CN114254822B - 一种基于物联网技术的无人机配送网络优化模型及其求解算法 - Google Patents

一种基于物联网技术的无人机配送网络优化模型及其求解算法 Download PDF

Info

Publication number
CN114254822B
CN114254822B CN202111557611.2A CN202111557611A CN114254822B CN 114254822 B CN114254822 B CN 114254822B CN 202111557611 A CN202111557611 A CN 202111557611A CN 114254822 B CN114254822 B CN 114254822B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
node
nodes
delivery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111557611.2A
Other languages
English (en)
Other versions
CN114254822A (zh
Inventor
裴植
翁克彪
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202111557611.2A priority Critical patent/CN114254822B/zh
Publication of CN114254822A publication Critical patent/CN114254822A/zh
Application granted granted Critical
Publication of CN114254822B publication Critical patent/CN114254822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (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

本发明公开了一种基于物联网技术的无人机配送网络优化模型及其求解算法，模型的建模过程包括：1）对无人机配送中的状态参数以及变量进行定义；2）确定无人机配送网络优化模型的目标函数：建模中无人机完成所有订单的时间总和最小，使无人机在配送中能均匀服务每一个顾客并且使总体服务时间最小化；3）模型需满足一定的约束条件，对于无人机初始位置节点只存在流出的弧，对于无人机最终汇总节点只存在流入的弧；对于取货节点和送货节点而言，必须满足流平衡约束。本发明专利主要包含对无人机配送网络的优化建模，将无人机配送建模成一个混合整数规划问题，并提出了一种算法用于求解和优化无人机配送网络，使无人机配送网络实现更加智能的运行。

Description

一种基于物联网技术的无人机配送网络优化模型及其求解 算法
技术领域
本发明涉及一种基于物联网技术的无人机配送网络优化模型及其求解算法。
技术背景
近年来随着互联网科技的快速发展，越来越多的城市开始走智慧城市的发展道路。智慧城市的核心要素就是智能化、自动化和便捷化。在智慧城市的发展中，物流的快速发展起到了不可替代的角色。高效便捷化的物流运输系统是快速发展智慧城市的核心技术，随着人民生活水平的不断提高，人们对物流的要求也在不断提升。高效、便捷、智能等诸多要素成为了现代化物流发展的核心要素。2020年初，新冠疫情在我国国内爆发，举国进入抗疫状态。在疫情期间由于人员流动的限制和人员接触的限制，对传统的物流带来了很大的考验，面对这种无接触式的物流模式需求，传统的物流运作方式显得有些力不从心。而在本次疫情中，无人机配送模式显示出了其强大的优势。
在本次抗击疫情中，无人机的身影出现在高速路口、乡间村落、城市楼宇、田间农地、医院工厂等重要场所。无人机配送物流的模式其实并不是近几年才提出的，在2013年亚马逊的Prime Air无人机在新兴科技大会上第一次面世首飞时无人机配送的物流模式就开始逐渐发展起来。到2015年亚马逊在英国剑桥附近开始对无人机进行各项测试，再到2016年12月第一次使用无人机配送货物，无人机配送的物流模式开始逐渐走进现代化城市发展的道路上来。相比较于国外，我国国内无人机配送技术的发展较为滞后，国内无人机研发的历史相对较短，主要运用于军事当中，但是随着军民融合的不断深入，商用无人机在国内也得到了快速的发展，国内多家大型企业均开始研究无人机配送的相关核心技术，其中包括京东、顺丰、菜鸟网络、大疆等知名企业。
在发展无人机配送模式中，会遇到许多技术上的难题。目前无人机的关键技术包括航电控制系统、锂电池技术、无人机机群协作调度系统、视觉识别技术、图形跟踪技术、自动避障及起降技术等。随着科技的不断进步，对无人机的配送里程也提出更高的要求。而提高无人机的运行里程的关键技术就是发展高能量密度的锂电池，但是高密度锂电池技术发展十分困难，尤其是研发适用于长飞行距离的供电锂电池。因为无人机使用的锂电池不仅要求其具有高能量密度，并且有非常严格的重量要求。无人机最大起飞重量是根据飞机类型而恒定的，如果锂电池的重量过大，就会降低无人机的有效载重。为了解决无人机配送里程的技术问题，近年来开始发展无人机换电技术。无人机换电技术就是在无人机降落无人站后，在卸货的同时完成无人机锂电池的更换。这样一来不仅解决了无人机卸货问题，还大大提高了无人机二次配送的飞行里程。
在实际的应用中，传统的无人机在执行配送任务时往往都会受限于里程问题，由于飞行里程的制约，使得无人机的服务范围十分狭窄，不能做到周边的全覆盖式服务。例如在抗疫期间，偏远山区医院的病人需要很多医疗物资，但是由于目的地较为偏远，传统的无人机配送模式不能覆盖，此时解决的方案往往是人为驱车前往。这种服务模式虽然解决了没有时限要求的服务需求，但当出现的配送任务有时限要求时，例如需要紧急配送血液或者器官时往往就无从下手。而采用无人机全自动换电站后，无人机起飞后只需要在调度系统的指令下自动降落到途中一个换电站完成自动换电后就能快速前往偏远目的地完成配送任务。无人机配送的服务范围会随全自动换电站的设立大幅度提升，也将会有更多人享受到无人机配送模式的便捷。我们要做的不仅是实现“最后一公里”的全自动配送，还要实现的是最大化“最后一公里”的服务范围，让更多的人享受现代化的物流服务。
无人机配送网络中引入自动换电技术后无人机配送的效率和配送里程将会大大提升，本发明设计的无人机配送网络优化模型和求解算法，能够有效的根据实际货物的载重和货物配送的里程来计算出无人机的实际耗电量，再来判断无人机是否需要在当前节点进行换电操作。如果无人机在该节点进行换电，那么就会产生一个换电时间。在传统的配送网络优化中，往往都是假设无人机每配送完一个顾客后就必须进行换电，这就大大降低了电池的利用效率和总体的配送效率。本发明设计的模型就能很好的解决这个问题，总体配送效率大大提升。此外本发明设计的求解算法是基于遗传算法框架设计的，能够在短时间内求解问题的解，更加适用于实际企业中的运行。
发明内容
一种基于物联网技术的无人机配送网络优化模型，其特征在于建模过程如下：
1)基于无人机配送网络中，对无人机配送中的状态参数以及变量进行定义，参数符号定义如下：
3.1符号定义：
K＝{1,2,3,…,k}:无人机编号集合；
P＝{k+1,k+2,…,k+n}:无人机取货节点集合；
D＝{k+n+1,k+n+2,…,k+2n}:无人机送货节点集合；
K'＝{1,2,3,…,k}:无人机初始位置节点集合；
S＝{k+2n+1}:无人机最终汇总节点集合；
N＝{K',P,D,S}:所有节点集合；
A＝{(i,j)|i∈N\{k+2n+1},j∈N\K',i≠j}:节点连接弧；
G＝(N,A):节点图；
n:订单数；
Z:网络中无人站节点集合；
qi:无人机网络节点i的载重需求；
di:无人机网络节点i的服务时间；
[ai,bi]:无人机网络节点i的服务时间窗；
Q:无人机的最大载重(kg)；
W:无人机空载起飞重量(kg)；
v＝10m/s:无人机飞行速度；
cij:无人机从节点i到节点j的飞行成本；
tij:无人机从节点i到节点j的飞行时间(s)；
Δt:无人机自动换电所消耗的时间(s)；
σ:无人机锂电池满电能量(kwh)；
α:无人机锂电池能量密度(kw/kg)；
M：一个非常大的正整数，例如M为106以上的正整数。
3.2变量：
如果无人机k从节点i飞到节点j，那么/>否则/>
zi:如果无人机在节点i进行换电操作，那么zi＝1，否则zi＝0；
Bi：无人机离开节点i的时间；
Qi：无人机离开几点i的载重量；
无人机到达节点i的累计耗电量；
无人机离开节点i的累计耗电量；
2)确定无人机配送网络优化模型的目标函数：
本发明建模中，系统会有一个接受订单的时间。在这个时间中，系统主要的工作是接受随机产生订单。每一个订单都会有一个要求服务的时间窗[ai,bi],其中ai是无人机最早到达节点i的时间，bi是无人机最晚到达节点i的时间。根据实际运行中的情况，每一个顾客都希望自己一下单就会有无人机进行配送服务，所以对每一个节点的最早到达的时间窗ai设定为0，即ai＝0。根据问题特征，在无人机配送网络中存在取货节点集合P和配送节点集合D。每一个取货节点p∈P到送货节点d∈D都有一个飞行时间tij，并且需要保证对应的取货节点i和送货节点i+n是由同一架无人机进行服务的，否则会出现错乱的现象。对于整个无人机配送网络而言，需要优化的是无人机完成所有订单的时间总和最小，这样就能使得无人机在配送中能够均匀服务每一个顾客并且使得总体服务时间最小化。
目标函数表达式：
设计建模中的目标函数为最小化所有配送节点完成的时间和，这样设计目标函数使得在求解时算法不会只专注于某一个订单。算法会在求解过程中均匀对待每一个需要配送的订单，使得总体配送时间最短。
3)模型需满足如下约束条件：
本发明专利设计的一种基于物联网技术的无人机配送网络优化模型中引入了实际无人机配送中的约束，相比较于传统的配送网络优化求解算法和建模方式，该模型更加符合实际的配送网络和配送条件。
首先是每个节点的流入流出约束，对于无人机初始位置节点(i∈k')，这些节点中不会存在流入的弧，只会存在流出的弧，并且流出的节点不能属于送货节点，只能是取货节点P或者终点S。于是得到下面的流约束公式(4)：
在该约束中，我们设计了每一个节点i＝k,因为在网络节点图当中，产生的无人机初始节点位置和无人机的编号是一一对应的，所以必须使得i＝k，这也是该模型区别于传统的流约束的一个方面，这样做能使得模型求解的难度降低。
除了无人机初始节点需要进行流约束，取货节点和配送节点及其终点都需要进行流约束。对于终点而言，只能流入不能流出，所以网络节点图中只有流向终点的弧，没有从终点流出来的弧，对于取货节点和送货节点而言，必须满足流平衡约束。即流入的弧等于流出的弧，并且需要保证取货对应的取货节点必须在配送节点之前被同一架无人机访问。因为在实际的无人机配送网络中，一个顾客的订单一定是由同一架无人机服务的，并且一定是满足先去取货再去送货。所以对于取货集合P和配送集合D中的节点需要满足的约束更多。具体约束如下公式(2-6)所示：
表达式(2)表示每一个顾客的服务都有且只有一架无人机进行服务；
表达式(3)表示一组取货节点和送货节点必须由同一架无人机进行服务；
表达式(4)表示每一架无人机都只从一个初始位置节点出发；
表达式(5)表示对于取货节点和送货节点必须满足流平衡约束；
表达式(6)表示每一架无人机最后必须回到最终汇总节点；
在本发明专利中，无人机配送时都考虑了时间窗。无人机必须在每个节点的时间窗范围中完成对当前节点的访问，并且当无人机需要在当前节点进行换电操作时，还需要额外加上一个自动换电的时间Δt,在模型中设计了为无人机更换电池的时间Δt为一个常数。并且所有订单的完成时间必须在承诺送达时间以内，此外节点和节点之间的时间逻辑也必须通过约束体现出来。除了时间约束之外，无人机在网络节点中需要不断地取货和送货，所以无人机在每一个节点都有对应的载重，在取货节点无人机载重会增加qi,i∈P，当无人机来到送货节点时，无人机载重会减少qi,i∈D。无人机最大起飞重量也必须进行限制，例如，根据实际无人机配送中的情况，无人机空载重量约为10千克，最大有效载重为3千克。所以每一架无人机飞行时，机舱内地货物总重量不能超过无人机最大有效载重3千克。
将无人机的时间和载重考虑到模型中后，就需要进行换电的约束。由于无人机到一个节点后需要考虑当前无人机剩余可用电量是否能满足无人机下一个路程的飞行。如果无人机下一个飞行路程所需要的电量大于当前可用电量，那么无人机就需要在该节点进行换电操作。此时就会出现节点电量突变的现象，例如当无人机飞到节点2时无人机的耗电量为85kwh,无人机后一路程所需要的电量为25kwh。而无人机满电电量为100kwh，所以无人机就必须在节点2进行换电，一旦换电后则节点2的耗电量就会突变成0。此时就出现了突变现象，由原来的85kwh突变为0kwh，如图1所示。
如图1所示，节点2出现了两种不同的耗电量，使得耗电量曲线不连续。在建模时就会导致模型不可行，这也是很多网络配送建模时不考虑换电的原因之一。在本发明专利中提出了一种新的处理换电约束的建模方式，就是在每一个节点都由到达该节点的耗电量和离开该节点的耗电量/>表示，当无人机不需要在当前节点进行换电操作时，/>当无人机需要在该节点进行换电操作时，/>用/>来对应当前节点之前的耗电量，如图2所示。具体约束如下(7-20)所示。
表达式(7)表示无人机网络节点上的时间逻辑约束；
表达式(8)表示无人机网络节点上的载重逻辑约束；
表达式(9)表示无人机必须先去取货才能去对应节点送货；
表达式(10)表示无人机到达网络节点的耗电量约束；
表达式(11)表示换电后无人机网络节点的耗电量约束；
表达式(12)表示换电前后无人机网络节点的耗电量约束；
表达式(13)表示无人机离开节点的耗电量和到达节点时的耗电量之间的关系；
表达式(14)表示换电后对下一无人机网络节点耗电量的约束；
表达式(15)表示对于所有无人机起始节点的耗电量约束；
表达式(16)表示无人机网络节点的时间窗约束；
表达式(17)表示无人机网络节点的载重约束；
表达式(18)表示对于无人机起始节点和终点的换电和载重约束；
表达式(19)-(20)均表示变量的类型。
所述的一种基于物联网技术的无人机配送网络优化模型的求解算法，其特征在于采用遗传算法对模型进行求解，包括以下过程：
本发明专利将无人机配送网络建模成一个混合整数规划模型，并设计了基于遗传算法的求解算法。在设计求解算法中，首先需要根据这个混合整数规划模型和问题特征设计编码和解码的法则。在本发明专利中，选择基于遗传算法的求解算法。遗传算法具有适用性强、收敛性好、求解速度快等诸多优点。在求解大规模调度问题中，选择遗传算法来进行求解能在较短求解时间内得到好的求解结果，更加适用于企业级的实际应用场景。遗传算法是一种基于生物进化而设计的求解算法，设计遗传算法中，首先需要确定染色体特征。每一条染色体的基因位的编码和解码方式，每一条染色体就代表一个解。除了确定染色体的特征，还需要设计遗传算法中交叉的类型和编译的准则。将这些特征全部设计好后，就可以使用遗传算法进行求解。求解的流程如下图3所示。
1)确定染色体特征:
本次染色体的编码方式选择为二进制编码，每个基因位由二进制数0和1表示，其中0表示该基因位不被访问，1表示该基因位被访问。设计好染色体的编码方式后就需要确定染色体的长度，本次设计的算法中染色体的长度会根据订单数量n、无人机数量K和换电站数量Z来确定:L＝(K+2n+Z+1)*K，Z＝2n。假设有3架无人机、2个订单。那么染色体的长度就是36，该染色体是一个维数为3X12的矩阵，如下图4所示。
从图4中可以得知，目前有3架无人机，初始化节点位置为无人机1在节点1，无人机2在节点2，无人机3在节点3。其中目前系统中有两个订单需要配送，一个订单是从节点4到节点5，另外一个订单是从节点5到7。从图4中的染色体各架无人机的基因的数字可以得知，无人机1的路线为1-4-6-8，再根据换电节点的取值可以知道无人机1没有在任何一个节点进行换电操作。同样无人机2的路线为2-5-7-8，途中也没有进行换电操作。无人机3的路线为3-8，直接从起始节点飞往终点，中途没有进行换电操作。
2)初始化种群操作和选择：
在利用遗传算法求解无人机配送网络时，需要初始化种群，种群的规模是根据问题的特征需要单独设计的。设计种群规模的数值大小，本发明专利中设计种群规模为200。在初始化种群时，会根据订单数量自动生成染色体矩阵。在初始化过程中，会先给每一架无人机按照订单顺序进行随机分配。在分配中必须满足取货节点和对应的送货节点的无人机是同一架,此外初始化中默认所有无人机的取配送节点都不进行换电操作，所有换电节点的基因数值为0。每一架无人机最多只能分配给一个订单，当订单的数量小于无人机数量时，后面的无人机就不需要完成任何订单的配送，只需要从起始节点直接到终点即可。初始化完成后就会自从生成数量等于种群规模数的矩阵。初始化完成后，就需要选择染色体进行变异和交叉操作，本发明专利中的选择机制是基于轮盘赌的选择方式，通过轮盘赌来选择对应的染色体进行变异和交叉操作。
3)染色体基因位变异操作：
完成种群的初始化操作后，就需要进行染色体的变异操作。本发明专利设计中染色体变异基因片段是取货节点和送货节点并且变异过程中必须满足一一对应的关系，也就是一个取货节点i,由0变异为1后，对应的送货节点n+i,i∈P也需要从0变异为1。变异完成后需要将该无人机的路线进行耗电量计算，如果中途需要换电，那么对应的换电节点的数值也会由原来的0变成1，并且变异的基因位的所在的列只能存在一个不为0的位置，其余均变成0，最终生成一条合法的染色体。过程图如下图5所示。
4)染色体交叉操作：
染色体交叉操作是指两两条染色体的对应基因位置的信息进行交叉，交叉后就会得出新的染色体，如果新的染色体的适应度好于父代，那么新的染色体就会被保留。本发明专利中染色体的交叉是在取货和送货节点片段内，交叉必须满足一一对应关系，交叉完后所在其余数值均为0。如下图6所示。
设有父代染色体Parent1和Parent2，POX交叉法产生子代染色体Children1和Children2，POX交叉的具体流程如下：
(1)随机产生无人机和订单节点及换电节点{0,1,2,3,…,k+4n+1}的两个非空集合Parent1和Parent2；
(2)在Parent1和Parent2中的{k+1,…,k+2n+1}片段进行交叉，交叉后将产生Children1和Children2。
(3)将Children1和Children2中交叉对应位置进行一一对应，满足配送节点和取货节点同步交叉，使得对应节点必须由同一架无人机服务。
(4)将Children1和Children2中染色体矩阵的各列其余基因位信息进行检查，满足每一列只有一个基因位等于1的子代被保留。
(5)检查子代(Children)染色体的适应度函数，如果大于父代(Parent)，那么对应的父代(Parent)就会被删除。如果子代(Children)的适应值小于父代(Parent)，那么从新生成新的子代(Children)。
5)适应度函数设计：
在求解算法中，设计的目标函数是最小化问题，而在遗传算法的机制中，适应度指越高那么被选中的概率也就越大，所以需要设计最大化的适应度函数，并且又要满足模型中最小化的问题。本发明专利设计了基于最小化各个配送节点的完成时间和的适应度函数f(x)。
6)算法终止准则设计：
在求解算法中，需要设计算法迭代的终止条件。在无人机的配送网路中，算法的求解时间往往是限定的。企业需要在较短时间内获得每架无人机的配送路线，所以算法的总的运行时间需要限定在T内。所以本次设计的求解算法中设计的终止条件之一为算法的运行时间小于T。此外算法还需要设定算法的最大求解迭代次数，本次设计最大迭代次数为C。
本发明取得的有益效果是：
本发明专利主要设计了一种基于物联网技术的无人机配送网络优化与求解算法。随着科学技术的不断发展，万物互联的智能生活方式逐渐走进人们的生活中。在物流配送中，快捷、高效、智能的物流技术成为了当下智慧城市建设的重点。而无人机配送正是快捷、高效和智能物流的最好体现。本发明专利提出的基于物联网技术的无人机配送网络优化建模与求解算法正是针对当前无人机配送网络而设计的智能建模方法与求解算法。本发明专利主要包含对无人机配送网络的优化建模，将无人机配送建模成一个混合整数规划问题，并且提出了一种算法用于求解和优化无人机配送网络，使得无人机配送网络实现更加智能的运行。本发明专利与传统的网络优化建模问题不同，通常的配送网络中只考虑了配送的容量限制和时间窗限制。而本发明专利中不仅考虑了无人机的配送容量限制，还考虑了货物的重量对无人机耗电的影响，无人机的实际耗电量会随着货物的重量改变。此外本发明专利还有一个区别其它模型的地方就是考虑了无人机到达无人机站后的剩余可用电量是否能满足无人机下一个订单的配送，如果剩余电量不能满足该无人机下一个订单的配送，此时系统会决策该无人机需要在该无人站进行换电。如果剩余电量能够满足无人机下一个订单的配送，此时无人机就不需要进行自动换电，直接从该无人站起飞，从而提高了无人机在实际中的配送效率和锂电池的使用效率。
换电的决策需要通过算法进行自动识别，而不是通过人工去检测电池的剩余电量来决策，所以建模时就必须引入是否换电的决策变量。在发明专利中考虑了无人机的实际无人站点和建模中网络节点的对应关系，在实际的配送物流中，无人站的数量是较少的，每一个无人站会有多架无人机进行访问，所以将实际的无人站和模型中的网络节点进行对应也是建模时需要考虑的。将无人机配送网络中的节点分为四类，第一类是初始化无人机所在的位置节点，这些节点的数量是根据系统中无人机的实际数量来确定的，如果有k架无人机，那么初始位置节点就有k个。第二类是无人机需要取货的节点(pickup),这些节点需要无人机完成取货。第三类是需要无人机完成配送的节点(delivery)，这些节点需要无人机将取到的货物进行配送。在整个无人机配送网络优化中，无人机必须先去对应节点取货，然后才能去对应的配送节点完成配送。但是无人机可以依次取完所有货物再去配送，也可以先取一个货物再去配送一个获取，然后再继续取货，再完成配送。这两种方式的配送效率和耗电量完全不同，哪一种更加高效需要通过算法进行求解，然后决策处每一架无人机实际的路线和需要换电的位置。算法最后输出的就是每一架无人机的路线和换电的位置。本发明专利中无人机的自动起降和自动换电技术全部是基于物联网技术，无人机通过视觉和超声波技术完成全自动起降，再利用RFID技术和机械手技术完成无人机的全自动换电技术。当订单到达后，系统会计算出这批订单的最优配送路线及其每一架无人机需要换电的位置，然后将整个数据上传到云端，无人机和无人站利用蜂窝网络能随意访问云端数据，以便于获取自己的数据任务。当无人机和无人站获取到自己的任务后就会进行配送。无人机会沿着系统求解出来的路线进行取货和送货，然后到达指定换电位置进行换电。每个无人站都是集取送货和换电与一体的自动无人站，所以无人机可以在任何一个起降的无人站进行换电操作。
附图说明
图1为换电后节点耗电量突变示意图；
图2为换电后耗电量变化示意图；
图3为遗传算法流程图；
图4为染色体特征图；
图5为染色体变异过程图；
图6为染色体交叉过程图；
图7为无人机配送系统流程图；
图8为实施例1中染色体生成图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
一种基于物联网技术的无人机配送网络优化建模与求解算法，建模过程如下：
4.1符号定义：
K＝{1,2,3,…,k}:无人机编号集合；
P＝{k+1,k+2,…,k+n}:无人机取货点集合；
D＝{k+n+1,k+n+2,…,k+2n}:无人机送货节点集合；
K'＝{1,2,3,…,k}:无人机初始位置节点集合；
S＝{k+2n+1}:无人机最终汇总点集合；
N＝{K',P,D,S}:所有节点集合；
A＝{(i,j)|i∈N\{k+2n+1},j∈N\K',i≠j}:节点连接弧；
G＝(N,A):节点图；
qi:节点i的载重需求；
di:节点i的服务时间；
[ai,bi]:节点i的服务时间窗；
Q:无人机的最大载重(kg)；
W:无人机空载起飞重量(kg)；
v＝10m/s:无人机飞行速度；
cij:从节点i到节点j的飞行成本；
tij:从节点i到节点j的飞行时间(s)；
Δt:无人机自动换电所消耗的时间(s)；
σ:无人机锂电池满电能量(kwh)；
α:无人机锂电池能量密度(kw/kg)；
M：一个非常大的正整数；
4.2变量：
如果无人机k从节点i飞到节点j，那么/>否则/>
zi:如果无人机在节点i进行换电操作，那么zi＝1，否则zi＝0；
Bi：无人机离开节点i的时间；
Qi：无人机离开几点i的载重量；
无人机到达节点i的累计耗电量；
无人机离开节点i的累计耗电量；
无人机配送网络优化的建模与求解算法公式如下：
表达式(1)表示目标函数为最小化所有配送节点的时间和；
表达式(2)表示每一个顾客的服务都有且只有一架无人机进行服务；
表达式(3)表示一组取货和送货节点必须由同一架无人机进行服务；
表达式(4)表示每一架无人机都只从一个初始位置出发；
表达式(5)表示对于取货节点和送货节点必须满足流平衡约束；
表达式(6)表示每一架无人机最后必须回到终点；
表达式(7)表示网络节点上的时间逻辑约束；
表达式(8)表示网络节点上的载重逻辑约束；
表达式(9)表示无人机必须先去取货才能去对应节点送货；
表达式(10)表示到达网络节点的耗电量约束；
表达式(11)表示换电后网络节点的耗电量约束；
表达式(12)表示换电前后网络节点的耗电量约束；
表达式(13)表示离开的耗电量和到达时的耗电量之间的关系；
表达式(14)表示换电后对下一网络节点耗电量的约束；
表达式(15)表示对于所有无人机起始节点的耗电量约束；
表达式(16)表示节点的时间窗约束；
表达式(17)表示节点载重约束；
表达式(18)表示对于无人机起始节点和终点的换电和载重约束；
表达式(19)-(20)表示变量的类型；
在系统接受订单过程中会有一个订单接受时间窗，在这个时间内系统将订单进行收集，然后以成批的形式将该批订单送入调度系统中进行调度计算，最后将求解结果上传云端，云端再将配送任务下传到无人站，最后利用物联网技术分配给无人机。求解算法基于遗传算法进行求解，算法会根据订单的数量，无人机的数量来自适应染色体的长度，并根据设计的编码和解码方式进行运算，染色体的选择、交叉和变异均需按照算法设计的准则进行。
实施例1(无人机配送系统流程图如图7所示)
本实施例1作为一个算例，进行验证上述于基于物联网技术的无人机配送网络的优化和求解算法的科学性和有效性：
(1)系统开始接受订单，此时系统可以自行设定该时间窗的长度，本案例中是设定接受订单时间为10min。在该时间窗中由三个订单到达，配送信息如下表1-3所示。获得配送订单信息后，系统会获取无人机所在的无人站位置，并会将订单的配送站点对应到网络节点编号，生成染色体编码信息。假设系统中有3架无人机，初始站点分别位于1、2、3号无人站待命。于是生成如下图8所示染色体。
表1算法基本参数表
表2无人站之间的距离及飞行时间分布表
表3配送订单信息
订单编号 取货无人站 配送无人站 时间窗(s) 配重(kg)
1 2 3 [0，1500] 0.3
2 1 6 [0，800] 0.6
(2)根据无人站之间的距离和飞行时间信息表可以获得各个节点之间的飞行成本，在利用算法进行求解，并决策无人机在何处进行换电。在求解中需要将网络节点和实际的无人站进行转化，调取无人站之间的信息，以获得网络节点之间的信息。
(3)使用遗传算法进行求解的流程图如图3所示，在求解算法中，设计的目标函数是最小化问题，而在遗传算法的机制中，适应度指越高那么被选中的概率也就越大，所以需要设计最大化的适应度函数，并且又要满足模型中最小化的问题。本发明专利设计了基于最小化各个配送节点的完成时间和的适应度函数f(x)。
(4)然后确定染色体特征，本次染色体的编码方式选择为二进制编码，每个基因位由二进制数0和1表示，其中0表示该基因位不被访问，1表示该基因位被访问。设计好染色体的编码方式后就需要确定染色体的长度，本次设计的算法中染色体的长度会根据订单数量n、无人机数量K和换电站数量Z来确定:L＝(K+2n+Z+1)*K，Z＝2n。有3架无人机，假设有2个订单，那么染色体的长度就是36，该染色体是一个维数为3X12的矩阵，如图4所示。然后根据规则对种群中的染色体进行选择操作，通过交叉和变异来形成新的种群。
其中，染色体变异过程图可参见图5中，染色体交叉过程图参见图6中。
(5)迭代，设定适合的进化代数，当迭代次数大于预先设定的进化代数或达到收敛条件时，结束寻优。
(6)通过无人机配送网络的优化模型算法求解得到的结果与传统算法求解结果进行比较，可以发现无人机配送网络的优化模型算法在寻优效率和收敛速度方面均优于传统算法。

Claims (2)

1.一种基于物联网技术的无人机配送网络优化模型，其特征在于建模过程如下：
1)基于无人机配送网络中，对无人机配送中的状态参数以及变量进行定义，参数符号定义如下：
K＝{1,2,3,…,k}:无人机编号集合；
P＝{k+1,k+2,…,k+n}:无人机取货节点集合；
D＝{k+n+1,k+n+2,…,k+2n}:无人机送货节点集合；
K'＝{1,2,3,…,k}:无人机初始位置节点集合；
S＝{k+2n+1}:无人机最终汇总节点集合；
N＝{K',P,D,S}:所有节点集合；
A＝{(i,j)|i∈N\{k+2n+1},j∈N\K',i≠j}:节点连接弧；
G＝(N,A):节点图；
n:订单数；
Z:网络中无人站节点集合；
qi:无人机网络节点i的载重需求；
di:无人机网络节点i的服务时间；
[ai,bi]:无人机网络节点i的服务时间窗；
Q:无人机的最大载重，kg；
W:无人机空载起飞重量，kg；
v:无人机飞行速度，m/s；
cij:无人机从节点i到节点j的飞行成本；
tij:无人机从节点i到节点j的飞行时间，s；
Δt:无人机自动换电所消耗的时间，s；
σ:无人机锂电池满电能量，kwh；
α:无人机锂电池能量密度，kw/kg；
:如果无人机k从节点i飞到节点j，那么/>否则/>
zi:如果无人机在节点i进行换电操作，那么zi＝1，否则zi＝0；
Bi：无人机离开节点i的时间；
Qi：无人机离开节点i的载重量；
:无人机到达节点i的累计耗电量；
:无人机离开节点i的累计耗电量；
2)确定无人机配送网络优化模型的目标函数：
建模中无人机完成所有订单的时间总和最小，使得无人机在配送中能够均匀服务每一个顾客并且使得总体服务时间最小化，目标函数表达式如下：
上述目标函数为最小化所有配送节点完成的时间和，使得在求解时算法不会只专注于某一个订单，算法会在求解过程中均匀对待每一个需要配送的订单，使得总体配送时间最短；
3)模型需满足如下约束条件：
首先是每个节点的流入流出约束，对于无人机初始位置节点i∈k'，这些节点只存在流出的弧，流向的节点是取货节点P或者终点S；
对于无人机最终汇总节点，这些节点只存在流入的弧；
对于取货节点和送货节点而言，必须满足流平衡约束，即流入的弧等于流出的弧，且取货对应的取货节点需在送货节点之前被同一架无人机访问，由此在无人机配送网络中，一个顾客的订单是由同一架无人机服务的，并且满足先去取货再去送货，模型建立过程中的约束公式如下：
表达式(2)表示每一个顾客的服务都有且只有一架无人机进行服务；
表达式(3)表示一组取货节点和送货节点必须由同一架无人机进行服务；
表达式(4)表示每一架无人机都只从一个初始位置节点出发；
表达式(5)表示对于取货节点和送货节点必须满足流平衡约束，即流入的弧等于流出的弧；
表达式(6)表示每一架无人机最后回到最终汇总点；
模型建模的过程中，还包括无人机进行换电的约束过程，由于无人机到一个节点后需要考虑当前无人机剩余可用电量是否能满足无人机下一个路程的飞行，如果无人机下一个飞行路程所需要的电量大于当前可用电量，那么无人机就需要在该节点进行换电操作，此时就会出现节点电量突变的现象，对此换电约束的建模方式是：在每一个节点都由到达该节点的耗电量和离开该节点的耗电量/>表示，当无人机不需要在当前节点进行换电操作时，/>当无人机需要在该节点进行换电操作时，/>用/>来对应当前节点之前的耗电量；具体模型建立过程中进行换电的约束公式如下：
表达式(7)表示无人机网络节点上的时间逻辑约束公式；
表达式(8)表示无人机网络节点上的载重逻辑约束公式；
表达式(9)表示无人机必须先去取货才能去对应节点送货；
表达式(10)表示无人机到达网络节点的耗电量约束公式；
表达式(11)表示换电后无人机网络节点的耗电量约束公式；
表达式(12)表示换电前后无人机网络节点的耗电量约束公式；
表达式(13)表示无人机离开节点的耗电量和到达节点时的耗电量之间的关系；
表达式(14)表示换电后对下一无人机网络节点耗电量的约束公式；
表达式(15)表示对于所有无人机起始节点的耗电量约束公式；
表达式(16)表示无人机网络节点的时间窗约束公式；
表达式(17)表示无人机网络节点的载重约束公式；
表达式(18)表示对于无人机起始节点和终点的换电和载重约束公式；
表达式(19)-(20)均表示变量的类型。
2.如权利要求1所述的一种基于物联网技术的无人机配送网络优化模型的求解算法，其特征在于采用遗传算法对模型进行求解，包括以下过程：
1)确定染色体特征:
染色体的编码方式选择为二进制编码，每个基因位由二进制数0和1表示，其中0表示该基因位不被访问，1表示该基因位被访问；确定好染色体的编码方式后需确定染色体的长度，算法中染色体的长度会根据订单数量n、无人机数量k和换电站数量Z来确定，染色体长度L的计算公式为：L＝(K+2n+Z+1)*K，Z＝2n；
2)初始化种群操作和选择：
设计种群规模的数值大小，在初始化种群时，根据订单数量自动生成染色体矩阵；在初始化过程中，先给每一架无人机按照订单顺序进行随机分配，在分配中必须满足取货节点和对应的送货节点的无人机是同一架，并默认所有无人机的取货节点和送货节点都不进行换电操作，所有换电节点的基因数值为0；每一架无人机最多只能分配给一个订单，当订单的数量小于无人机数量时，后面的无人机就不需要完成任何订单的配送，只需要从起始节点直接到终点即可；初始化完成后自动生成数量等于种群规模数的矩阵；
3)染色体基因位变异操作：
完成种群的初始化操作后，进行染色体的变异操作：染色体变异基因片段是取货节点和送货节点并且变异过程中必须满足一一对应的关系，也就是一个取货节点由0变异为1后，对应的送货节点n+i,i∈P也需要从0变异为1；变异完成后需要将该无人机的路线进行耗电量计算，如果中途需要换电，那么对应的换电节点的数值也会由原来的0变成1，并且变异的基因位的所在的列只能存在一个不为0的位置，其余均变成0，最终生成一条合法的染色体；
4)染色体交叉操作：
染色体交叉操作是指两两条染色体的对应基因位置的信息进行交叉，交叉后就会得出新的染色体，如果新的染色体的适应度好于父代，那么新的染色体就会被保留；在此步骤中，染色体的交叉是在取货节点和送货节点片段内，交叉满足一一对应关系，交叉完后所在其余数值均为0，具体过程如下：
设有父代染色体Parent1和Parent2，POX交叉法产生子代染色体Children1和Children2，POX交叉的具体流程如下：
(1)随机产生无人机和订单节点及换电节点{0,1,2,3,…,k+4n+1}的两个非空集合Parent1和Parent2；
(2)在Parent1和Parent2中的{k+1,…,k+2n+1}片段进行交叉，交叉后将产生Children1和Children2；
(3)将Children1和Children2中交叉对应位置进行一一对应，满足配送节点和取货节点同步交叉，使得对应节点必须由同一架无人机服务；
(4)将Children1和Children2中染色体矩阵的各列其余基因位信息进行检查，满足每一列只有一个基因位等于1的子代被保留；
(5)检查子代Children染色体的适应度函数，如果大于父代Parent，那么对应的父代Parent就会被删除；如果子代Children的适应值小于父代Parent，那么从新生成新的子代Children；
5)适应度函数的确定：
在遗传算法的机制中，适应度指越高那么被选中的概率也就越大，所以需要最大化的适应度函数，并且又要满足模型中最小化的配送时间，基于最小化各个配送节点的完成时间和的适应度函数f(x)的运算公式如下：
6)算法终止准则的设置：
求解算法中的终止条件满足下列之一：算法的运行时间小于设定值T，或者算法的迭代次数达到最大求解迭代次数的设定值C，即运算结算。
CN202111557611.2A 2021-12-19 2021-12-19 一种基于物联网技术的无人机配送网络优化模型及其求解算法 Active CN114254822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111557611.2A CN114254822B (zh) 2021-12-19 2021-12-19 一种基于物联网技术的无人机配送网络优化模型及其求解算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111557611.2A CN114254822B (zh) 2021-12-19 2021-12-19 一种基于物联网技术的无人机配送网络优化模型及其求解算法

Publications (2)

Publication Number Publication Date
CN114254822A CN114254822A (zh) 2022-03-29
CN114254822B true CN114254822B (zh) 2024-05-03

Family

ID=80795754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111557611.2A Active CN114254822B (zh) 2021-12-19 2021-12-19 一种基于物联网技术的无人机配送网络优化模型及其求解算法

Country Status (1)

Country Link
CN (1) CN114254822B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402320B (zh) * 2023-06-08 2023-09-19 成都运荔枝科技有限公司 一种冷链运单的配送运力匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005053703A (ja) * 1999-06-28 2005-03-03 Jfe Engineering Kk 物流フロー最適化システム及び物流フロー最適化方法
CN110689165A (zh) * 2019-08-29 2020-01-14 浙江工业大学 一种基于路网可达性的车辆路径优化方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
CN113034072A (zh) * 2021-03-12 2021-06-25 华南理工大学 一种基于物联网的无人机智能配送系统及方法
CN113139678A (zh) * 2021-04-02 2021-07-20 长沙理工大学 无人机-车辆联合配送路径优化方法及其模型构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11460849B2 (en) * 2018-08-09 2022-10-04 Cobalt Robotics Inc. Automated route selection by a mobile robot

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005053703A (ja) * 1999-06-28 2005-03-03 Jfe Engineering Kk 物流フロー最適化システム及び物流フロー最適化方法
CN110689165A (zh) * 2019-08-29 2020-01-14 浙江工业大学 一种基于路网可达性的车辆路径优化方法
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN113034072A (zh) * 2021-03-12 2021-06-25 华南理工大学 一种基于物联网的无人机智能配送系统及方法
CN113139678A (zh) * 2021-04-02 2021-07-20 长沙理工大学 无人机-车辆联合配送路径优化方法及其模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应急物流中无人机配送线路优化;周爱莲 等;长沙理工大学学报(自然科学版);20200628(第02期);54-60 *

Also Published As

Publication number Publication date
CN114254822A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111862579B (zh) 一种基于深度强化学习的出租车调度方法及系统
Das et al. Synchronized truck and drone routing in package delivery logistics
Ip et al. Aircraft ground service scheduling problems and their genetic algorithm with hybrid assignment and sequence encoding scheme
Lee Optimization of a modular drone delivery system
CN111582691B (zh) 基于双层规划的客运枢纽多交通方式的运力匹配方法
CN113139678A (zh) 无人机-车辆联合配送路径优化方法及其模型构建方法
CN114358675A (zh) 一种多无人机-多卡车协同物流配送路径规划方法
CN114912736A (zh) 一种电动公交协调优化调度方法
CN113159588A (zh) 一种基于物联网技术的物流车辆智能调度算法
CN115271175A (zh) 一种无人机与卡车物流配送路径优化方法及系统
CN114254822B (zh) 一种基于物联网技术的无人机配送网络优化模型及其求解算法
Kong et al. Trajectory optimization for drone logistics delivery via attention-based pointer network
CN109460900B (zh) 一种机场新建卫星厅的转场航班分配方法
CN111860957B (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
Lin et al. Discrete Optimization on Truck‐Drone Collaborative Transportation System for Delivering Medical Resources
Liu et al. Optimization of unmanned vehicle scheduling and order allocation
CN111951145B (zh) 基于ga-dqn的停机位分配方法
CN117032298A (zh) 卡车无人机同步运行协同配送模式下的无人机任务分配规划方法
CN115421885B (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
Huo et al. Research on solving postdisaster material distribution and scheduling with improved NSGA-II algorithm
CN116432883A (zh) 一种双目标应急物资运送优化方法、系统及设备
Zhao et al. Wspeed: drone energy optimization for multiple-package delivery considering weight changes
CN114707707A (zh) 一种基于改进的遗传算法对agv任务调度的方法及系统
CN113222497A (zh) 基于metric的航材共享中心库选址方法

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