CN114331280B - 基于客户满意度和能量优化的无人机辅助快递交付方法 - Google Patents

Abstract

本公开实施例中提供了一种基于客户满意度和能量优化的无人机辅助快递交付方法，属于数据处理技术领域，具体包括：得到多个初始子区域；计算无人机在每个初始子区域内的访问顺序，并根据访问顺序得到每个初始子区域对应的最小能耗；根据每个初始子区域对应的载重和最小能耗进行区域调整，得到多个目标子区域；计算全部目标子区域对应的交付时间的上下界；根据交付时间的上下界计算完成全部目标子区域内任务点所需无人机的期望数量；形成快递交付方案。通过本公开的方案，根据客户满意度和能量优化规划飞行路线，然后基于无人机载重和最大能量限制进行重分区，采用分组策略为多架无人机同时分配子区域，提高了客户满意度和交付效率。

Description

基于客户满意度和能量优化的无人机辅助快递交付方法

技术领域

本公开实施例涉及数据处理技术领域，尤其涉及一种基于客户满意度和能量优化的无人机辅助快递交付方法。

背景技术

目前，无人机(UAV)是一种电动飞行器，可以用来协助和替代有人机或人类执行枯燥、危险的任务。近年来，由于无人机具有高机动性、智能化、高度自主性和非接触性等优点，随着计算机技术、信息处理技术、物联网技术的创新发展以及相关法律法规的出台，无人机逐渐从军用领域向民用领域迈进，并在数据采集、环境监测、救灾和物流运输等诸多行业得到广泛应用。随着无人机的民用化进程加快。无人机在快递交付中的应用引起了业界的密切关注。目前，相关技术的关注点主要集中在交付过程中的路径规划问题。

有技术将此问题建模为聚类广义旅行商问题(CGTSP)。CGTSP是TSP的两层扩展，外层是集群旅行商问题(CTSP)，内层是每个客户集群独立产生一个广义旅行商问题(GTSP)。无人机访问一个客户集群时，首先要访问其中包含的每个子集群，然后巡航到一个新的客户集群。但是，当客户任务点超过几十个时，CGTSP就缺乏好的解决方案。另外还有技术研究了无人机辅助快递交付中的飞行搭档旅行商问题(FSTSP)，针对无人机配送问题提出了两个混合整数线性规划公式，并使用启发式方法求解。

当前这些技术存在没有考虑无人机电池容量的限制，并且只以路径最短最为优化目标。实际上，在交付过程中，无人机的剩余能量影响着其配送任务的执行，而且，在配送过程中客户存在时间窗口要求。因此，不能单一地以路径最短作为优化目标。

可见，亟需一种充分考虑快递交付效率的影响因素，提高交付效率的基于客户满意度和能量优化的无人机辅助快递交付方法。

发明内容

有鉴于此，本公开实施例提供一种基于客户满意度和能量优化的无人机辅助快递交付方法，至少部分解决现有技术中存在客户满意度和交付效率较差的问题。

本公开实施例提供了一种基于客户满意度和能量优化的无人机辅助快递交付方法，包括：

根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域；

根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序，并根据所述访问顺序得到每个所述初始子区域对应的最小能耗；

根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域；

计算全部所述目标子区域对应的交付时间的上下界；

根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量；

当所述期望数量与所述任务区的无人机数量相同时，输出每个所述无人机分配的目标子区域数量，形成快递交付方案。

根据本公开实施例的一种具体实现方式，所述根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域的步骤，包括：

以一个所述无人机的最大载荷为约束条件；

根据所述约束条件、所述任务点的地理位置和所述包裹的重量将所述任务区划分为多个所述初始子区域。

根据本公开实施例的一种具体实现方式，所述根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序的步骤之前，所述方法还包括：

根据所述无人机的飞行阶段的功率载荷系数、悬停阶段的功率载荷系数、飞行阶段的速度和起飞时的重量计算所述能量消耗；

根据所述初始子区域内每个所述任务点对应的时间窗口计算所述客户满意度。

根据本公开实施例的一种具体实现方式，所述根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序的步骤，包括：

根据所述能量消耗和所述客户满意度建立适应度函数；

随机生成对应所述子区域内全部任务点的多个初始排列；

利用所述适应度函数评价全部所述初始排列后，利用遗传算法进行交叉和变异，得到所述访问顺序。

根据本公开实施例的一种具体实现方式，所述根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域的步骤，包括：

将所述载重大于所述最大荷载的初始子区域划分为多个次级子区域并计算每个所述次级子区域的最小能耗；

将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域；

将所述合并子区域、剩余的初始子区域和剩余的次级子区域作为所述目标子区域。

根据本公开实施例的一种具体实现方式，所述能耗阈值为所述无人机的最大能量限制与下限系数的乘积。

根据本公开实施例的一种具体实现方式，所述将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域的步骤，包括：

将所述最小能耗小于能耗阈值的初始子区域和次级子区域作为待合并区域；

若任意两个所述待合并区域的聚类中心之间的距离小于或等于其中一个所述聚类中心与服务中心之间的距离，并且，两个所述待合并区域的全部所述包裹的重量小于或等于所述最大载荷，则检测两个所述待合并区域对应的的最小能耗是否小于所述能耗阈值；

若两个所述待合并区域对应的的最小能耗小于所述能耗阈值，则将两个所述待合并区域合形成所述合并子区域；

若两个所述待合并区域对应的的最小能耗大于或等于所述能耗阈值，则继续选择其他所述待合并区域进行所述合并操作。

根据本公开实施例的一种具体实现方式，所述根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量的步骤，包括：

设定一个在所述交付时间上下界内的时间限定值，并计算在不超过所述时间限定值时完成全部所述目标子区域内任务点所需无人机的期望数量；

若所述期望数量大于所述任务区的无人机数量，则增加所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同；

若所述期望数量小于所述任务区的无人机数量，则减小所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同。

本公开实施例中的基于客户满意度和能量优化的无人机辅助快递交付方案，包括：根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域；根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序，并根据所述访问顺序得到每个所述初始子区域对应的最小能耗；根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域；计算全部所述目标子区域对应的交付时间的上下界；根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量；当所述期望数量与所述任务区的无人机数量相同时，输出每个所述无人机分配的目标子区域数量，形成快递交付方案。

本公开实施例的有益效果为：通过本公开的方案，基于客户满意度和能量优化为无人机规划飞行路线，然后基于无人机载重和最大能量限制对初始子区域进行重分区，采用分组策略为多架无人机同时分配子区域，均衡分配给每架无人机的任务量，使无人机协同工作，提高了客户满意度和交付效率。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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它的附图。

图1为本公开实施例提供的一种基于客户满意度和能量优化的无人机辅助快递交付方法的流程示意图；

图2为本公开实施例提供的一种基于客户满意度和能量优化的无人机辅助快递交付方法涉及的快递交付场景示意图；

图3为本公开实施例提供的一种基于客户满意度和能量优化的无人机辅助快递交付方法涉及的无人机在子区域内执行任务的序列示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种基于客户满意度和能量优化的无人机辅助快递交付方法，所述方法可以应用于物流运输等场景的货物交付过程。

参见图1，为本公开实施例提供的一种基于客户满意度和能量优化的无人机辅助快递交付方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域；

具体实施时，考虑到无人机的电池容量限制和最大载重限制，无人机很难一次为整个任务区域内的所有客户服务，可以根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域，以确保无人机能够成功完成这些任务，而不会因电池容量限制和最大载重限制而坠毁。

S102，根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序，并根据所述访问顺序得到每个所述初始子区域对应的最小能耗；

具体实施时，考虑到任务点的地理分布具有随机性和不均匀性，对整个任务区域仅进行一次分区并不能真正保证无人机能够成功完成子区域的任务。一般来说，可能会有很多任务点密集出现在一个小区域内，这使得它们极有可能被划分到同一个子区域中。当一架无人机被分配到这样一个分区执行任务时，很可能无法顺利完成整个区域内的所有任务。因此，在第一次分区之后、给无人机分配任务之前，需要根据无人机的能量限制和子区域内客户时间窗口预先规划所述初始子区域内任务点的完整访问顺序，以获得一个所述无人机在每个所述初始子区域内的访问顺序，并根据所述访问顺序得到每个所述初始子区域对应的最小能耗。

S103，根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域；

具体实施时，在得到所述最小能耗后，还需要进一步确认一个无人机是否可以在一个所述初始子区域完整地执行任务，则可以根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域。

S104，计算全部所述目标子区域对应的交付时间的上下界；

考虑到需要最小化无人机完成全部所述目标子区域的任务的时间，需要让快递中心的所有无人机同时执行任务，并且分配给每个无人机的任务要尽可能均衡，则可以先计算全部所述目标子区域对应的交付时间的上下界，所述交付时间的上下界代表完成全部所述目标子区域的任务的时间的最大值和最小值，以便于进行下一步的分配流程。

S105，根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量；

具体实施时，在得到所述交付时间的上下界后，在这个范围内，可以采用逆推导和二分法的思想，逐步计算，得到完成全部所述目标子区域内任务点所需无人机的期望数量值。

S106，当所述期望数量与所述任务区的无人机数量相同时，输出每个所述无人机分配的目标子区域数量，形成快递交付方案。

当所述期望数量与所述任务区的无人机数量相同时，则代表在所述任务区的无人机全部并行执行任务的情况下，完成全部所述目标子区域的任务的时间最优，则可以输出每个所述无人机分配的目标子区域数量，形成快递交付方案，以使得处理器可以根据所述交付方案控制对应的无人机进行快递运输。

本实施例提供的基于客户满意度和能量优化的无人机辅助快递交付方法，通过根据客户满意度和能量优化为无人机规划飞行路线，然后基于无人机载重和最大能量限制对初始子区域进行重分区，采用分组策略为多架无人机同时分配子区域，均衡分配给每架无人机的任务量，使无人机协同工作，提高了客户满意度和交付效率。

在上述实施例的基础上，步骤S101所述的，根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域，包括：

以一个所述无人机的最大载荷为约束条件；

根据所述约束条件、所述任务点的地理位置和所述包裹的重量将所述任务区划分为多个所述初始子区域。

如图2所示，一个快递交付任务区域有一个快递服务中心和若干有快递服务需求的任务点。让多架无人机从快递中心出发，按照分配的子任务区域和规划的任务点访问顺序在各自任务区域内为这些客户服务，完成路线上的送货任务，然后返回快递服务中心。在整理完如更换电池后，无人机继续执行分配给它的其他子任务区域的任务，直到整个任务区域的所有任务都由这些无人机完成。

例如，在快递服务中心o负责的区域Ω内有L个带有位置信息的包裹p_i(i＝1,2,3,…,L)∈P需要由无人机递送到该区域L个不同的投递任务点a_i(i＝1,2,3,…,L)∈A。快递服务中心有M(M＜＜L,M＜＜N)架同构无人机u_i(i＝1,2,3,…,M)∈U，其中最大能量限制和最大有效载荷限制分别为和/>无人机从服务中心o携带多个包裹/>运送到配送任务点。目标是在无人机能够成功服务所有客户的前提下，使得整体的客户满意度高和整体服务时间短。

一般来说，Ω中要服务的客户数量很大，因此非常有必要对Ω进行分区。可以先根据要服务的客户的地理位置和包裹重量预划分区域Ω，子区域内所有任务点的包裹权重之和必须满足以下限制：

其中，p为子区域内的送货包裹集。w_i是第i个送货包裹p_i的重量。

根据约束条件(1)将整个任务区域Ω预先划分为K个子区域Ω_k(k＝1,2,3,…,K)，其中这些子区域满足：

K由限制条件(1)确定，如下所示：

可选的，步骤S102所述的，根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序之前，所述方法还包括：

根据所述无人机的飞行阶段的功率载荷系数、悬停阶段的功率载荷系数、飞行阶段的速度和起飞时的重量计算所述能量消耗；

根据所述初始子区域内每个所述任务点对应的时间窗口计算所述客户满意度。

具体实施时，预分区后，在每个所述初始子区域，无人机按照一定的顺序访问任务点，并在完成所有送货任务后返回服务中心。因此，需要为无人机规划一个可能的完整的任务点访问顺序。为便于表述，将无人机在子区域Ω_k内访问n个送货任务点的路线序列的任一排列定义为τ(1,2,…,i,…,n)，其中n＝p|。那么无人机从快递服务中心o出发、按照序列τ执行任务、返回o的过程可以抽象为图3所示，其中δ为无人机为客户服务所花费的服务时间，d(i,i+1)表示从第i个任务点到第i+1个任务点的距离。

这类似于TSP问题。然而，事实上目标并不是最短的距离。因为对于无人机来说，它有最大的能量限制。根据W＝P_powert，无人机的能量消耗不仅与无人机的飞行时间有关，还与它的功率有关，功率又受速度和毛重影响。具体来说，功率与无人机的毛重有如下关系：

其中，pl是功率载荷系数。当无人机的速度不同时，这个系数也会发生变化。例如，无人机在从一个任务点到下一个任务点的途中以恒定速度飞行，而在为客户服务时则处于悬停状态(水平飞行速度为0m/s)。

因此，基于以上分析，如果追求最短的飞行距离，无人机有可能会长时间处于毛重较大状态，从而导致无人机能耗过高，而且不能很好地满足客户的时间窗口要求。

为了使无人机尽可能一次地执行子区域内的所有任务，需要保证其在整个任务执行过程中的能量消耗尽可能小。这是一个NP-hard问题。为此，提出了一种以无人机能量消耗为优化和客户满意度为目标的方法，以确定无人机访问子区域任务点的最佳顺序。

(1)能量消耗计算

假设无人机在飞行阶段和悬停阶段的功率载荷系数分别为pl_f和pl_h，无人机在飞行阶段的速度为v^(u)，无人机起飞时的毛重为表示该子区域内无人机和待递送的包裹的总重量。那么无人机从快递服务中心o出发到第一个任务完成所消耗的能量为：

完成第一个任务后，无人机的毛重变为：

因此，无人机从完成第一个任务到完成第二个任务完成所消耗的能量为：

以此类推，不难计算出无人机在第i-1个任务完成后毛重的变化以及无人机从完成第i-1个任务到完成第i个任务的能量消耗分别如式(8)和式(9)所示。

当最后一个任务完成时，无人机的总重量消耗的能量为：

对于子区域Ω_k内任务点的排列τ，无人机在整个过程中消耗的能量为：

(2)客户满意度计算

假设客户k要求的时间窗口是如果他是无人机在子区域内执行任务的第i个任务点，那么客户满意度可以用无人机超时或早点执行任务的程度来表示。无人机到达第i个任务点的时间为：

因此客户i的满意度可以表示为：

对于子区域Ω_k内任务点的排列τ，总体的客户满意度为：

进一步的，步骤S102所述的，根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序，包括：

根据所述能量消耗和所述客户满意度建立适应度函数；

随机生成对应所述子区域内全部任务点的多个初始排列；

利用所述适应度函数评价全部所述初始排列后，利用遗传算法进行交叉和变异，得到所述访问顺序。

具体实施时，在得到所述能量消耗和所述客户满意度后，可以根据所述能量消耗和所述客户满意度建立适应度函数：

其中，α和β是正常数。然后再随机生成对应所述子区域内全部任务点的多个初始排列，在利用所述适应度函数评价全部所述初始排列后，可以利用遗传算法进行交叉和变异，对全部所述初始排列进行进一步优化，得到所述访问顺序。

例如，随机产生G个个体，即任务点τ₁,τ_2,,…,τ_G的G个排列，然后根据适应度函数Fit(τ)计算τ_g(g＝1,2,…,G)的适应度Fit(τ_g)。用适应度函数评价G个个体后，选择最好的个体直接遗传给下一代，然后在交叉概率P_cross和变异概率P_Mutations的控制下进行交叉和变异策略，得到一组新的个体。重复以上操作，直到输出最优解序列作为所述访问顺序。

在上述实施例的基础上，步骤S103所述的，根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域，包括：

将所述载重大于所述最大荷载的初始子区域划分为多个次级子区域并计算每个所述次级子区域的最小能耗；

将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域；

将所述合并子区域、剩余的初始子区域和剩余的次级子区域作为所述目标子区域。

可选的，所述能耗阈值为所述无人机的最大能量限制与下限系数的乘积。

具体实施时，考虑到在所述初始子区域中，包裹重量的不一致性以及对应任务点的地理分布小规模聚集，预分区后，可能仍存在一些所述初始子区域，其包裹重量总和不能满足以下限制：

其中，p^(k)为Ω_k中的送货包裹集。为了保证无人机不会在途中坠毁，这种类型的区域应该划分为更多的区域：

然后得到多个所述次级子区域并计算每个所述次级子区域的最小能耗。

其次，规划了Ω_k子区域内无人机访问任务点的顺序，并预先估计了无人机消耗的最小能量如果无人机在Ω_k子区域执行任务所消耗的最小能量超过其最大能量限制，那么这意味着无人机将在途中坠毁。则可以考虑根据/>和/>之间的关系调整区域，可以将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域，然后将所述合并子区域、剩余的初始子区域和剩余的次级子区域作为所述目标子区域以确保无人机不会坠毁。

进一步的，所述将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域的步骤，包括：

将所述最小能耗小于能耗阈值的初始子区域和次级子区域作为待合并区域；

若任意两个所述待合并区域的聚类中心之间的距离小于或等于其中一个所述聚类中心与服务中心之间的距离，并且，两个所述待合并区域的全部所述包裹的重量小于或等于所述最大载荷，则检测两个所述待合并区域对应的的最小能耗是否小于所述能耗阈值；

若两个所述待合并区域对应的的最小能耗小于所述能耗阈值，则将两个所述待合并区域合形成所述合并子区域；

若两个所述待合并区域对应的的最小能耗大于或等于所述能耗阈值，则继续选择其他所述待合并区域进行所述合并操作。

具体的，一般来说，有以下三种情况：

情况1：这意味着无人机无法成功完成子区域Ω_k内的所有送货任务，因此需要将子区域Ω_k再次划分为K_de个子区域。策略如下：

情况2：μ∈(0,0.5)。μ是下限系数。这说明无人机可以顺利完成子区域Ω_k内的所有任务，并且无人机的能耗非常低，但这意味着Ω_k分区内的任务点很少。如果此类子区域较多，则无人机在往返过程中所消耗的时间会大大增加，其任务执行效率也会相应降低。因此，需要对这些区域进行适当的合并，合并策略如下：

对于此类子区域中的子区域以其地理聚类中心/>表示/>由近至远考虑该类型的其余子区域，称为/>如果这两个子区域的聚类中心之间的距离/>不超过子区域/>的聚类中心/>和服务中心o之间的距离/>并且这两个子区域中所有任务点的包裹总重量不超过无人机的最大有效载荷限制，那么将这两个子区域/>和合并为区域/>对于合并区域/>应用2中的模型检验无人机在/>区域内执行任务所消耗的最小能量是否满足约束条件(16)。如果是，则这两个子区域合并成功；否则，继续考虑该类型的其余子区域/>

情况3：μ∈(0,1)。说明无人机可以顺利完成Ω_k分区内的所有送货和取货任务，能耗相对合适，则该分区无需调整。

综合考虑上述情况，可以对所述待合并区域进行调整，形成重新划分算法，最终得到K_re合理的合并子区域。

在上述实施例的基础上，步骤S105所述的，根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量，包括：

设定一个在所述交付时间上下界内的时间限定值，并计算在不超过所述时间限定值时完成全部所述目标子区域内任务点所需无人机的期望数量；

若所述期望数量大于所述任务区的无人机数量，则增加所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同；

若所述期望数量小于所述任务区的无人机数量，则减小所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同。

例如，为了最小化无人机完成所有任务的总时间T_total，需要让快递中心的M架无人机同时(并行)执行任务，并且分配给每个无人机的任务要尽可能均衡。为此，可以采用分组的思想，将这些K_re个子区域划分为M个组。设分配给无人机u_i的子区域数量为K_i，则无人机u_i在K_i个子区域内完成所有任务的时间为：

其中，t^(k)是无人机在子区域Ω_k执行任务所花费的时间。假设τ_k(1,2,…,i,…,n)是模型在D部分得到的子区域Ω_k中的最优序列，则t^(k)可以通过公式(19)计算:

由于无人机并行执行任务，所以总体时间是无人机执行任务花费时间最长的时间：

T_total＝maxT_i,i＝1,2,…,M, (21)

因此，最终的优化目标是：

为了找到T_total，可以先分析T_total的上界和下界。接下来，考虑两种极端情况：

情况1：至少有K_re个无人机，每个无人机只分配一个子区域。令t₁,t₂,…,t_re无人机在K_re子区域执行任务所花费的时间，则T_total的最小值为t₁,t₂,…,t_re的最大值，即T_Lowerbound＝max{t₁,t₂,…,t_re}；

情况2：只有一架无人机，所有子区域都分配给这架无人机。那么T_total的最小值就是t₁,t₂,…,t_re之和，即/>

从这两种情况，可以得到T_total的范围，即

T_Lowerbound≤T_total≤T_Upperbound，这就缩小了解决问题的范围。在这个范围内，可以采用逆推导和二分法的思想，逐步逼近T_total的最小值。具体方法如下：

设置T的一个限定值，计算在不超过T的时间范围内完成所有任务所需的无人机数量M_req。如果M_req>M，则表示现有M个无人机完成所有任务所需的时间大于T，所以增加T的值继续求解。如果M_req<M，说明现有M架无人机在时间T内完成所有任务绰绰有余，因此减小T值继续求解，重复直到M_req＝M，T为期望值。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于客户满意度和能量优化的无人机辅助快递交付方法，其特征在于，包括：

根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域；

根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序，并根据所述访问顺序得到每个所述初始子区域对应的最小能耗；

根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域；

计算全部所述目标子区域对应的交付时间的上下界；

根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量；

当所述期望数量与所述任务区的无人机数量相同时，输出每个所述无人机分配的目标子区域数量，形成快递交付方案。

2.根据权利要求1所述的方法，其特征在于,所述根据任务点的地理位置和包裹的重量对任务区进行预分区，得到多个初始子区域的步骤，包括：

以一个所述无人机的最大载荷为约束条件；

根据所述约束条件、所述任务点的地理位置和所述包裹的重量将所述任务区划分为多个所述初始子区域。

3.根据权利要求1所述的方法，其特征在于,所述根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序的步骤之前，所述方法还包括：

根据所述无人机的飞行阶段的功率载荷系数、悬停阶段的功率载荷系数、飞行阶段的速度和起飞时的重量计算所述能量消耗；

根据所述初始子区域内每个所述任务点对应的时间窗口计算所述客户满意度。

4.根据权利要求3所述的方法，其特征在于,所述根据无人机的能量消耗和客户满意度计算所述无人机在每个所述初始子区域内的访问顺序的步骤，包括：

根据所述能量消耗和所述客户满意度建立适应度函数；

随机生成对应所述子区域内全部任务点的多个初始排列；

利用所述适应度函数评价全部所述初始排列后，利用遗传算法进行交叉和变异，得到所述访问顺序。

5.根据权利要求2所述的方法，其特征在于,所述根据每个所述初始子区域对应的载重和所述最小能耗进行区域调整，得到多个目标子区域的步骤，包括：

将所述载重大于所述最大荷载的初始子区域划分为多个次级子区域并计算每个所述次级子区域的最小能耗；

将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域；

将所述合并子区域、剩余的初始子区域和剩余的次级子区域作为所述目标子区域。

6.根据权利要求5所述的方法，其特征在于,所述能耗阈值为所述无人机的最大能量限制与下限系数的乘积。

7.根据权利要求6所述的方法，其特征在于,所述将所述最小能耗小于能耗阈值的初始子区域和次级子区域互相进行合并操作，得到合并子区域的步骤，包括：

将所述最小能耗小于能耗阈值的初始子区域和次级子区域作为待合并区域；

若任意两个所述待合并区域的聚类中心之间的距离小于或等于其中一个所述聚类中心与服务中心之间的距离，并且，两个所述待合并区域的全部所述包裹的重量小于或等于所述最大载荷，则检测两个所述待合并区域对应的的最小能耗是否小于所述能耗阈值；

若两个所述待合并区域对应的的最小能耗小于所述能耗阈值，则将两个所述待合并区域合形成所述合并子区域；

若两个所述待合并区域对应的的最小能耗大于或等于所述能耗阈值，则继续选择其他所述待合并区域进行所述合并操作。

8.根据权利要求7所述的方法，其特征在于,所述根据所述交付时间的上下界计算完成全部所述目标子区域内任务点所需无人机的期望数量的步骤，包括：

设定一个在所述交付时间上下界内的时间限定值，并计算在不超过所述时间限定值时完成全部所述目标子区域内任务点所需无人机的期望数量；

若所述期望数量大于所述任务区的无人机数量，则增加所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同；

若所述期望数量小于所述任务区的无人机数量，则减小所述时间限定值重新计算所述期望数量直到所述期望数量与所述任务区的无人机数量相同。