CN113741418A - 异构车机编队协同路径的生成方法和装置 - Google Patents

异构车机编队协同路径的生成方法和装置 Download PDF

Info

Publication number
CN113741418A
CN113741418A CN202110839589.4A CN202110839589A CN113741418A CN 113741418 A CN113741418 A CN 113741418A CN 202110839589 A CN202110839589 A CN 202110839589A CN 113741418 A CN113741418 A CN 113741418A
Authority
CN
China
Prior art keywords
vehicle
point
path
node
scheme
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.)
Granted
Application number
CN202110839589.4A
Other languages
English (en)
Other versions
CN113741418B (zh
Inventor
朱默宁
张雪华
徐丽
朱武
罗贺
王国强
靳鹏
马滢滢
张歆悦
蒋儒浩
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.)
National Earthquake Response Support Service
Anhui Youyun Intelligent Technology Co ltd
Original Assignee
National Earthquake Response Support Service
Anhui Youyun Intelligent Technology Co ltd
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 National Earthquake Response Support Service, Anhui Youyun Intelligent Technology Co ltd filed Critical National Earthquake Response Support Service
Priority to CN202110839589.4A priority Critical patent/CN113741418B/zh
Publication of CN113741418A publication Critical patent/CN113741418A/zh
Application granted granted Critical
Publication of CN113741418B publication Critical patent/CN113741418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0293—Convoy travelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种异构车机编队协同路径的生成方法和装置，涉及物流配送领域。本发明以最小化客户等待时间的标准差为目标构建可重访的车机协同团队定向模型，充分考虑公平性，并在考虑公平性的前提下，将异构车辆与无人机进行协同以完成物资的配送任务，不仅能增大物资发放的范围，让更多的客户收到所需物资，而且能够最大限度降低成本，提高了车辆与无人机完成物资配送任务的效率。同时，本发明考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束，更加符合实际的物流配送情况。

Description

异构车机编队协同路径的生成方法和装置
技术领域
本发明涉及物流配送领域，具体涉及一种异构车机编队协同路径的生成方法和装置。
背景技术
物流配送提供的是物流服务，因此满足客户对物流服务的需求是配送的前提。然而，物流配送在人道主义救援场景的物流配送过程中，由于物资有限，往往不能满足所有客户的需求，比如发放应急物资，不仅需要迅速且充分地分配应急物资，还需要重点关注所有受灾人员是否可以得到公平的救助，即保证公平性。从而提升人道主义救援的有效性，将储备的应急物资迅速送达给有需要的人。
现有技术中，仅由无人机完成物流配送任务设计范围受到限制，同时物资有限的情况下，并未考虑物资发放的公平性，导致现有的人道主义救援公平性低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种异构车机编队协同路径的生成方法和装置，解决了现有的人道主义救援公平性低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种异构车机编队协同路径的生成方法，所述方法包括：
S1、获取任务点的坐标和物资数据；
S2、基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
S3、基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
优选的，所述可重访的车机协同团队定向模型包括目标函数，采用公式(1)来表示：
Figure RE-GDA0003313143060000021
其中：
Figure RE-GDA0003313143060000022
Figure RE-GDA0003313143060000023
式中：i为任务点编号，T为任务点集合；tim为编号m的车辆到达任务点i的时间；
Figure RE-GDA0003313143060000024
为编号m的车辆送达至任务点i的包裹数量；tip为编号p的无人机到达任务点i的时间；
Figure RE-GDA0003313143060000025
为编号p的无人机送达至任务点 i的包裹数量；qi为任务点i的需求量；gi为任务点i的服务水平；
Figure RE-GDA0003313143060000026
为平均服务水平；Gi为任务点i的服务满意程度，即任务点i得到的包裹数量与需求量的比值，目标函数的含义为：最小化等待时间的标准差，标准差为离平均水平平方的算数平均数的算术平方根；目的是保持公平性，保证公平的为每个任务点分配物资。
优选的，所述可重访的车机协同团队定向模型包括约束条件，采用公式(4)至(23)来表示：
Figure RE-GDA0003313143060000031
Figure RE-GDA0003313143060000032
Figure RE-GDA0003313143060000033
Figure RE-GDA0003313143060000034
Figure RE-GDA0003313143060000035
Figure RE-GDA0003313143060000036
Figure RE-GDA0003313143060000037
Figure RE-GDA0003313143060000038
Figure RE-GDA0003313143060000039
Figure RE-GDA00033131430600000310
Figure RE-GDA00033131430600000311
Figure RE-GDA00033131430600000312
Figure RE-GDA00033131430600000313
Figure RE-GDA00033131430600000314
Figure RE-GDA00033131430600000315
Figure RE-GDA00033131430600000316
Figure RE-GDA00033131430600000317
Figure RE-GDA00033131430600000318
Figure RE-GDA00033131430600000319
Figure RE-GDA0003313143060000041
其中：
公式(4)表示每个节点至少被访问一次；公式(5)表示确保每辆车必须从仓库出发；公式(6)表示每辆车完成任务后必须返回仓库；公式(7)表示流量守恒约束；公式(8)表示变量xijn与公式(8)中的到达时间相关联，这也防止了不包含仓库的子路径；公式(9)表示如果无人机u从i点发射并在k点收集，则必须将点i和k分配给车辆n，即在车辆的路径上；公式(10)和(11)表示确保当无人机u从i点发射时，车辆n和无人机u是时间协调的。注意，无人机u和车辆n可能在不同的时间离开基地。这些约束将迫使车辆n和无人机u同时到达i点；当车辆n和无人机u在k点会合时，公式(12)和(13)对它们进行时间协调。这些约束将迫使车辆n和无人机u同时到达节点k。公式(12)～(13)假设，如果无人机u在i点从车辆n发射，则它们不能在i点会合，这意味着无人机不能从同一个点多次发射；公式(14) 和公式(15)表示假设无人机u在i点从车辆n发射，访问j点后在k 点与车辆会合，公式(14)约束了无人机到达j点的时间，公式(15) 约束了无人机到达k点的时间；公式(16)表示解决了无人机的续航约束，其中Hmax为无人机的最大续航时长；公式(17)表示定义了车辆和无人机的出发时间；公式(18)和(19)表示确保只有在车辆访问该节点时才能为该节点提供服务；公式(20)表示确保每架无人机的最大负荷不超过其容量CU；公式(21)表示要求满足每个点的全部需求；公式(22)和公式(23)定义了决策变量的取值。
ii、j和k为节点编号，T为任务点集合，N为节点集合；u为无人机编号，U为无人机集合；n为车辆编号，V为车辆编号；
Figure RE-GDA0003313143060000051
为决策变量，编号u的无人机是否从节点i出发到达任务点j并返回编号n的车辆或以仓库点0为终点的路径；
Figure RE-GDA0003313143060000052
为决策变量，编号n的车辆从节点i到任务点j的路径；
Figure RE-GDA0003313143060000053
为决策变量，编号n的车辆从仓库0出发到达任务点i的路径；
Figure RE-GDA0003313143060000054
为决策变量，编号n的车辆从任务点i到仓库L+1的路径；
Figure RE-GDA0003313143060000055
为编号n的车辆从节点j到节点k的路径；
Figure RE-GDA0003313143060000056
为编号n的车辆从节点i到节点j的时间；
Figure RE-GDA0003313143060000057
为编号n的车辆到达节点j的到达时间；
Figure RE-GDA0003313143060000058
为编号n的车辆到达节点i的到达时间；
Figure RE-GDA0003313143060000059
为决策变量，编号n的车辆从节点h到达节点i的路径；
Figure RE-GDA00033131430600000510
为决策变量，编号n的车辆从节点k到达节点l的路径；
Figure RE-GDA00033131430600000511
为编号u的无人机到达节点i的到达时间；
Figure RE-GDA00033131430600000512
为编号u的无人机到达节点k的到达时间；
Figure RE-GDA00033131430600000513
为编号n的车辆到达节点k的到达时间；
Figure RE-GDA00033131430600000514
为编号u的无人机到达节点j的到达时间；
Figure RE-GDA00033131430600000515
为编号u的无人机从节点i到任务点j的时间；
Figure RE-GDA00033131430600000516
为编号u的无人机从任务点i到节点k的时间；Hmax为无人机最大续航时长；
Figure RE-GDA00033131430600000517
编号u的无人机到达仓库0的到达时间；
Figure RE-GDA00033131430600000518
为编号n的车辆到达仓库0的到达时间；
Figure RE-GDA00033131430600000519
为编号 u的无人机送达至任务点j的包裹数量；qj为任务点j的需求量；Qn为车辆的承载能力；M为一个大的正整数。
优选的，所述基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案，包括：
S301、设定编码规则；
S302、根据编码规则生成异构车机协同初始路径规划方案集合；
S303、基于文化基因算法、可重访的车机协同团队定向模型和异构车机协同初始路径规划方案集合获取异构车机编队协同最优路径方案。
优选的，所述基于文化基因算法、可重访的车机协同团队定向模型和异构车机协同初始路径规划方案集合获取异构车机编队协同最优路径方案，包括：
S303a、设置文化基因算法的执行参数和基于可重访的车机协同团队定向模型的目标函数，通过公式(24)计算每个路径规划方案的适应度值，所述执行参数包括交叉概率；
Figure RE-GDA0003313143060000061
S303b、采用轮盘赌机制从异构车机编队初始路径方案中选择出2 个方案用于遗传操作，适应度值越小的方案被选择的概率越大；
S303c、对选择出的2个方案进行单点交叉操作，得到2个子代路径规划方案，子代将优化过程引向可能找到更好解决方案的新的搜索区域；
S303d、根据交叉概率，对2个子代进行交叉操作，通过局部搜索策略的方法来提高子代方案的适应度；
S303e、对路径规划方案集合进行更新操作，将优良的子代方案代替父代方案；
S303f、重复步骤S303b～S303e，当文化基因算法连续I2次没有更新时，算法自动终止，在更新后的路径规划方案集合选择适应度值最小的方案作为并输出异构车机编队协同最优路径规划方案并输出，I为任务点的数量。
优选的，所述单点交叉操作的过程包括：
步骤1：所述2个路径规划方案作为待交叉的父代染色体，根据父代染色体的第一行，将2条父代染色体分别分成|V|个分段；
步骤2：将父代染色体相同分段进行单点交叉，从相同分段的染色体中随机选择一个任务点，将该任务点后的基因位进行交换操作；
步骤3：根据车机协同联合体数量|V|重复步骤2，完成所有分段的交叉操作；
步骤4：依据车机协同联合体编号将分段组合，形成一条完整的染色体。
优选的，所述局部搜索策略包括；
搜索策略1：随机从子代染色体中选择一个分段，在该分段中选择一个任务点，将其插入到该分段的可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次操作记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案；
和/或
搜索策略2：随机从子代染色体中选择两个分段，在这两个分段中分别各选一个任务点进行交换并插入到可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次交换记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案。
第三方面，本发明提供一种异构车机编队协同路径的生成装置，所述装置包括：
数据获取模块，用于获取任务点的坐标和物资数据；
模型构建模块，用于基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
最优路径方案获取模块，用于基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
第三方面，本发明提供一种计算机可读存储介质，其存储用于异构车机编队协同路径的生成的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的异构车机编队协同路径的生成方法。
第四方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的异构车机编队协同路径的生成方法。
(三)有益效果
本发明提供了一种异构车机编队协同路径的生成方法和装置。与现有技术相比，具备以下有益效果：
本发明以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型，充分考虑公平性，并在考虑公平性的前提下，将异构车辆与无人机进行协同完成物资配送，不仅能增大物资发放的范围，让更多的客户得到所需的物资，而且能够最大限度降低成本，提高了车辆与无人机完成物资配送工作的效率。同时，本发明考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束，更加符合实际的物流配送情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种异构车机编队协同路径的生成方法的框图；
图2为染色体形式示意图；
图3为图2所示的染色体对应路径示意图；
图4为路网约束示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种异构车机编队协同路径的生成方法和装置，解决了现有的人道主义救援公平性低的技术问题，实现保证公平的为每个任务点分配物资。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
现有技术中，仅由无人机完成物资配送任务设计范围受到限制，同时物资有限的情况下，并未考虑物资发放的公平性，不能保证每位客户得到公平地对待。本发明实施例在考虑公平性的前提下，将异构车辆与无人机进行协同完成物资配送，不仅能增大物资发放的范围，让更多的客户得到所需物资，而且能够最大限度降低成本，提高了车辆与无人机完成物资配送工作的效率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种异构车机编队协同路径的生成方法，如图1 所示，该方法包括以下步骤：
S1、获取任务点的坐标和物资数据；
S2、基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
S3、基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
本发明实施例以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型，充分考虑公平性，并在考虑公平性的前提下，将异构车辆与无人机进行协同完成物资配送，不仅能增大物资发放的范围，让更多的客户得到所需物资，而且能够最大限度降低成本，提高了车辆与无人机完成物资配送工作的效率。同时，本发明考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束，更加符合实际的物资配送情况。
下面对本发明实施例的实现过程进行详细说明：
在步骤S1中，获取任务点的坐标和物资数据，具体实施过程如下：
计算机获取任务点的坐标和物资数据，物资数据包括：无人机的无人机编号、无人机飞行速度、无人机续航能力和无人机承载能力，车辆的车辆编号和车辆行驶速度以及仓库点坐标。
在步骤S2中，基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型。具体实施过程如下：
所述可重访的车机协同团队定向模型的目标函数采用公式(1)来表示：
Figure RE-GDA0003313143060000111
其中：
Figure RE-GDA0003313143060000112
Figure RE-GDA0003313143060000113
式中：i为任务点编号，T为任务点集合；tim为编号m的车辆到达任务点i的时间；
Figure RE-GDA0003313143060000114
为编号m的车辆送达至任务点i的包裹数量；tip为编号p的无人机到达任务点i的时间；
Figure RE-GDA0003313143060000115
为编号p的无人机送达至任务点 i的包裹数量；qi为任务点i的需求量；gi为任务点i的服务水平；
Figure RE-GDA0003313143060000116
为平均服务水平；Gi为任务点i的服务满意程度，即任务点i得到的包裹数量与需求量的比值，目标函数的含义为：最小化等待时间的标准差，标准差为离平均水平平方的算数平均数的算术平方根；目的是保持公平性，保证公平地为每个任务点分配物资。
所述可重访的车机协同团队定向模型的约束条件采用公式(4)至 (23)来表示：
Figure RE-GDA0003313143060000121
Figure RE-GDA0003313143060000122
Figure RE-GDA0003313143060000123
Figure RE-GDA0003313143060000124
Figure RE-GDA0003313143060000125
Figure RE-GDA0003313143060000126
Figure RE-GDA0003313143060000127
Figure RE-GDA0003313143060000128
Figure RE-GDA0003313143060000129
Figure RE-GDA00033131430600001210
Figure RE-GDA00033131430600001211
Figure RE-GDA00033131430600001212
Figure RE-GDA00033131430600001213
Figure RE-GDA00033131430600001214
Figure RE-GDA00033131430600001215
Figure RE-GDA0003313143060000131
Figure RE-GDA0003313143060000132
Figure RE-GDA0003313143060000133
Figure RE-GDA0003313143060000134
Figure RE-GDA0003313143060000135
其中：
公式(4)表示每个节点至少被访问一次；
公式(5)表示确保每辆车必须从仓库出发；
公式(6)表示每辆车完成任务后必须返回仓库；
公式(7)表示流量守恒约束；
公式(8)表示变量
Figure RE-GDA0003313143060000136
与公式(8)中的到达时间相关联，这也防止了不包含仓库的子路径；
公式(9)表示如果无人机u从i点发射并在k点收集，则必须将点i和k分配给车辆n，即在车辆的路径上；
公式(10)和(11)表示确保当无人机u从i点发射时，车辆n和无人机u是时间协调的。注意，无人机u和车辆n可能在不同的时间离开基地。这些约束将迫使车辆n和无人机u同时到达i点；
当车辆n和无人机u在k点会合时，约束(12)和(13)对它们进行时间协调。这些约束将迫使车辆n和无人机u同时到达节点k。约束(12)-(13)假设，如果无人机u在i点从车辆n发射，则它们不能在i点会合，这意味着无人机不能从同一个点多次发射；
公式(14)和公式(15)表示假设无人机u在i点从车辆n发射，访问j点后在k点与车辆会合，式(14)约束了无人机到达j点的时间，式(15)约束了无人机到达k点的时间；
公式(16)表示解决了无人机的续航约束，其中Hmax为无人机的最大续航时长；
公式(17)表示定义了车辆和无人机的出发时间；
公式(18)和(19)表示确保只有在车辆访问该节点时才能为该节点提供服务；
公式(20)表示确保每架无人机的最大负荷不超过其容量CU；
公式(21)表示要求满足每个点的全部需求；
公式(22)和公式(23)定义了决策变量的取值。
其中，i、j和k为节点编号，T为任务点集合，N为节点集合；u 为无人机编号，U为无人机集合；n为车辆编号，V为车辆编号；
Figure RE-GDA0003313143060000141
为决策变量，编号u的无人机是否从节点i出发到达任务点j并返回编号 u的车辆或以仓库点0为终点的路径；
Figure RE-GDA0003313143060000142
为决策变量，编号n的车辆从节点i到任务点j的路径；
Figure RE-GDA0003313143060000143
为决策变量，编号n的车辆从仓库0出发到达任务点i的路径；
Figure RE-GDA0003313143060000144
为决策变量，编号n的车辆从任务点i到仓库L+1的路径；
Figure RE-GDA0003313143060000145
为编号n的车辆从节点j到节点k的路径；
Figure RE-GDA0003313143060000146
为编号 n的车辆从节点i到节点j的时间；
Figure RE-GDA0003313143060000147
为编号n的车辆到达节点j的到达时间；
Figure RE-GDA0003313143060000148
为编号n的车辆到达节点i的到达时间；
Figure RE-GDA0003313143060000149
为决策变量，编号 n的车辆从节点h到达节点i的路径；
Figure RE-GDA00033131430600001410
为决策变量，编号n的车辆从节点k到达节点l的路径；
Figure RE-GDA00033131430600001411
为编号u的无人机到达节点i的到达时间；
Figure RE-GDA00033131430600001412
为编号u的无人机到达节点k的到达时间；
Figure RE-GDA00033131430600001413
为编号n的车辆到达节点k的到达时间；
Figure RE-GDA0003313143060000151
为编号u的无人机到达节点j的到达时间；
Figure RE-GDA0003313143060000152
为编号u的无人机从节点i到任务点j的时间；
Figure RE-GDA0003313143060000153
为编号u的无人机从任务点i到节点k的时间；Hmax为无人机最大续航时长；
Figure RE-GDA0003313143060000154
编号u的无人机到达仓库0的到达时间；
Figure RE-GDA0003313143060000155
为编号n的车辆到达仓库0的到达时间；
Figure RE-GDA0003313143060000156
为编号u的无人机送达至任务点j的包裹数量；qj为任务点j的需求量； Qn为车辆的承载能力；M为一个大的正整数。
在步骤S3中，基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案，具体实施过程如下：
S301、设定编码规则，具体为：
一条染色体表示异构车机编队协同初始路径规划方案，染色体是由三行整数构成的整数编码方式，染色体的第一行由车辆访问的任务点组成，染色体的第一行和第二行共同组成无人机访问的任务点，染色体的第三行由异构车机联合体的编号组成。染色体形式如图2所示：
图2所示染色体表示：由两组异构车辆与无人机协同完成配送任务。编号为1的车辆从仓库0出发依次前往任务点5、任务点3和任务点1进行物资配送，并最终返回仓库0，编号1的无人机随车辆前往任务点5和任务点3后，在任务点3起飞独自前往任务点7进行物资配送，后前往任务点1与编号为1的车辆进行汇合，最后与编号为1的车辆一同返回仓库0。编号为2的车辆从仓库0出发后依次前往任务点 4、任务点6、任务点2和任务点8进行物资配送，编号为2的无人机从仓库0出发后前往任务点1进行物资配送，后前往任务点4与编号为2的车辆汇合，后前往任务点2进行物资配送，之后前往任务点6 与编号为2的车辆汇合，并与编号为2的车辆一同前往任务点2，后前往任务点9进行物资配送，最后前往任务点8与编号为2的车辆汇合，最后与编号为2的车辆一同返回仓库0，至此所有的物资配送任务已完成。图2所示的染色体对应路径如图3所示。
S302、根据编码规则生成异构车机协同初始路径规划方案集合，具体为：
S302a、先将所有任务点的编号进行随机排列生成染色体的第1行，再将该排列分成|V|段，在每段的前面和后面各加1个“0”代表仓库，其中第m段染色体对应于第m辆车的路径，其中|V|为车机联合体的数量，
S302b、对第m段染色体从前向后每次取出2个任务点编号，以这 2个编号对应的任务点作为椭圆的2个焦点，以无人机的续航能力为长轴，构造“最大续航范围”。
S302c、如果“最大续航范围”中只有1个任务点，则在前一个目标编号的下面写上该任务点的编号；如果“最大续航范围”中不只1个任务点，则随机选择1个目标编号写在前一个目标编号的下面；如果“最大续航范围”中没有目标，则在前一个目标编号的下面写上“-1”，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上“-1”。
S302d、重复步骤S302b～S302c共|V|次，即可得到每个异构车机联合体的路径方案。
S302e、根据预设的种群规模重复步骤S302a～S302d，即可得到异构车机协同初始路径规划方案集合。
需要说明的是，在生成异构车机协同初始路径规划方案集合的过程中，考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束。路网约束如图4所示。同时，在具体实施过程中，初始路径规划方案集合中的规划方案并不一定都满足车机协同团队定向模型的约束条件，所以有必要对初始路径规划方案集合中的每条染色体进行约束检查，并对不满足约束条件的染色体进行删除。
S303、基于文化基因算法、可重访的车机协同团队定向模型和异构车机协同初始路径规划方案集合获取异构车机编队协同最优路径方案，具体为：
S303a、设置文化基因算法的执行参数，如交叉概率(在本发明实施例中，交叉概率为0.7)；基于可重访的车机协同团队定向模型的目标函数，通过公式(24)计算每个路径规划方案的适应度值；
Figure RE-GDA0003313143060000171
S303b、采用轮盘赌机制从异构车机编队初始路径方案中选择出2 个方案用于遗传操作，适应度值越小的方案被选择的概率越大；
S303c、对选择出的2个方案进行单点交叉操作，得到2个子代路径规划方案，子代将优化过程引向可能找到更好解决方案的新的搜索区域，其中，单点交叉操作的过程如下：
步骤1：所述2个路径规划方案作为待交叉的父代染色体，根据父代染色体的第一行，将2条父代染色体分别分成|V|个分段；
步骤2：将父代染色体相同分段进行单点交叉，从相同分段的染色体中随机选择一个任务点，将该任务点后的基因位进行交换操作；
步骤3：根据车机协同联合体数量|V|重复步骤2，完成所有分段的交叉操作；
步骤4：依据车机协同联合体编号将分段组合，形成一条完整的染色体。
S303d、根据交叉概率，对2个子代进行交叉操作，通过以下局部搜索策略来的其中一个策略进行局部搜索来提高子代方案的适应度，局部搜索策略包括；
搜索策略1：随机从子代染色体中选择一个分段，在该分段中选择一个任务点，将其插入到该分段的可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次操作记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案。
搜索策略2：随机从子代染色体中选择两个分段，在这两个分段中分别各选一个任务点进行交换并插入到可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次交换记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案。
S303e、对路径规划方案集合进行更新操作，将优良的子代方案代替父代方案；
S303f、重复步骤S303b～S303e，当文化基因算法连续I2次没有更新时，算法自动终止，在更新后的路径规划方案集合选择适应度值最小的方案作为并输出异构车机编队协同最优路径规划方案并输出。I为任务点的数量，在本发明实施例中，没有设定最大迭代次数，而是通过设置连续I2次没有更新时，算法自动终止。这样可以提升算法的效率并且保证算法收敛到最优解，即根据问题规模动态调整算法运行时长。文化基因算法一般设置固定的迭代次数，比如100次或者500次，但当问题规模较小时可能很快就收敛了，无需迭代多次；当问题规模较大时，500次可能还没有得到最优解。这样设置可以有效提交文化基因算法的效率和性能。
本发明实施例还提供一种异构车机编队协同路径的生成装置，该装置包括：
数据获取模块，用于获取任务点的坐标和物资数据；
模型构建模块，用于基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
最优路径方案获取模块，用于基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
可理解的是，本发明实施例提供的异构车机编队协同路径的生成装置与上述异构车机编队协同路径的生成方法相对应，其有关内容的解释、举例、有益效果等部分可以参考异构车机编队协同路径的生成方法中的相应内容，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其存储用于异构车机编队协同路径的生成的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的异构车机编队协同路径的生成方法。
本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的异构车机编队协同路径的生成方法。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型，充分考虑公平性，并在考虑公平性的前提下，将异构车辆与无人机进行协同完成物资配送，不仅能增大物资发放的范围，让更多的客户得到所需物资，而且能够最大限度降低成本，提高了车辆与无人机完成物资配送工作的效率。同时，本发明考虑车辆在巡检过程中需要沿路网行驶，而无人机不用受路网约束，更加符合实际的物资配送情况。
2、本发明实施例所提出的优化方法使用文化基因算法进行求解，能快速求得可重访的车机协同团队定向模型的异构车机编队协同最优路径优化方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种异构车机编队协同路径的生成方法，其特征在于，所述方法包括：
S1、获取任务点的坐标和物资数据；
S2、基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
S3、基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
2.如权利要求1所述的异构车机编队协同路径的生成方法，其特征在于，所述可重访的车机协同团队定向模型包括目标函数，采用公式(1)来表示：
Figure FDA0003178324260000011
其中：
Figure FDA0003178324260000012
Figure FDA0003178324260000013
式中：i为任务点编号，T为任务点集合；tim为编号m的车辆到达任务点i的时间；
Figure FDA0003178324260000014
为编号m的车辆送达任务点i的包裹数量；tip为编号p的无人机到达任务点i的时间；
Figure FDA0003178324260000015
为编号p的无人机送达任务点i的包裹数量；qi为任务点i的需求量；gi为任务点i的服务水平；
Figure FDA0003178324260000016
为平均服务水平；Gi为任务点i的服务满意程度，即任务点i得到的物资数量与需求量的比值，目标函数的含义为：最小化等待时间的标准差，标准差为离平均水平平方的算数平均数的算术平方根；目的是保持公平性，保证公平地为每个任务点分配物资。
3.如权利要求1所述的异构车机编队协同路径的生成方法，其特征在于，所述可重访的车机协同团队定向模型包括约束条件，采用公式(4)至(23)来表示：
Figure FDA0003178324260000021
Figure FDA0003178324260000022
Figure FDA0003178324260000023
Figure FDA0003178324260000024
Figure FDA0003178324260000025
Figure FDA0003178324260000026
Figure FDA0003178324260000027
Figure FDA0003178324260000028
Figure FDA0003178324260000029
Figure FDA00031783242600000210
Figure FDA00031783242600000211
Figure FDA00031783242600000212
Figure FDA00031783242600000213
Figure FDA00031783242600000214
Figure FDA00031783242600000215
Figure FDA00031783242600000216
Figure FDA0003178324260000031
Figure FDA0003178324260000032
Figure FDA0003178324260000033
Figure FDA0003178324260000034
其中：
公式(4)表示每个节点至少被访问一次；公式(5)表示确保每辆车必须从仓库出发；公式(6)表示每辆车完成任务后必须返回仓库；公式(7)表示流量守恒约束；公式(8)表示变量
Figure FDA0003178324260000035
与公式(8)中的到达时间相关联，这也防止了不包含仓库的子路径；公式(9)表示如果无人机u从i点发射并在k点收集，则必须将点i和k分配给车辆n，即在车辆的路径上；公式(10)和(11)表示确保当无人机u从i点发射时，车辆n和无人机u是时间协调的，无人机u和车辆n可能在不同的时间离开基地，这些约束将迫使车辆n和无人机u同时到达i点；当车辆n和无人机u在k点会合时，公式(12)和(13)对它们进行时间协调，这些约束将迫使车辆n和无人机u同时到达节点k；公式(12)～(13)假设，如果无人机u在i点从车辆n发射，则它们不能在i点会合，这意味着无人机不能从同一个点多次发射；公式(14)和公式(15)表示假设无人机u在i点从车辆n发射，访问j点后在k点与车辆会合，公式(14)约束了无人机到达j点的时间，公式(15)约束了无人机到达k点的时间；公式(16)表示解决了无人机的续航约束，其中Hmax为无人机的最大续航时长；公式(17)表示定义了车辆和无人机的出发时间；公式(18)和(19)表示确保只有在车辆访问该节点时才能为该节点提供服务；公式(20)表示确保每架无人机的最大负荷不超过其容量CU；公式(21)表示要求满足每个点的全部需求；公式(22)和公式(23)定义了决策变量的取值；
i、j和k为节点编号，T为任务点集合，N为节点集合；u为无人机编号，U为无人机集合；n为车辆编号，V为车辆编号；
Figure FDA0003178324260000041
为决策变量，编号u的无人机是否从节点i出发到达任务点j并返回编号n的车辆或以仓库点0为终点的路径；
Figure FDA0003178324260000042
为决策变量，编号n的车辆从节点i到任务点j的路径；
Figure FDA0003178324260000043
为决策变量，编号n的车辆从仓库0出发到达任务点i的路径；
Figure FDA0003178324260000044
为决策变量，编号n的车辆从任务点i到仓库L+1的路径；
Figure FDA0003178324260000045
为编号n的车辆从节点j到节点k的路径；
Figure FDA0003178324260000046
为编号n的车辆从节点i到节点j的时间；
Figure FDA0003178324260000047
为编号n的车辆到达节点j的到达时间；
Figure FDA0003178324260000048
为编号n的车辆到达节点i的到达时间；
Figure FDA0003178324260000049
为决策变量，编号n的车辆从节点h到达节点i的路径；
Figure FDA00031783242600000410
为决策变量，编号n的车辆从节点k到达节点l的路径；
Figure FDA00031783242600000411
为编号u的无人机到达节点i的到达时间；
Figure FDA00031783242600000412
为编号u的无人机到达节点k的到达时间；
Figure FDA00031783242600000413
为编号n的车辆到达节点k的到达时间；
Figure FDA00031783242600000414
为编号u的无人机到达节点j的到达时间；
Figure FDA00031783242600000415
为编号u的无人机从节点i到任务点j的时间；
Figure FDA00031783242600000416
为编号u的无人机从任务点i到节点k的时间；Hmax为无人机最大续航时长；
Figure FDA00031783242600000417
编号u的无人机到达仓库0的到达时间；
Figure FDA00031783242600000418
为编号n的车辆到达仓库0的到达时间；
Figure FDA00031783242600000419
为编号u的无人机送达至任务点j的包裹数量；qj为任务点j的需求量；Qn为车辆的承载能力；M为一个大的正整数。
4.如权利要求1～3任一所述的异构车机编队协同路径的生成方法，其特征在于，所述基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案，包括：
S301、设定编码规则；
S302、根据编码规则生成异构车机协同初始路径规划方案集合；
S303、基于文化基因算法、可重访的车机协同团队定向模型和异构车机协同初始路径规划方案集合获取异构车机编队协同最优路径方案。
5.如权利要求4所述的异构车机编队协同路径的生成方法，其特征在于，所述基于文化基因算法、可重访的车机协同团队定向模型和异构车机协同初始路径规划方案集合获取异构车机编队协同最优路径方案，包括：
S303a、设置文化基因算法的执行参数和基于可重访的车机协同团队定向模型的目标函数，通过公式(24)计算每个路径规划方案的适应度值，所述执行参数包括交叉概率；
Figure FDA0003178324260000051
S303b、采用轮盘赌机制从异构车机编队初始路径方案中选择出2个方案用于遗传操作，适应度值越小的方案被选择的概率越大；
S303c、对选择出的2个方案进行单点交叉操作，得到2个子代路径规划方案，子代将优化过程引向可能找到更好解决方案的新的搜索区域；
S303d、根据交叉概率，对2个子代进行交叉操作，通过局部搜索策略的方法来提高子代方案的适应度；
S303e、对路径规划方案集合进行更新操作，将优良的子代方案代替父代方案；
S303f、重复步骤S303b～S303e，当文化基因算法连续I2次没有更新时，算法自动终止，在更新后的路径规划方案集合选择适应度值最小的方案作为并输出异构车机编队协同最优路径规划方案并输出，I为任务点的数量。
6.如权利要求5所述的异构车机编队协同路径的生成方法，其特征在于，所述单点交叉操作的过程包括：
步骤1：所述2个路径规划方案作为待交叉的父代染色体，根据父代染色体的第一行，将2条父代染色体分别分成|V|个分段；
步骤2：将父代染色体相同分段进行单点交叉，从相同分段的染色体中随机选择一个任务点，将该任务点后的基因位进行交换操作；
步骤3：根据车机协同联合体数量|V|重复步骤2，完成所有分段的交叉操作；
步骤4：依据车机协同联合体编号将分段组合，形成一条完整的染色体。
7.如权利要求5所述的异构车机编队协同路径的生成方法，其特征在于，所述局部搜索策略包括；
搜索策略1：随机从子代染色体中选择一个分段，在该分段中选择一个任务点，将其插入到该分段的可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次操作记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案；
和/或
搜索策略2：随机从子代染色体中选择两个分段，在这两个分段中分别各选一个任务点进行交换并插入到可行位置，插入位置避开区段染色体第一行的首位基因和末位基因，每进行一次交换记录当前方案并与原方案进行比较，若当前方案优于原方案，则替换原先方案。
8.一种异构车机编队协同路径的生成装置，其特征在于，所述装置包括：
数据获取模块，用于获取任务点的坐标和物资数据；
模型构建模块，用于基于任务点的坐标和物资数据，以最小化等待时间的标准差为目标构建可重访的车机协同团队定向模型；
最优路径方案获取模块，用于基于路网约束和文化基因算法对车机协同团队定向模型求解，获取异构车机编队协同最优路径方案。
9.一种计算机可读存储介质，其特征在于，其存储用于异构车机编队协同路径的生成的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的异构车机编队协同路径的生成方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一所述的异构车机编队协同路径的生成方法。
CN202110839589.4A 2021-07-23 2021-07-23 异构车机编队协同路径的生成方法和装置 Active CN113741418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839589.4A CN113741418B (zh) 2021-07-23 2021-07-23 异构车机编队协同路径的生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839589.4A CN113741418B (zh) 2021-07-23 2021-07-23 异构车机编队协同路径的生成方法和装置

Publications (2)

Publication Number Publication Date
CN113741418A true CN113741418A (zh) 2021-12-03
CN113741418B CN113741418B (zh) 2023-07-25

Family

ID=78729148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839589.4A Active CN113741418B (zh) 2021-07-23 2021-07-23 异构车机编队协同路径的生成方法和装置

Country Status (1)

Country Link
CN (1) CN113741418B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522253A (zh) * 2024-01-05 2024-02-06 湘江实验室 一种卡车无人机协同配送路径规划方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807665A (zh) * 2017-11-29 2018-03-16 合肥工业大学 无人机编队探测任务协同分配方法及装置
US10140875B1 (en) * 2017-05-27 2018-11-27 Hefei University Of Technology Method and apparatus for joint optimization of multi-UAV task assignment and path planning
US20180356803A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm
CN111352417A (zh) * 2020-02-10 2020-06-30 合肥工业大学 异构多无人机协同路径的快速生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10140875B1 (en) * 2017-05-27 2018-11-27 Hefei University Of Technology Method and apparatus for joint optimization of multi-UAV task assignment and path planning
US20180356803A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm
CN107807665A (zh) * 2017-11-29 2018-03-16 合肥工业大学 无人机编队探测任务协同分配方法及装置
CN111352417A (zh) * 2020-02-10 2020-06-30 合肥工业大学 异构多无人机协同路径的快速生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522253A (zh) * 2024-01-05 2024-02-06 湘江实验室 一种卡车无人机协同配送路径规划方法及装置
CN117522253B (zh) * 2024-01-05 2024-04-19 湘江实验室 一种卡车无人机协同配送路径规划方法及装置

Also Published As

Publication number Publication date
CN113741418B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
WO2022021119A1 (zh) 一种集装箱码头间全自主水上运输调度方法及系统
CN110782086B (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
CN107145971A (zh) 一种动态调整的快递配送优化方法
Cheikh-Graiet et al. A Tabu Search based metaheuristic for dynamic carpooling optimization
CN113762594B (zh) 车机协同配送灾后救援物资的路径规划方法和装置
Sombuntham et al. A particle swarm optimization algorithm for multi-depot vehicle routing problem with pickup and delivery requests
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
Comi et al. Emerging information and communication technologies: the challenges for the dynamic freight management in city logistics
Kuo et al. Applying NSGA-II to vehicle routing problem with drones considering makespan and carbon emission
CN115577886A (zh) 一种多无人机站的组合配送方法及系统
CN114611794A (zh) 基于亚启发式算法的车机协同取送货路径优化方法和系统
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
CN113741418A (zh) 异构车机编队协同路径的生成方法和装置
Los et al. An Auction-Based Multi-Agent System for the Pickup and Delivery Problem with Autonomous Vehicles and Alternative Locations
Boukhater et al. An intelligent and fair GA carpooling scheduler as a social solution for greener transportation
Lu et al. Ant colony optimization solutions for logistic route planning with pick-up and delivery
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
Wang et al. Simulation of multi-agent based cybernetic transportation system
Koźlak et al. Multi-agent approach to dynamic pick-up and delivery problem with uncertain knowledge about future transport demands
CN112862414B (zh) 基于集群旅行商问题的协同配送路径优化方法
Coltorti et al. Ant colony optimization for real-world vehicle routing problems
Chow et al. Adaptive scheduling of mixed bus services with flexible fleet size assignment under demand uncertainty
Bergvinsdottir et al. Solving the dial-a-ride problem using genetic algorithms
Ben Cheikh et al. The alliance between optimization and multi-agent system for the management of the dynamic carpooling
Van Son et al. Prediction-based optimization for online People and Parcels share a ride taxis

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