人机的组合序列中随机选取两个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体;
和/或第二算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取一个节点作为第一节点;
从选取的个体中的另一个货运车和无人机的组合序列中随机选取一个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体。
可选地,所述多个算子包括第三算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取两个节点作为第一节点;
从选取的个体中的另一个货运车和无人机的组合序列中随机选取一个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体。
可选地,所述多个算子包括第四算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取一个节点作为第一节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体。
可选地,所述多个算子包括第五算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取两个节点作为第一节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体。
可选地,所述采用模拟退火方法根据所述邻域解更新选取的个体,并更新所述算子权重包括:
判断所述邻域解中的个体的适应度是否大于选取的个体;
在判断所述邻域解中的个体的适应度大于选取的个体的情况下,将对应的算子的权重增加第一预设值,并同时将所述邻域解加入所述待进化个体中以替代选取的个体;
在判断所述邻域解中的个体的适应度小于或等于选取的个体的情况下,根据公式(2)和公式(3)计算可接受概率,
Δf=cost(NewIn)-cost(Select_Pop[j]), (3)
其中,v为所述可接受概率,T为当前温度,cost(NewIn)为所述邻域解的适应度的平均值,cost(Select_Pop[j])为选取的个体的适应度的平均值;
随机在预设区间中生成一个随机数;
判断所述可接受概率是否小于或等于所述随机数;
在判断所述可接受概率小于或等于所述随机数的情况下,将所述邻域解加入所述待进化个体中以替代选取的个体,并将对应的算子的权重增加第二预设值;
在判断所述可接受概率大于所述随机数的情况下,删除所述邻域解,并将对应的算子的权重增加第三预设值,其中,所述第一预设值、所述第二预设值和所述第三预设值的大小依次降低。
可选地,所述种群规模恢复操作包括:
根据所述个体占比从所述种群中选择与所述待进化个体的数量相同的个体;
采用所述待进化个体替换选择出的个体。
另一方面,本发明还提供一种改进车辆与无人机配送路线的优化系统,所述系统包括处理器,所述处理器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。
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,本发明提供的一种改进车辆与无人机配送路线的优化方法及系统针对车辆和无人机协同配送的特点,采用模拟退火和遗传算法的思想对车辆和无人机的配送路线进行优化,克服了现有技术中优化算法在优化车辆和无人机的配送路线时由于搜索范围局限性而导致的优化效果不佳的技术问题。
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改进车辆与无人机配送路线的优化方法的流程图;
图2是根据本发明的一个实施方式的染色体的序列的示意图;
图3是根据本发明的一个实施方式的第一算子的示意图;
图4是根据本发明的一个实施方式的第二算子的示意图;
图5是根据本发明的一个实施方式的第三算子的示意图;
图6是根据本发明的一个实施方式的第四算子的示意图;
图7是根据本发明的一个实施方式的第五算子的示意图;
图8是根据本发明的一个实施方式的第六算子的示意图;
图9是根据本发明的一个实施方式的第七算子的示意图;
图10是根据本发明的一个实施方式的改进车辆与无人机配送路线的优化方法的流程图;
图11是根据本发明的一个实施方式的改进车辆与无人机配送路线的优化方法的流程图。
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所示是本发明的一个实施方式的改进车辆与无人机配送路线的优化方法的流程图。在该图1中,该方法可以包括:
在步骤S10中,随机生成多条每个货运车和对应所搭载的无人机的路径组合以形成用于表示一条车辆与无人机配送路线的染色体以生成初始的种群。具体地,在该实施方式中,该染色体的形式可以是例如图2所示。在该图2中,该条染色体可以包括两个货运车(Truck1、Truck2)以及对应的无人机(Drone1、Drone2)的配送路线。第一辆货运车在染色体上对应的节点序列为1、15、12、3、9、13、1、4、11、3、9、21、13。每个节点上均对应匹配有货运车的标签。在该段序列中,1、15、12、3、9、13为货运车的节点序列,1、4、11、3、9、21、13为无人机的节点序列。从该无人机的节点序列可以看出,无人机的起飞节点为1、9,降落节点为3、13。在该无人机起飞或降落时,货运车和无人机两者在起飞或降落节点相遇。因此,货运车的节点序列中存在与无人机的节点序列相同的偶数个节点。进一步地,每个节点上可以设置有对应的标签(p,q)。其中,p为无人机的起飞架次,q为该节点的类型,q=1表示该节点为无人机的起飞节点,q=0可以表示该节点为无人机或货运车的配送节点,q=2可以用于表示该节点为无人机的降落节点。在执行解码操作时,可以基于以上的编码方法,对染色体进行解码(DECODING),从而得到对应的车辆与无人机配送路线。至于该图1中的第二辆货运车及其对应的无人机的路线,因编码方法和第一辆货运车相同,因此此处不再赘述。
在步骤S11中,判断当前温度是否大于预设的温度阈值;
在步骤S12中,在判断当前温度小于或等于温度阈值的情况下,重置进化次数;
在步骤S13中,判断当前的进化次数是否小于预设的进化次数阈值;
在步骤S14中,在判断当前的进化次数小于进化次数阈值的情况下,根据预设的个体占比从种群中选择待进化个体;
在步骤S15中,从待进化个体中随机选取一个未被选取的个体;
在步骤S16中,根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解;
在步骤S17中,采用模拟退火方法根据邻域解更新选取的个体,并更新算子权重;
在步骤S18中,判断是否还存在未被选取的个体;
在判断还存在未被选取的个体的情况下,再次从待进化个体中随机选取一个未被选取的个体,并执行该方法的相应步骤(即返回执行步骤S15),直到判断不存在未被选取的个体;
在步骤S19中,在判断不存在未被选取的个体的情况下,执行种群规模恢复操作以更新种群,更新进化次数,再次判断当前的进化次数是否小于预设的进化次数阈值,并执行该方法的相应步骤(即返回执行步骤S13),直到判断当前的进化次数大于或等于进化次数阈值;
在步骤S20中,在判断当前的进化次数大于或等于进化次数阈值的情况下,更新当前温度,再次判断当前温度是否大于预设的温度阈值,并执行该方法的相应步骤(即返回执行步骤S11),直到判断当前温度小于或等于温度阈值;
在步骤S21中,在判断当前温度小于或等于温度阈值的情况下,从种群中选取适应度最大的个体作为最优解。
在该图1中,当前温度可以是用于表示该优化方法的整体的迭代次数,放置出现过优化(即优化效果变差)的情况。进化次数则可以用于表示在每次的迭代过程中,采用预设的算子对染色体进行更新的次数。因此,在图1中,首先通过步骤S10生成多条染色体以形成初始的种群;其次,通过步骤S11确定当前整体的迭代次数是否达到预设值(即温度阈值),从而避免出现过优化的情况。在该步骤S11判断当前温度小于或等于温度阈值的情况下,此时说明整体的迭代次数未达到预设值,因此需要继续执行优化操作。那么,可以执行步骤12,重置进化初始。因此在每次的优化过程中,该优化方法都需要采用预设的多个算子对染色体进行多次更新,该更新次数即为进化次数,因此需要在执行更新前,预先重置进化次数,即步骤S12:重置进化次数。具体地,可以是例如重置该进化次数为0。
在采用预设的多个算子对染色体进行多次更新,需要确定当前的更新次数是否已经达到预设要求,因此可以执行步骤S13,即判断当前的进化次数是否小于进化次数阈值)。在判断当前的进化次数小于进化次数阈值的情况下,此时说明仍然需要执行更新操作,因此可以继续执行步骤S14至步骤S19。反之,如果判断当前的进化次数大于或等于进化次数阈值,那么说明当前的更新次数已经达到预设要求,那么可以转而执行步骤S20,即更新当前温度,例如在前一轮的当前温度值的基础上增加1,从而实现对优化次数的计数。
在步骤S14至步骤S19中,由于输入的种群的染色体数量庞大,如果一次对所有的染色体执行更新操作,会对运行的设备造成相当大的负载,因此可以在步骤S14中按照预设的个体占比来选择待进化个体。对于选择出的待进化个体,在步骤S15中,从该待进化个体中随机选取一个未被选取的个体来执行更新操作。具体地,该更新操作可以是步骤S16通过算子权重来从预设的多个算子中选取一个算子结合选取的个体生成邻域解,再通过步骤S17确定邻域解中的个体相对于更新前的染色体的优劣情况来确定是否更新该选取的个体。最后,通过步骤S18来判断是否已经遍历了待进化个体中的每个个体。在判断存在未被选取的个体的情况下,此时说明在待进化个体中仍然存在未被选取的个体,因此需要返回执行步骤S15,从而继续执行步骤S15至步骤S18。反之,在判断不存在未被选取的个体的情况下,此时说明已经遍历了待进化个体中的每个个体,因此可以执行步骤S19,从而完成一次进化过程。
对于步骤S16中根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解的操作,虽然也可以是本领域人员所知的多种形式。但是,发明人考虑到上述染色体的编码方法的特殊性,设计了如图3至图9所示出的算子。
如图3所示为根据本发明的一个示例的第一算子的示意图。在该图3中,该第一算子可以是从选取的个体中的一个货运车的无人机的组合序列(TD1)中随机选取两个节点(例如图3中的18、11)作为第一节点;从选取的个体中的另一个货运车的无人机的组合序列(TD2)中随机选取两个节点(例如图3中的21、8)作为第二节点;将第一节点加入另一个货运车和无人机的组合序列(TD2)的尾端以形成一个新的个体;将第二节点加入一个货运车和无人机的组合序列(TD1)的尾端以形成另一个新的个体。
如图4所示为根据本发明的一个示例的第二算子的示意图。在该图4中,该第二算子可以是从选取的个体中的一个货运车和无人机的组合序列(TD1)中随机选取一个节点(例如图4中的18)作为第一节点;从选取的个体中的另一个货运车和无人机的组合序列(TD2)中随机选取一个节点(例如图4中的8)作为第二节点;将第一节点加入另一个货运车和无人机的组合序列(TD2)的尾端以形成一个新的个体;将第二节点加入一个货运车和无人机的组合序列(TD1)的尾端以形成另一个新的个体。
如图5所示为根据本发明的一个示例的第三算子的示意图。在该图5中,该第三算子可以是从选取的个体中的一个货运车和无人机的组合序列(TD1)中随机选取两个节点(例如图4中的18、11)作为第一节点;从选取的个体中的另一个货运车和无人机的组合序列(TD2)中随机选取一个节点(例如图4中的6)作为第二节点;将第一节点加入另一个货运车和无人机的组合序列(TD2)的尾端以形成一个新的个体;将第二节点加入一个货运车和无人机的组合序列(TD1)的尾端以形成另一个新的个体。
如图6所示是根据本发明的一个示例的第四算子的示意图。在该图6中,该第四算子可以是从选取的个体中的一个货运车和无人机的组合序列(TD1)中随机选取一个节点(例如图6中的11)作为第一节点;将第一节点加入另一个货运车和无人机的序列的尾端以形成一个新的个体。
如图7所示是根据本发明的一个示例的第五算子的示意图。在该图7中,该第五算子可以是从选取的个体中的一个货运车和无人机的组合序列(TD1)中随机选取两个节点(例如图7中的18、11)作为第一节点;将第一节点加入另一个货运车和无人机的组合序列(TD2)的尾端以形成一个新的个体。
如图8所示是根据本发明的一个示例的第六算子的示意图。在该图8中,该第六算子可以是将选取的个体中的无人机的一个起飞节点调整为货运车的路径的下一个节点;将选取的个体中的无人机的一个降落节点调整为货运车的路径的下一个节点。
如图9所示是根据本发明的一个示例的第七算子的示意图。在该图8中,该第七算子可以是交换选取的个体上的一个起飞节点后的无人机的路径和车辆路径上的第一个节点(2、7)。
在该实施方式中,为了保证上述算子选择的随机性,可以采用随机选择的方式来选择上述选择对选取的个体进行更新。虽然随机选择的过程可以是本领域人员所知的多种形式,但是在本发明的一个优选示例中,可以采用如图10所示的方法来执行该选择操作。具体地,在该图10中,该选择操作可以包括:
在步骤S30中,计算当前所有算子的权重和;
在步骤S31中,生成预设区间内的一个随机数;
在步骤S32中,从当前所有算子中随机选择一个未被选择的算子;
在步骤S33中,根据公式(1)计算选择的算子被选中的概率,
其中,p为选择的算子被选中的概率,p0为前一轮迭代中选择的算子被选中的概率,weight[j]为选择的算子的权重,sum_weight为权重和;
在步骤S34中,判断计算的概率是否大于或等于随机数;
在判断计算的概率小于随机数的情况下,再次从当前所有算子中随机选择一个未被选择的算子,并执行该方法的相应步骤(即返回执行步骤S32),直到判断计算的概率大于或等于随机数;
在步骤S35中,在判断计算的概率大于或等于随机数的情况下,将选择的算子作为选取的算子。
虽然如图10所示的选择操作能够满足随机选择每个算子的要求。但是,由于每个染色体的序列存在差异,不同算子的优化效率也不同。因此,在该实施方式中,可以针对生成的邻域解的优劣,对每个算子的权重进行修改,从而提高该方法的优化效率。具体地,步骤S17中可以包括:
在步骤S40中,判断邻域解中的个体的适应度是否大于选取的个体;
在步骤S41中,在判断邻域解中的个体的适应度大于选取的个体的情况下,将对应的算子的权重增加第一预设值,并同时将邻域解加入待进化个体中以替代选取的个体;
在步骤S42中,在判断邻域解中的个体的适应度小于或等于选取的个体的情况下,根据公式(2)和公式(3)计算可接受概率,
Δf=cost(NewIn)-cost(Select_Pop[j]), (3)
其中,v为可接受概率,T为当前温度,cost(NewIn)为邻域解的适应度的平均值,cost(Select_Pop[j])为选取的个体的适应度的平均值;
在步骤S43中,随机在预设区间中生成一个随机数;
在步骤S44中,判断可接受概率是否小于或等于随机数;
在步骤S45中,在判断可接受概率小于或等于随机数的情况下,将邻域解加入待进化个体中以替代选取的个体,并将对应的算子的权重增加第二预设值;
在步骤S46中,在判断可接受概率大于随机数的情况下,删除邻域解,并将对应的算子的权重增加第三预设值。
在该如图10是示出的方法中,步骤S40可以用于判断生成的邻域解中的个体的适应度是否大于选取的个体,即判断更新后的个体是否由于更新前的个体。在判断邻域解中的个体的适应度大于选取的个体的适应度的情况下,此时说明当前的算子能够更新出更好的个体,因此可以将对应的算子的权重增加第一预设值,并且直接将更新后的个体直接替代更新前的个体。而当更新后的个体的适应度小于或等于更新前的个体,此时则说明当前的算子并没有生成更优的个体,因此可以通过步骤S42至步骤46来进行更新。其中,为了体现出三种情况下算子权重增加的差异,该第一预设值、第二预设值以及第三预设值的大小可以依次减小。具体地,通过实验验证,第一预设值可以优选为0.7,第二预设值可以优选为0.5,第三预设值可以优选为0.3。
在本发明的一个实施方式中,对于种群规模恢复操作,则可以是例如根据个体占比从种群中选择与待进化个体的数量相同的个体;再采用待进化个体替换选择出的个体。
另一方面,本发明还提供一种改进车辆与无人机配送路线的优化系统,所述系统包括处理器,所述处理器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。
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,本发明提供的一种改进车辆与无人机配送路线的优化方法及系统针对车辆和无人机协同配送的特点,采用模拟退火和遗传算法的思想对车辆和无人机的配送路线进行优化,克服了现有技术中优化算法在优化车辆和无人机的配送路线时由于搜索范围局限性而导致的优化效果不佳的技术问题。
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 (9)
1.一种改进车辆与无人机配送路线的优化方法,其特征在于,所述方法包括:
随机生成多条每个货运车和对应所搭载的无人机的路径组合以形成用于表示一条车辆与无人机配送路线的染色体以生成初始的种群;
判断当前温度是否大于预设的温度阈值;
在判断所述当前温度小于或等于所述温度阈值的情况下,重置进化次数;
判断当前的进化次数是否小于预设的进化次数阈值;
在判断当前的进化次数小于所述进化次数阈值的情况下,根据预设的个体占比从所述种群中选择待进化个体;
从所述待进化个体中随机选取一个未被选取的个体;
根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解;
采用模拟退火方法根据所述邻域解更新选取的个体,并更新所述算子权重;
判断是否还存在未被选取的个体;
在判断还存在未被选取的个体的情况下,再次从所述待进化个体中随机选取一个未被选取的个体,并执行所述方法的相应步骤,直到判断不存在未被选取的个体;
在判断不存在未被选取的个体的情况下,执行种群规模恢复操作以更新所述种群,更新所述进化次数,再次判断当前的进化次数是否小于预设的进化次数阈值,并执行所述方法的相应步骤,直到判断当前的进化次数大于或等于所述进化次数阈值;
在判断当前的进化次数大于或等于所述进化次数阈值的情况下,更新当前温度,再次判断当前温度是否大于预设的温度阈值,并执行所述方法的相应步骤,直到判断当前温度小于或等于所述温度阈值;
在判断所述当前温度小于或等于所述温度阈值的情况下,从所述种群中选取适应度最大的个体作为最优解;
所述根据算子权重从预设的多个算子中选取一个算子结合选取的个体生成邻域解包括:
计算当前所有算子的权重和;
生成预设区间内的一个随机数;
从当前所有算子中随机选择一个未被选择的算子;
根据公式(1)计算选择的算子被选中的概率,
其中,p为选择的算子被选中的概率,p0为前一轮迭代中选择的算子被选中的概率,weight[j]为选择的算子的权重,sum_weight为所述权重和;
判断计算的概率是否大于或等于所述随机数;
在判断计算的概率小于所述随机数的情况下,再次从当前所有算子中随机选择一个未被选择的算子,并执行所述方法的相应步骤,直到判断计算的概率大于或等于所述随机数;
在判断计算的概率大于或等于所述随机数的情况下,将选择的算子作为选取的算子。
2.根据权利要求1所述的方法,其特征在于,所述多个算子包括:
第一算子,包括:
从选取的个体中的一个货运车的无人机的组合序列中随机选取两个节点作为第一节点;
从选取的个体中的另一个货运车的无人机的组合序列中随机选取两个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体;
和/或第二算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取一个节点作为第一节点;
从选取的个体中的另一个货运车和无人机的组合序列中随机选取一个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体。
3.根据权利要求2所述的方法,其特征在于,所述多个算子包括第三算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取两个节点作为第一节点;
从选取的个体中的另一个货运车和无人机的组合序列中随机选取一个节点作为第二节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体;
将所述第二节点加入所述一个货运车和无人机的组合序列的尾端以形成另一个新的个体。
4.根据权利要求2所述的方法,其特征在于,所述多个算子包括第四算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取一个节点作为第一节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体。
5.根据权利要求2所述的方法,其特征在于,所述多个算子包括第五算子,包括:
从选取的个体中的一个货运车和无人机的组合序列中随机选取两个节点作为第一节点;
将所述第一节点加入所述另一个货运车和无人机的组合序列的尾端以形成一个新的个体。
6.根据权利要求1所述的方法,其特征在于,所述采用模拟退火方法根据所述邻域解更新选取的个体,并更新所述算子权重包括:
判断所述邻域解中的个体的适应度是否大于选取的个体;
在判断所述邻域解中的个体的适应度大于选取的个体的情况下,将对应的算子的权重增加第一预设值,并同时将所述邻域解加入所述待进化个体中以替代选取的个体;
在判断所述邻域解中的个体的适应度小于或等于选取的个体的情况下,根据公式(2)和公式(3)计算可接受概率,
Δf=cost(NewIn)-cost(Select_Pop[j]), (3)
其中,v为所述可接受概率,T为当前温度,cost(NewIn)为所述邻域解的适应度的平均值,cost(Select_Pop[j])为选取的个体的适应度的平均值;
随机在预设区间中生成一个随机数;
判断所述可接受概率是否小于或等于所述随机数;
在判断所述可接受概率小于或等于所述随机数的情况下,将所述邻域解加入所述待进化个体中以替代选取的个体,并将对应的算子的权重增加第二预设值;
在判断所述可接受概率大于所述随机数的情况下,删除所述邻域解,并将对应的算子的权重增加第三预设值,其中,所述第一预设值、所述第二预设值和所述第三预设值的大小依次降低。
7.根据权利要求1所述的方法,其特征在于,所述种群规模恢复操作包括:
根据所述个体占比从所述种群中选择与所述待进化个体的数量相同的个体;
采用所述待进化个体替换选择出的个体。
8.一种改进车辆与无人机配送路线的优化系统,其特征在于,所述系统包括处理器,所述处理器用于被机器读取以使得所述机器执行如权利要求1至7任一所述的方法。
9.一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7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742948.4A CN113592148B (zh) | 2021-07-01 | 2021-07-01 | 改进车辆与无人机配送路线的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742948.4A CN113592148B (zh) | 2021-07-01 | 2021-07-01 | 改进车辆与无人机配送路线的优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592148A CN113592148A (zh) | 2021-11-02 |
CN113592148B true CN113592148B (zh) | 2024-03-15 |
Family
ID=78245528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742948.4A Active CN113592148B (zh) | 2021-07-01 | 2021-07-01 | 改进车辆与无人机配送路线的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592148B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115700A (en) * | 1997-01-31 | 2000-09-05 | The United States Of America As Represented By The Secretary Of The Navy | System and method for tracking vehicles using random search algorithms |
KR20040028060A (ko) * | 2002-09-28 | 2004-04-03 | 주식회사 케이티 | 진화 프로그램을 이용한 다수의 최적 경로 탐색 방법 |
CN108009471A (zh) * | 2017-10-25 | 2018-05-08 | 昆明理工大学 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
CN110705758A (zh) * | 2019-09-11 | 2020-01-17 | 哈尔滨工程大学 | 一种面向水下网络的网元优化布局方法 |
CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
CN111553532A (zh) * | 2020-04-28 | 2020-08-18 | 闽江学院 | 一种城市快递车辆路径优化的方法及系统 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
CN112288166A (zh) * | 2020-10-29 | 2021-01-29 | 重庆理工大学 | 基于遗传-模拟退火组合算法对物流配送的优化方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682380B (zh) * | 2019-01-16 | 2020-01-10 | 北京邮电大学 | 一种通信无人机路径优化方法及设备 |
-
2021
- 2021-07-01 CN CN202110742948.4A patent/CN113592148B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115700A (en) * | 1997-01-31 | 2000-09-05 | The United States Of America As Represented By The Secretary Of The Navy | System and method for tracking vehicles using random search algorithms |
KR20040028060A (ko) * | 2002-09-28 | 2004-04-03 | 주식회사 케이티 | 진화 프로그램을 이용한 다수의 최적 경로 탐색 방법 |
CN108009471A (zh) * | 2017-10-25 | 2018-05-08 | 昆明理工大学 | 一种基于遗传算法和模拟退火算法的太阳黑子识别的方法 |
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN111667086A (zh) * | 2019-03-08 | 2020-09-15 | 山东大学 | 一种车辆共乘路径寻优方法及系统 |
CN110147901A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 基于指针神经网络的车辆路径规划方法、系统及存储介质 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN110705758A (zh) * | 2019-09-11 | 2020-01-17 | 哈尔滨工程大学 | 一种面向水下网络的网元优化布局方法 |
CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
CN111553532A (zh) * | 2020-04-28 | 2020-08-18 | 闽江学院 | 一种城市快递车辆路径优化的方法及系统 |
CN112288166A (zh) * | 2020-10-29 | 2021-01-29 | 重庆理工大学 | 基于遗传-模拟退火组合算法对物流配送的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113592148A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191847B (zh) | 考虑订单聚合度的配送路径规划方法与系统 | |
Ho et al. | Solving a static repositioning problem in bike-sharing systems using iterated tabu search | |
US20200124429A1 (en) | System and method for routing optimization | |
US8935096B2 (en) | Apparatus for fast path search by learning heuristic function and method thereof | |
CN104809129B (zh) | 一种分布式数据存储方法、装置和系统 | |
CN116739323B (zh) | 一种面向应急资源调度的智能评估方法和系统 | |
CN115345549A (zh) | 结合装载方案的车辆路径调整方法及系统 | |
CN108111252B (zh) | 序列生成、数据解码方法及装置 | |
CN109032789B (zh) | 一种物流网络的部署方法、装置和服务器 | |
CN115271833A (zh) | 一种共享单车需求量预测方法及预测系统 | |
KR101522306B1 (ko) | 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법 | |
CN113592148B (zh) | 改进车辆与无人机配送路线的优化方法及系统 | |
CN109255462B (zh) | 一种货物配送方法及装置 | |
CN110378464B (zh) | 人工智能平台的配置参数的管理方法和装置 | |
CN112488430A (zh) | 一种预测订单取消的建模方法、装置、计算机设备及计算机可读存储介质 | |
CN115330051B (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
CN111080031A (zh) | 一种基于改进型蜻蜓算法的车辆路径优化方法和系统 | |
CN113807646B (zh) | 无人机与车辆协同任务分配的智能优化方法和系统 | |
CN105989445A (zh) | 规则管理方法及系统 | |
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 | |
CN109102123B (zh) | 拼车路线优化方法及装置、存储介质、计算设备 | |
CN108985526B (zh) | 运力预测方法及装置、计算机可读存储介质、终端 | |
CN113537885B (zh) | 卡车和无人机组合配送的包裹投递方法及系统 | |
CN113723804B (zh) | 考虑多无人机站点的车机协同配送方法及系统 | |
CN117556967B (zh) | 调度方法、装置、设备及存储介质 |
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 |