CN113762593A - 地震灾后无人机应急物资配送方法和装置 - Google Patents
地震灾后无人机应急物资配送方法和装置 Download PDFInfo
- Publication number
- CN113762593A CN113762593A CN202110839607.9A CN202110839607A CN113762593A CN 113762593 A CN113762593 A CN 113762593A CN 202110839607 A CN202110839607 A CN 202110839607A CN 113762593 A CN113762593 A CN 113762593A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- disaster
- planning scheme
- path planning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 210000000349 chromosome Anatomy 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013209 evaluation strategy Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种地震灾后无人机应急物资配送方法和装置,涉及路径规划技术领域。本发明通过获取救灾点信息、多个站点信息和无人机信息;基于所述救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;通过混合遗传算法对所述多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。本发明提出在地震灾后应急物资配送的场景下,确定不同的无人机进行物资配送的灾民聚集点,优化多架从不同站点出发的无人机的配送灾民聚集点的顺序,减少了无人机灾后物资的配送的飞行时长,提高物资配送效率,最大化异构无人机的使用效率,获得高质量解决方案。
Description
技术领域
本发明涉及路径规划技术领域,具体涉及一种地震灾后无人机应急物资配送方法和装置。
背景技术
地震灾害发生后,能够在第一时间保护人民的生命安全的最为重要。地震极大可能触发山体崩塌或滑坡等次生灾害的发生,导致交通瘫痪,车辆无法正常在地面道路上进行大规模的物资配送,能够快速高效地将应急救灾物资发放到各灾民聚集点对救援工作有着重要的实际意义。
由于无人机可以不受地形因素的限制,可以对人力难以到达的地震灾后地区进行物资配送,无人机配送已逐渐应用于地震灾后物资配送工作中,解决灾后物资配送的重要问题。但地震发生后,急需应急物资的救灾点较多,在不计无人机使用成本的情况下,完成所有灾民聚集点的物资配送任务。
然而,现有的地震灾后物资配送方法效率低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种地震灾后无人机应急物资配送方法和装置,解决了现有的地震灾后物资配送方法效率低的技术问题。
(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,本发明提供一种地震灾后无人机应急物资配送方法,所述方法包括:
S1、获取救灾点信息、多个站点信息和无人机信息;
S2、基于所述救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
S3、通过混合遗传算法对所述多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
优选的,所述多站点多无人机配送模型包括目标函数,采用公式(1)来表示:
优选的,所述多站点多无人机配送模型约束条件,采用公式(2)至(10)来表示:
其中:
公式(2)表示每个灾民聚集点仅被访问一次;公式(3)表示灾民聚集点进出平衡约束;公式(4)表示每架无人机仅使用一次;公式(5)和公式(6)表示消除子路径约束,并确保每条路径无人机飞行时长不能超过无人机最大续航时长;公式(7)~(9)表示确保每条路径上灾民聚集点的总需求不能超过无人机能够承载的最大容量;公式(10)表示决策变量约束;
l、i和j为灾民聚集点编号,V为所有节点集合;D为无人机站点集合,N为灾民聚集点集合;h为无人机编号,H为无人机集合;为决策变量,编号为h的无人机从节点i到达节点j的路径;为决策变量,编号为h的无人机从节点l到达灾民聚集点i的路径;为决策变量,编号为h的无人机从灾民聚集点i到达节点j的路径;为决策变量,编号为h的无人机从节点r到达节点i的路径;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机访问灾民聚集点j后已飞行时长,为编号为h的无人机访问灾民聚集点i后已飞行时长,为编号为h的无人机访问灾民聚集点r后已飞行时长,Sh为编号为h的无人机的续航时间;q为一个标准包裹的重量;为到达灾民聚集点j之前无人机h的负载,为到达灾民聚集点i之前无人机h的负载;为编号为h的无人机送达点j的包裹数量;Qh为编号为h的无人机能够承载的最大容量;M为一个大的正整数。
优选的,所述步骤S3包括:
S301、基于灾点信息、多个站点信息、无人机信息和多站点多无人机配送模型获取无人机配送应急物资的初始任务规划方案集合;
S302、在混合遗传算法中引入双适应度评价策略,从初始任务规划方案集合中选择每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
优选的,所述双适应度评价策略包括:
需求到达时间适应度函数Fitn1和总飞行时长约束惩罚适应度函数Fitn2,计算公式如下:
其中,i和j为节点编号,V为所有节点集合;h为无人机编号,H为无人机集合;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机从节点i到达节点j的路径;χ为参数惩罚权重;为到达灾民聚集点j之前无人机h的负载;Qh为编号为h的无人机能够承载的最大容量;
公式(11)的Fitn1适应度值是染色体表示的无人机配送路线的需求加权到达时间总和,Fitn1适应度值越小说明路径规划方案越优,公式(12)的Fitn2适应度值是染色体表示的无人机配送路线的飞行时长约束惩罚适应度函数值,Fitn2适应度值越小说明路径规划方案越优;
对于任务规划方案的比较,以Fitn1为主要适应度函数,在比较过程中出现两条路径规划方案的Fitn1值相同的情况下,比较两条路径规划方案Fitn2适应度值,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
优选的,所述步骤S302包括:
S302a、设置遗传算法的执行参数和通过公式(11)计算路径规划方案集合中每个规划方案的适应度值;
S302b、从路径规划方案集合中随机选择,选择出的两个规划方案用于遗传操作;
S302c、对选择出的两个规划方案采用多分区段交叉算子进行交叉操作,从而得到两个新的规划方案;
S302d、以公式(11)计算两个新的任务路径规划方案的适应度值,与步骤S302b选择的两个任务路径规划方案的需求加权到达时间进行比较,若新的任务路径规划方案的需求加权到达时间小于其中一个随机选择的原先任务路径规划方案的需求加权到达时间时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案,若比较过程中,其中原先任务分配路径规划方案与的新的任务分配路径规划方案需求加权到达时间相等,则以公式(12)计算两个任务分配路径规划方案的飞行时长约束惩罚适应度函数值,若新的任务路径规划方案的飞行时长约束惩罚适应度函数值小于原先任务路径规划方案时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案;
S302e、重复步骤S302b~S302d,到达预设的最大迭代次数停止,得到较优任务路径规划方案集合,从规划方案集合中找出适应度值最小的方案,作为当前最优方案,进入局部搜索操作;
S302f、通过分区段局部搜索操作对当前任务路径规划方案进行多轮迭代更新,得到最优规划方案,通过多次邻域搜索,获得每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
优选的,所述S302c包括:
步骤1、根据无人机编号分别将两条父代染色体Fα和Fβ分成|H|个区段;
步骤2、将父代染色体Fα和Fβ中相同区段染色体进行交叉操作,操作如下:
判断染色体区段Fαh和Fβh的第1行是否有相同的灾民聚集点,若没有相同灾民聚集点,则在染色体区段Fαh和Fβh中随机选择两个灾民聚集点,分别将区段Fαh和Fβh分成Fαh-1、Fαh-2、Fαh-3和Fβh-1、Fβh-2、Fβh-3各三个部分,将区段Fαh和Fβh分别按照Fαh-1-Fαh-3-Fβh-2和Fβh-1-Fβh-3-Fαh-2的顺序进行拼接,得到新的染色体区段Fγh和Fδh;如果有一个相同的灾民聚集点,则选择Fαh和Fβh中该灾民聚集点后的基因位进行交换,得到新的染色体区段Fγh和Fδh;
和/或
分区段局部搜索操作包括:
随机从无人机集合H中选择两架无人机,根据无人机编号找到当前任务路径规划方案对应区段,从两个区段中各选择一个灾民聚集点,选择,将两个灾民聚集点进行交换,选择和交换过程避开区段中首位和最后一位基因,将交换后的区段根据无人机编号重新插入规划方案中,得到新的任务规划方案;
对任务路径规划方案进行分区段局部搜索操作时,当新任务规划方案适应度值小于先前任务规划方案适应度值时,新任务规划方案代替先前任务规划方案进行下一轮局部搜索。
第三方面,一种地震灾后无人机应急物资配送装置,所述装置包括:
信息获取模块,用于获取救灾点信息、多个站点信息和无人机信息;
模型构建模块,用于基于救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
模型求解模型,用于通过混合遗传算法对多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
第三方面,本发明提供一种计算机可读存储介质,其存储用于地震灾后无人机应急物资配送的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的地震灾后无人机应急物资配送方法。
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地震灾后无人机应急物资配送方法。
(三)有益效果
本发明提供了一种地震灾后无人机应急物资配送方法和装置。与现有技术相比,具备以下有益效果:
本发明提出在地震灾后应急物资配送的场景下,确定不同的无人机进行物资配送的灾民聚集点,优化多架从不同站点出发的无人机的配送灾民聚集点的顺序,减少了无人机灾后物资的配送的飞行时长,提高物资配送效率,最大化异构无人机的使用效率,获得高质量解决方案。
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为一种地震灾后无人机应急物资配送方法的框图;
图2为染色体形式示意图;
图3为交叉操作示意图,判断染色体区段没有相同灾民聚集点,交叉方式如图3(a)所示,如果有一个相同的灾民聚集点,交叉方式如图3(b)所示。
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地震灾后无人机应急物资配送方法和装置,解决了现有的地震灾后物资配送效率低的技术问题,实现提高物资配送效率。
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:
本发明实施例提出一种地震灾后无人机应急物资配送方法,针对应急物资的配送任务实现了对异构无人机编队进行物资配送任务,合理为无人机分配进行配送的灾民聚集点并优化其访问顺序,缩短了为灾民聚集点配送的总时间,提高完成救灾任务的质量,最大限度提升无人机的工作效率,获得高质量解决方案。
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地震灾后无人机应急物资配送方法,如图1所示,该方法包括以下步骤:
S1、获取救灾点信息、多个站点信息和无人机信息;
S2、基于救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
S3、通过混合遗传算法对多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
本发明实施例提出在地震灾后应急物资配送的场景下,确定不同的无人机进行物资配送的灾民聚集点,优化多架从不同站点出发的无人机的配送灾民聚集点的顺序,减少了无人机灾后物资的配送的飞行时长,提高物资配送效率,最大化异构无人机的使用效率,获得高质量解决方案。
下面对本发明实施例的实施过程进行详细说明:
在步骤S1中,获取救灾点信息、多个站点信息和无人机信息,具体实施过程如下:
计算机获取救灾点信息、多个站点信息和无人机信息。
救灾点信息包括救灾点的需求及坐标。
多个站点信息包括站点编号、站点坐标和站点数量。
无人机信息包括无人机的编号、无人机飞行速度和无人机续航能力。
在步骤S2中,基于救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型,具体实施过程如下:
所述多站点多无人机配送模型的目标函数采用公式(1)来表示:
所述多站点多无人机配送模型约束条件采用公式(2)至(10)来表示:
其中:
公式(2)表示每个灾民聚集点仅被访问一次;公式(3)表示灾民聚集点进出平衡约束;公式(4)表示每架无人机仅使用一次;公式(5)和公式(6)表示消除子路径约束,并确保每条路径无人机飞行时长不能超过无人机最大续航时长;公式(7)~(9)表示确保每条路径上灾民聚集点的总需求不能超过无人机能够承载的最大容量;公式(10)表示决策变量约束。
l、i和j为灾民聚集点编号,V为所有节点集合;D为无人机站点集合,N为灾民聚集点集合;h为无人机编号,H为无人机集合;为决策变量,编号为h的无人机从节点i到达节点j的路径;为决策变量,编号为h的无人机从节点l到达灾民聚集点i的路径;为决策变量,编号为h的无人机从灾民聚集点i到达节点j的路径;为决策变量,编号为h的无人机从节点r到达节点i的路径;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机访问灾民聚集点j后已飞行时长,为编号为h的无人机访问灾民聚集点i后已飞行时长,为编号为h的无人机访问灾民聚集点r后已飞行时长,Sh为编号为h的无人机的续航时间;q为一个标准包裹的重量;为到达灾民聚集点j之前无人机h的负载,为到达灾民聚集点i之前无人机h的负载;为编号为h的无人机送达点j的包裹数量;Qh为编号为h的无人机能够承载的最大容量;M为一个大的正整数。
在步骤S3中,通过混合遗传算法对多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。具体实施过程如下:
S301、基于灾点信息、多个站点信息、无人机信息和多站点多无人机配送模型获取无人机配送应急物资的初始任务规划方案集合。具体为:
S301a、设定编码规则,包括:一条染色体表示无人机从不同的站点出发访问的灾民聚集点,染色体采用二维编码方式,染色体的第一维表示无人机访问的灾民聚集点,染色体的第二维表示完成任务使用无人机的编号。染色体形式如图2所示:
图2所示染色体表示:编号为1的无人机从站点O1出发,依次为灾民聚集点6、灾民聚集点2、灾民聚集点4和灾民聚集点7进行配送任务后返回站点O1;编号为2的无人机从站点O2出发,依次为灾民聚集点5、灾民聚集点3和灾民聚集点1进行配送任务后返回站点O2。
S301b、根据编码规则生成初始任务规划方案集合,包括:
步骤1:将灾民聚集点集合N中的所有节点进行随机排列,得到待安排灾民聚集点集合Ntba。
步骤2:从无人机集合H中选择编号为h的无人机,依据无人机h的续航时间和载重约束依次从待安排灾民聚集点Ntba选择执行的灾民聚集点,从待安排灾民聚集点Ntba中删除无人机h执行的灾民聚集点,并在无人机h执行的灾民聚集点序列前后加入无人机h出发及返回的站点编号;
步骤3:依据无人机数量|H|,重复步骤2为所有无人机安排救灾任务,从而得到一条完整的染色体;
步骤4:根据预设的种群规模重复步骤1-3,得到初始任务规划方案集合。
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多站点多无人机配送模型的约束条件,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。
S302、在混合遗传算法中引入双适应度评价策略,从初始任务规划方案集合中选择每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案,包括:
在混合遗传算法中引入双适应度评价策略,为从初始任务规划方案集合中选择每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案,包括:
建立双适应度策略,即需求到达时间适应度函数Fitn1和总飞行时长约束惩罚适应度函数Fitn2,计算公式如下:
其中,i和j为节点编号,V为所有节点集合;h为无人机编号,H为无人机集合;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机从节点i到达节点j的路径;χ为参数惩罚权重;为到达灾民聚集点j之前无人机h的负载;Qh为编号为h的无人机能够承载的最大容量;
公式(11)的Fitn1适应度值是染色体表示的无人机配送路线的需求加权到达时间总和,Fitn1适应度值越小说明路径规划方案越优,公式(12)的Fitn2适应度值是染色体表示的无人机配送路线的飞行时长约束惩罚适应度函数值,Fitn2适应度值越小说明路径规划方案越优;
对于任务规划方案的比较,以Fitn1为主要适应度函数,在比较过程中出现两条路径规划方案的Fitn1值相同的情况下,比较两条路径规划方案Fitn2适应度值,从而获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
S302a、设置遗传算法的执行参数,如最大迭代次数和交叉概率等(在本发明实施例中,最大迭代次数为500,交叉概率为0.7);通过公式(11)计算路径规划方案集合中每个规划方案的适应度值;
S302b、从路径规划方案集合中随机选择,选择出的两个规划方案用于遗传操作;
S302c、对选择出的两个规划方案采用多分区段交叉算子进行交叉操作,从而得到两个新的规划方案,具体为:
步骤1、根据无人机编号分别将两条父代染色体Fα和Fβ分成|H|个区段;
步骤2、将父代染色体Fα和Fβ中相同区段染色体进行交叉操作,如图3所示。操作如下:
判断染色体区段Fαh和Fβh的第1行是否有相同的灾民聚集点,若没有相同灾民聚集点,则在染色体区段Fαh和Fβh中随机选择两个灾民聚集点,分别将区段Fαh和Fβh分成Fαh-1、Fαh-2、Fαh-3和Fβh-1、Fβh-2、Fβh-3各三个部分,将区段Fαh和Fβh分别按照Fαh-1-Fαh-3-Fβh-2和Fβh-1-Fβh-3-Fαh-2的顺序进行拼接,得到新的染色体区段Fγh和Fδh,如图3(a)所示;如果有一个相同的灾民聚集点,则选择Fαh和Fβh中该灾民聚集点后的基因位进行交换,得到新的染色体区段Fγh和Fδh,如图3(b)所示;
步骤3、根据无人机数量|H|重复步骤2,完成所有区段的交叉操作;
步骤4、根据无人机编号将所有染色体区段进行拼接合并,得到两条子染色体Fγ和Fδ。
S302d、以公式(11)计算两个新的任务路径规划方案的适应度值,即需求加权到达时间,与步骤S302b选择的两个任务路径规划方案的需求加权到达时间进行比较,若新的任务路径规划方案的需求加权到达时间小于其中一个随机选择的原先任务路径规划方案的需求加权到达时间时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案,若比较过程中,其中原先任务分配路径规划方案与的新的任务分配路径规划方案需求加权到达时间相等,则以公式(12)计算两个任务分配路径规划方案的飞行时长约束惩罚适应度函数值,若新的任务路径规划方案的飞行时长约束惩罚适应度函数值小于原先任务路径规划方案时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案;
S302e、重复步骤S302b~S302d,到达预设的最大迭代次数停止,得到较优任务路径规划方案集合,从规划方案集合中找出适应度值最小的方案,作为当前最优方案,进入局部搜索操作;
S302f、通过分区段局部搜索操作对当前任务路径规划方案进行多轮迭代更新,从而得到最优规划方案。通过多次邻域搜索,获得每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
分区段局部搜索操作包括:
随机从无人机集合H中选择两架无人机,根据无人机编号找到当前任务路径规划方案对应区段,从两个区段中各选择一个灾民聚集点,选择,将两个灾民聚集点进行交换,选择和交换过程避开区段中首位和最后一位基因,将交换后的区段根据无人机编号重新插入规划方案中,得到新的任务规划方案。
对任务路径规划方案进行分区段局部搜索操作时,当新任务规划方案适应度值小于先前任务规划方案适应度值时,新任务规划方案代替先前任务规划方案进行下一轮局部搜索。
本发明实施例还提供一种地震灾后无人机应急物资配送装置,该装置包括:
信息获取模块,用于获取救灾点信息、多个站点信息和无人机信息;
模型构建模块,用于基于救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
模型求解模型,用于通过混合遗传算法对多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
可理解的是,本发明实施例提供的地震灾后无人机应急物资配送装置与上述地震灾后无人机应急物资配送方法相对应,其有关内容的解释、举例、有益效果等部分可以参考地震灾后无人机应急物资配送方法中的相应内容,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,其存储用于地震灾后无人机应急物资配送的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的地震灾后无人机应急物资配送方法。
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地震灾后无人机应急物资配送方法。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例提出在地震灾后应急物资配送的场景下,确定不同的无人机进行物资配送的灾民聚集点,优化多架从不同站点出发的无人机的配送灾民聚集点的顺序,减少了无人机灾后物资的配送的飞行时长,提高物资配送效率,最大化异构无人机的使用效率,获得高质量解决方案。
2、本发明实施例采用的混合遗传算法使用双适应度策略,能够获得地震灾后无人机应急物资配送问题的满意解决方案,且算法的鲁棒性好,运行多次结果的结果差值小。
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)
1.一种地震灾后无人机应急物资配送方法,其特征在于,所述方法包括:
S1、获取救灾点信息、多个站点信息和无人机信息;
S2、基于所述救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
S3、通过混合遗传算法对所述多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
3.如权利要求1所述的地震灾后无人机应急物资配送方法,其特征在于,所述多站点多无人机配送模型约束条件,采用公式(2)至(10)来表示:
其中:
公式(2)表示每个灾民聚集点仅被访问一次;公式(3)表示灾民聚集点进出平衡约束;公式(4)表示每架无人机仅使用一次;公式(5)和公式(6)表示消除子路径约束,并确保每条路径无人机飞行时长不能超过无人机最大续航时长;公式(7)~(9)表示确保每条路径上灾民聚集点的总需求不能超过无人机能够承载的最大容量;公式(10)表示决策变量约束;
l、i和j为灾民聚集点编号,V为所有节点集合;D为无人机站点集合,N为灾民聚集点集合;h为无人机编号,H为无人机集合;为决策变量,编号为h的无人机从节点i到达节点j的路径;为决策变量,编号为h的无人机从节点l到达灾民聚集点i的路径;为决策变量,编号为h的无人机从灾民聚集点i到达节点j的路径;为决策变量,编号为h的无人机从节点r到达节点i的路径;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机访问灾民聚集点j后已飞行时长,为编号为h的无人机访问灾民聚集点i后已飞行时长,为编号为h的无人机访问灾民聚集点r后已飞行时长,Sh为编号为h的无人机的续航时间;q为一个标准包裹的重量;为到达灾民聚集点j之前无人机h的负载,为到达灾民聚集点i之前无人机h的负载;为编号为h的无人机送达点j的包裹数量;Qh为编号为h的无人机能够承载的最大容量;M为一个大的正整数。
4.如权利要求1~3任一所述的地震灾后无人机应急物资配送方法,其特征在于,所述步骤S3包括:
S301、基于灾点信息、多个站点信息、无人机信息和多站点多无人机配送模型获取无人机配送应急物资的初始任务规划方案集合;
S302、在混合遗传算法中引入双适应度评价策略,从初始任务规划方案集合中选择每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
5.如权利要求4所述的地震灾后无人机应急物资配送方法,其特征在于,所述双适应度评价策略包括:
需求到达时间适应度函数Fitn1和总飞行时长约束惩罚适应度函数Fitn2,计算公式如下:
其中,i和j为节点编号,V为所有节点集合;h为无人机编号,H为无人机集合;为编号为h的无人机从节点i到节点j的飞行时长;为编号为h的无人机从节点i到达节点j的路径;χ为参数惩罚权重;为到达灾民聚集点j之前无人机h的负载;Qh为编号为h的无人机能够承载的最大容量;
公式(11)的Fitn1适应度值是染色体表示的无人机配送路线的需求加权到达时间总和,Fitn1适应度值越小说明路径规划方案越优,公式(12)的Fitn2适应度值是染色体表示的无人机配送路线的飞行时长约束惩罚适应度函数值,Fitn2适应度值越小说明路径规划方案越优;
对于任务规划方案的比较,以Fitn1为主要适应度函数,在比较过程中出现两条路径规划方案的Fitn1值相同的情况下,比较两条路径规划方案Fitn2适应度值,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
6.如权利要求5所述的地震灾后无人机应急物资配送方法,其特征在于,所述步骤S302包括:
S302a、设置遗传算法的执行参数和通过公式(11)计算路径规划方案集合中每个规划方案的适应度值;
S302b、从路径规划方案集合中随机选择,选择出的两个规划方案用于遗传操作;
S302c、对选择出的两个规划方案采用多分区段交叉算子进行交叉操作,从而得到两个新的规划方案;
S302d、以公式(11)计算两个新的任务路径规划方案的适应度值,与步骤S302b选择的两个任务路径规划方案的需求加权到达时间进行比较,若新的任务路径规划方案的需求加权到达时间小于其中一个随机选择的原先任务路径规划方案的需求加权到达时间时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案,若比较过程中,其中原先任务分配路径规划方案与的新的任务分配路径规划方案需求加权到达时间相等,则以公式(12)计算两个任务分配路径规划方案的飞行时长约束惩罚适应度函数值,若新的任务路径规划方案的飞行时长约束惩罚适应度函数值小于原先任务路径规划方案时,则在任务路径规划方案集合中,由新的任务路径规划方案替换原先任务路径规划方案;
S302e、重复步骤S302b~S302d,到达预设的最大迭代次数停止,得到较优任务路径规划方案集合,从规划方案集合中找出适应度值最小的方案,作为当前最优方案,进入局部搜索操作;
S302f、通过分区段局部搜索操作对当前任务路径规划方案进行多轮迭代更新,得到最优规划方案,通过多次邻域搜索,获得每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
7.如权利要求6所述的地震灾后无人机应急物资配送方法,其特征在于,所述S302c包括:
步骤1、根据无人机编号分别将两条父代染色体Fα和Fβ分成|H|个区段;
步骤2、将父代染色体Fα和Fβ中相同区段染色体进行交叉操作,操作如下:
判断染色体区段Fαh和Fβh的第1行是否有相同的灾民聚集点,若没有相同灾民聚集点,则在染色体区段Fαh和Fβh中随机选择两个灾民聚集点,分别将区段Fαh和Fβh分成Fαh-1、Fαh-2、Fαh-3和Fβh-1、Fβh-2、Fβh-3各三个部分,将区段Fαh和Fβh分别按照Fαh-1-Fαh-3-Fβh-2和Fβh-1-Fβh-3-Fαh-2的顺序进行拼接,得到新的染色体区段Fγh和Fδh;如果有一个相同的灾民聚集点,则选择Fαh和Fβh中该灾民聚集点后的基因位进行交换,得到新的染色体区段Fγh和Fδh;
和/或
分区段局部搜索操作包括:
随机从无人机集合H中选择两架无人机,根据无人机编号找到当前任务路径规划方案对应区段,从两个区段中各选择一个灾民聚集点,选择,将两个灾民聚集点进行交换,选择和交换过程避开区段中首位和最后一位基因,将交换后的区段根据无人机编号重新插入规划方案中,得到新的任务规划方案;
对任务路径规划方案进行分区段局部搜索操作时,当新任务规划方案适应度值小于先前任务规划方案适应度值时,新任务规划方案代替先前任务规划方案进行下一轮局部搜索。
8.一种地震灾后无人机应急物资配送装置,其特征在于,所述装置包括:
信息获取模块,用于获取救灾点信息、多个站点信息和无人机信息;
模型构建模块,用于基于救灾点信息、多个站点信息和无人机信息,以需求加权到达时间之和最小化为目标构建多站点多无人机配送模型;
模型求解模型,用于通过混合遗传算法对多站点多无人机配送模型求解,获取每架无人机为一个或多个灾民聚集点进行物资配送的最优任务规划方案。
9.一种计算机可读存储介质,其特征在于,其存储用于地震灾后无人机应急物资配送的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~7任一所述的地震灾后无人机应急物资配送方法。
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任一所述的地震灾后无人机应急物资配送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839607.9A CN113762593B (zh) | 2021-07-23 | 2021-07-23 | 地震灾后无人机应急物资配送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839607.9A CN113762593B (zh) | 2021-07-23 | 2021-07-23 | 地震灾后无人机应急物资配送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762593A true CN113762593A (zh) | 2021-12-07 |
CN113762593B CN113762593B (zh) | 2023-06-09 |
Family
ID=78787882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839607.9A Active CN113762593B (zh) | 2021-07-23 | 2021-07-23 | 地震灾后无人机应急物资配送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762593B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114489065A (zh) * | 2022-01-20 | 2022-05-13 | 华中科技大学同济医学院附属同济医院 | 手术室医疗物资配送多机器人协同路径规划方法及其应用 |
CN117852847A (zh) * | 2024-03-08 | 2024-04-09 | 山东金宇信息科技集团有限公司 | 基于无人机的夜间地震灾后物资分配方法、设备及介质 |
CN114169828B (zh) * | 2021-12-08 | 2024-06-04 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
US20180190014A1 (en) * | 2017-01-03 | 2018-07-05 | Honeywell International Inc. | Collaborative multi sensor system for site exploitation |
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 |
US20200240792A1 (en) * | 2019-01-25 | 2020-07-30 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating driving path |
CN112911537A (zh) * | 2021-02-20 | 2021-06-04 | 广东工业大学 | 一种多无人机信息采集系统任务时间最小化的方法 |
CN113050688A (zh) * | 2021-03-22 | 2021-06-29 | 中国人民解放军国防科技大学 | 重点目标封控中多无人机协同搜索路径规划方法 |
-
2021
- 2021-07-23 CN CN202110839607.9A patent/CN113762593B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180190014A1 (en) * | 2017-01-03 | 2018-07-05 | Honeywell International Inc. | Collaborative multi sensor system for site exploitation |
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
US20200240792A1 (en) * | 2019-01-25 | 2020-07-30 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating driving path |
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 |
CN112911537A (zh) * | 2021-02-20 | 2021-06-04 | 广东工业大学 | 一种多无人机信息采集系统任务时间最小化的方法 |
CN113050688A (zh) * | 2021-03-22 | 2021-06-29 | 中国人民解放军国防科技大学 | 重点目标封控中多无人机协同搜索路径规划方法 |
Non-Patent Citations (3)
Title |
---|
任新惠等: "无人机车辆组合物流配送路径规划探讨", 飞行力学 * |
王挺等: "震后救援物质资源配送路径规划研究", 计算机仿真 * |
章密等: "基于遗传算法的多星调度方法", 合肥工业大学学报(自然科学版) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114169828B (zh) * | 2021-12-08 | 2024-06-04 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114489065A (zh) * | 2022-01-20 | 2022-05-13 | 华中科技大学同济医学院附属同济医院 | 手术室医疗物资配送多机器人协同路径规划方法及其应用 |
CN114489065B (zh) * | 2022-01-20 | 2023-08-25 | 华中科技大学同济医学院附属同济医院 | 手术室医疗物资配送多机器人协同路径规划方法及其应用 |
CN117852847A (zh) * | 2024-03-08 | 2024-04-09 | 山东金宇信息科技集团有限公司 | 基于无人机的夜间地震灾后物资分配方法、设备及介质 |
CN117852847B (zh) * | 2024-03-08 | 2024-05-24 | 山东金宇信息科技集团有限公司 | 基于无人机的夜间地震灾后物资分配方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113762593B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | The battery charging station location problem: Impact of users’ range anxiety and distance convenience | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
Saeidian et al. | Evaluation and comparison of Genetic Algorithm and Bees Algorithm for location–allocation of earthquake relief centers | |
CN113762593A (zh) | 地震灾后无人机应急物资配送方法和装置 | |
CN113762594B (zh) | 车机协同配送灾后救援物资的路径规划方法和装置 | |
CN113885555A (zh) | 面向输电线路密集通道巡检的多机任务分配方法和系统 | |
CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
CN110288118A (zh) | 一种基于无人机的空中救援响应方法 | |
CN113703472A (zh) | 多无人机与车辆协同巡检的路径优化方法和装置 | |
CN113962481B (zh) | 一种应急物资的资源配置方法、装置和服务器 | |
Parragh et al. | A survey on pickup and delivery models Part II: Transportation between pickup and delivery locations | |
Jossé et al. | Probabilistic Resource Route Queries with Reappearance. | |
CN114707745A (zh) | 一种资源分配方法、系统、存储介质及电子设备 | |
Baharmand et al. | A Framework for Shelter Location Decisions by Ant Colony Optimization. | |
CN110895749A (zh) | 一种用于应急物流的定位-路径规划方法 | |
Huo et al. | [Retracted] Research on Solving Postdisaster Material Distribution and Scheduling with Improved NSGA‐II Algorithm | |
RUSS et al. | Optimising the design of multimodal freight transport network in Indonesia | |
CN113759959B (zh) | 针对应急物资配送的无人机路径规划方法和装置 | |
Feng et al. | A two-step sub-optimal algorithm for bus evacuation planning | |
CN113741418A (zh) | 异构车机编队协同路径的生成方法和装置 | |
Adsanver et al. | A predictive multistage postdisaster damage assessment framework for drone routing | |
Zarepor Ashkezari et al. | Location Allocation of Earthquake Relief Centers in Yazd City Based on Whale Optimization Algorithm | |
Yang et al. | Planning of location and path for urban emergency rescue by an approach with hybridization of clustering and ant colony algorithm | |
Shimi et al. | A multi-objective decision-based solution (MODM) for facility location-allocation problem using cuckoo search and genetic algorithms | |
CN116957303B (zh) | 面向洪涝灾害场景的应急响应调度决策方法及系统 |
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 |