CN114611794A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114611794A
CN114611794A CN202210243404.8A CN202210243404A CN114611794A CN 114611794 A CN114611794 A CN 114611794A CN 202210243404 A CN202210243404 A CN 202210243404A CN 114611794 A CN114611794 A CN 114611794A
Authority
CN
China
Prior art keywords
vehicle
operator
solution
unmanned aerial
path
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.)
Pending
Application number
CN202210243404.8A
Other languages
English (en)
Inventor
马华伟
宋洋
胡笑旋
罗贺
靳鹏
夏维
王国强
唐奕城
郭君
马凯
李思齐
姜春雨
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210243404.8A priority Critical patent/CN114611794A/zh
Publication of CN114611794A publication Critical patent/CN114611794A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明提供一种基于亚启发式算法的车机协同取送货路径优化方法，涉及路径优化技术领域。本发明以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解。该方法能够实现较快的得出接近最优解车机协同路径方案，从而提高车机协同取送货效率，降低末端配送及逆向物流成本。

Description

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
技术领域
本发明涉及路径优化技术领域，具体涉及一种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。
背景技术
随着无人机技术的不断成熟，在末端配送领域，多个物流企业与科技公司已完成利用无人机进行末端配送的初步实验。由于无人机存在载重和飞行距离的限制，只能对一定范围内的顾客进行特定规格货物的配送，因此使用纯无人机配送在续航与载重上仍有较大局限。将车辆与无人机结合起来进行配送能够很好的解决无人机续航与载重的问题。
目前的车机协同的物流问题一般是考虑以最小化配送时间或最短化配送路径为目标优化配送路径。即现有方法几乎未考虑到逆向物流的问题，遇到类似问题时，现有方法中一般以启发式规则算法进行求解，然而通过启发式规则算法进行求解的时间会较长。通过上述描述可知，现有技术中缺少针对车机协同取送货模式下的亚启发式算法，导致求解最优路径的时间较长。
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，解决了现有技术中缺少针对车机协同取送货模式下的亚启发式算法，导致求解最优路径的时间较长的技术问题。
(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，本发明提供了一种基于亚启发式算法的车机协同取送货路径优化方法，包括：
S1、获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
S2、针对所述车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
优选的，所述车机协同取送货模型包括目标函数和约束条件。
优选的，所述S2具体包括：
S201、初始种群个数P_num、最大进化次数I_num、初始温度S_tem、降温系数T_tem；通过初始解启发式规则生成P_num个解，组成初始种群Pop_List；设计当前Pop_List中的最优个体为全局最优解，并初始化进化次数i＝0；
S202、判断当前进化次数i是否小于等于最大进化次数I_num，若是则进入下一步，若不是，则结束进化，输出全局最优解，即输出最优的车机协同路径方案；
S203：以个体目标函数的倒数为适应度值，计算每个个体的适应度值；
S204：初始化交叉算子和变异算子的权重均为1；利用轮盘赌选择策略从Pop_List中选择出参与本轮进化的种群Select_Pop；
S205：在Select_Pop中选择出本轮要参与的个体作为父代1和父代2，通过自适应算子选择机制选择交叉算子或变异算子对父代1和父代2进行交叉操作或变异操作，得到新的子代个体作为邻域解，进化次数i＝i+1；
S206：通过约束条件检查所得邻域解是否为可行解来调整组合路径的解，若并非可行解，则返回S205；若为可行解，则进入下一步，并更新当前温度系数；
S207：判断邻域解的适应度值是否大于等于全局最优解，若是进入下一步；若否进入S209；
S208：更新全局最优解，将邻域解替换为全局最优解；
S209：判断邻域解是否大于等于当前最优解，若是则进入S211；若否则进入S210；
S210：利用Metroplis规则接受劣解，接受的概率表达式为
Figure BDA0003543763130000041
其中Δf＝cost(New_In)-cost(Select_Pop[j])，T是指当前的退火温度，根据此规则是否选择受劣解；
S211：更新下一代种群，并根据自适应规则调整算子权重，返回S202。
优选的，在执行步骤S201之前，所述方法还包括：
对解进行编码，编码过程如下：
将解描述为一条n维车机组合的染色体，其中n为大于1的奇数，
Figure BDA0003543763130000042
维的染色体表示了车辆访问锚点顺序，每个基因位置表示一个锚点节点，锚点节点上方的基因位置都表示送货点节点，锚点节点下方的基因位置都表示取货点节点，每个锚点节点对应的上下组合为一个架次。
优选的，所述交叉算子包括：
随机选择一对车机协同路径，在这对不同的车机协同路径之间进行节点交换的操作得到邻域解。
优选的，所述变异算子包括：
变异算子包括：路径外变异算子和路径内变异算子；
路径外变异算子包括：随机选择一条车机协同路径，再选择路径内其中一个锚点，将其变异成在生成初始解时未被选中的一个锚点，形成新的车机协同路径；
路径内变异算子包括：筛选出存在单取货或单送货回路的无人机架次的车机协同路径，在随机选择出其中一条车机协同路径，将单取单送的无人机架次进行组合，若变异后存在车辆访问锚点上没有无人机架次，则将该锚点删除，车辆直接访问下一个锚点。
优选的，所述车机协同取送货模型包括目标函数，如公式(1)：
Figure BDA0003543763130000051
其中：
Figure BDA0003543763130000052
表示车辆k从i行驶到j的距离；
Figure BDA0003543763130000053
表示无人机k′从i行驶到j的距离；
Figure BDA0003543763130000054
Figure BDA0003543763130000055
Va表示锚点节点集，Va＝(1,2,3...a)，Va＝Vs∪Vf，Vs表示无人机发射节点集合，Vf表示无人机降落节点集合；
V0表示仓库节点；
Kt表示车辆集；
Kd表示无人机集；
所述车机协同取送货模型包括约束条件，如公式(2)～(14)：
Figure BDA0003543763130000061
Figure BDA0003543763130000062
Figure BDA0003543763130000063
Figure BDA0003543763130000064
Figure BDA0003543763130000065
Figure BDA0003543763130000066
Figure BDA0003543763130000067
Figure BDA0003543763130000068
Figure BDA0003543763130000069
Figure BDA00035437631300000610
Figure BDA00035437631300000611
Figure BDA00035437631300000612
Figure BDA00035437631300000613
其中：
Va表示锚点节点集，Va＝(1,2,3...a)，Va＝Vs∪Vf，Vs表示无人机发射节点集合，Vf表示无人机降落节点集合；
V0表示仓库节点；
Kt表示车辆集；
Kd表示无人机集；
C表示顾客节点集，C＝(1.2.3...n),C＝Cd∪Cp，Cd＝(1.2.3...n)表示送货顾客节点集，Cp＝(1.2.3...n)表示取货顾客节点集；
Ca表示车辆k的容积；
Ba表示无人机k′的续航；
Di表示节点i的需求量；
Figure BDA0003543763130000071
表示车辆k离开i点后的载重；
Figure BDA0003543763130000072
表示无人机k′经过i点后的电池使用量；
Ti k表示车辆k在节点i的抵达时间；
Figure BDA0003543763130000073
表示无人机k′节点i的抵达时间；
Figure BDA0003543763130000074
表示车辆k经弧<i,j>的行驶时间；
Figure BDA0003543763130000075
表示无人机k经弧<i,j>的行驶时间；
公式(2)表示车辆出入仓库流量平衡约束，任一车辆从仓库出站就必须返回仓库；
公式(3)表示保证任意车辆在任意节点的流量平衡；
公式(4)表示任一顾客点由某一架无人机访问且只访问一次，无人机访问顾客唯一性；
公式(5)表示对于无人机k′访问顾客j，将其所有到达j点的弧相加，将其所有离开j点的弧相加，令其相等，保障无人机在顾客点的流量平衡；
公式(6)表示无人机起降点流量平衡，该约束为独创性约束，用访问节点顺序约束无人机架次之间不能产生冲突；
公式(7)为独创性约束，由于无人机载货单位量有限，用访问节点顺序约束任一架次不允许先取后送的情况
公式(8)和公式(9)为独创性约束，由于无人机载货单位量有限，在已有的架次约束的基础上，任一架次至多允许一次送货、一次取货，即允许任意架次存在先送后取或单取单送的情况；
公式(10)和公式(11)表示每处客户的需求量都在无人机载货量范围内；
公式(12)表示车辆实时载量的约束条件，大M约束保障公式的可行性；
公式(13)表示已有架次约束的基础上，完成无人机架次续航约束；
公式(14)表示对任一的车辆上搭载的无人机返回该点时，车辆一定要在此之前到达。
第二方面，本发明提供一种基于亚启发式算法的车机协同取送货路径优化装置，包括：
数据和模型获取模块，用于获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
路径获取模块，用于针对车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
第三方面，本发明提供一种计算机可读存储介质，其存储用于基于亚启发式算法的车机协同取送货路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于亚启发式算法的车机协同取送货路径优化方法。
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基于亚启发式算法的车机协同取送货路径优化方法。
(三)有益效果
本发明提供了一种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。与现有技术相比，具备以下有益效果：
本发明以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解。该方法能够实现较快的得出接近最优解车机协同路径方案，从而提高车机协同取送货效率，降低末端配送及逆向物流成本。
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基于亚启发式算法的车机协同取送货路径优化方法的框图；
图2为本发明实施例的编码和解码过程；
图3为本发明实施例的交叉算子示意图；
图4为本发明实施例的变异算子示意图。
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，解决了现有技术中缺少针对车机协同取送货模式下的混合类亚启发式算法的技术问题，实现提高针对车机协同取送货模式下的路径求解速度。
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：
随着无人机技术的不断成熟，在末端配送及逆向物流领域，车辆与无人机协同取送货成为一种新型的运输方式。在实现车机协同配送过程中，如何选择最佳的锚点得到最佳的配送线路，以此提高车机协同取送货效率是一个值得探讨的研究方向。该问题作为NP-hard问题，采用亚启发式算法对启发式求解结果进行迭代寻优，可以在较快时间内获得接近最优的方案，这对于解决车机协同取送货路径规划问题具有一定意义。本发明实施例提出了一种基于亚启发式算法的车机协同取送货路径优化方法，该方法主要针对已有的车机协同初始路径方案进行方案寻优。该方法以遗传算法为框架并融入模拟退火机制，主要涉及解的编码、交叉算子、变异算子、自适应算子选择机制四个部分。基于整体算法框架，利用所选算子进行解的破坏与重生，不断迭代选择出全局最优解。该方法能够实现较快的得出最优的车机协同路径方案，从而提高车机协同取送货效率，降低末端配送及逆向物流成本。
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基于亚启发式算法的车机协同取送货路径优化方法，如图1所示，该方法包括以下步骤：
S1、获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
S2、针对车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
本发明实施例以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解。该方法能够实现较快的得出接近最优解车机协同路径方案，从而提高车机协同取送货效率，降低末端配送及逆向物流成本。
下面对各个步骤进行详细描述：
在步骤S1中，获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型。具体实施过程如下：
取送货任务数据：配送网络数据、运输工具数据、需求相关数据和决策变量。
其中，
配送网络数据包括配送网络有向图G＝＜V,E＞，V＝{0,1,...,n+1}节点集，节点集包括：V0仓库节点；顾客节点集C＝(1.2.3...n),C＝Cd∪Cp，Cd＝(1.2.3...n)表示送货顾客节点集，Cp＝(1.2.3...n)表示取货顾客节点集；锚点节点集Va＝(1,2,3...a)，Va＝Vs∪Vf，Vs表示无人机发射节点集合，Vf表示无人机降落节点集合；E＝{(i,j)|i,j∈V,i≠j}表示i和j节点之间存在弧，即车辆能从节点i行驶到节点j；车辆k从i行驶到j的距离
Figure BDA0003543763130000131
是指无人机k′从i行驶到j的距离
Figure BDA0003543763130000132
需要说明的是，在本发明实施例中研究的是车辆搭载无人机从仓库节点V0出发，到达指定的锚点Va，无人机在此锚点起飞负责取送货，然后降落回锚点。车辆是不负责取送货的，只作为一个移动基站，缩短无人机有限的飞行范围。
运输工具数据包括：运输工具集K＝Kt∪Kd，Kt＝(1.2.3...k)表示车辆集，Kd＝(1.2.3...k′)表示无人机集；车辆k的容积Ca和无人机k′的续航Ba。
需求相关数据包括：节点i的需求量Di；车辆k离开i点后的载重
Figure BDA0003543763130000133
无人机k′经过i点后的电池使用量
Figure BDA0003543763130000134
车辆k在节点i的抵达时间Ti k；无人机k′节点i的抵达时间
Figure BDA0003543763130000135
车辆k经弧<i,j>的行驶时间
Figure BDA0003543763130000136
无人机k经弧<i,j>的行驶时间
Figure BDA0003543763130000137
无人机发射时间SL和无人机回收时间SR。
决策变量包括：
Figure BDA0003543763130000141
车机协同取送货模型包括目标函数和约束条件。其中，目标函数如公式(1)：
Figure BDA0003543763130000142
约束条件包括公式(2)～(14)：
Figure BDA0003543763130000143
Figure BDA0003543763130000144
Figure BDA0003543763130000145
Figure BDA0003543763130000146
Figure BDA0003543763130000147
Figure BDA0003543763130000148
Figure BDA0003543763130000149
Figure BDA00035437631300001410
Figure BDA00035437631300001411
Figure BDA00035437631300001412
Figure BDA00035437631300001413
Figure BDA00035437631300001414
Figure BDA00035437631300001415
其中：
公式(2)表示车辆出入仓库流量平衡约束，任一车辆从仓库出站就必须返回仓库；
公式(3)表示保证任意车辆在任意节点的流量平衡；
公式(4)表示任一顾客点由某一架无人机访问且只访问一次，无人机访问顾客唯一性；
公式(5)表示对于无人机k′访问顾客j，将其所有到达j点的弧相加，将其所有离开j点的弧相加，令其相等，保障无人机在顾客点的流量平衡；
公式(6)表示无人机起降点流量平衡，该约束为独创性约束，用访问节点顺序约束无人机架次之间不能产生冲突；
公式(7)为独创性约束，由于无人机载货单位量有限，用访问节点顺序约束任一架次不允许先取后送的情况
公式(8)和公式(9)为独创性约束，由于无人机载货单位量有限，在已有的架次约束的基础上，任一架次至多允许一次送货、一次取货，即允许任意架次存在先送后取或单取单送的情况；
公式(10)和公式(11)表示每处客户的需求量都在无人机载货量范围内；
公式(12)表示车辆实时载量的约束条件，大M约束保障公式的可行性；即构造一个在车辆没有经过i到j路线时依然使不等式成立的大M约束，M是一个无穷大的正数；
公式(13)表示已有架次约束的基础上，完成无人机架次续航约束；
公式(14)表示对任一的车辆上搭载的无人机返回该点时，车辆一定要在此之前到达。
在步骤S2中，针对车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案。具体实施过程如下：
S201、初始种群个数P_num、最大进化次数I_num、初始温度S_tem、降温系数T_tem。通过初始解启发式规则生成P_num个解，组成初始种群Pop_List。设计当前Pop_List中的最优个体为全局最优解GlobalBest，并初始化进化次数i＝0。
需要说明的是，在初始化种群前，还需要为车机协同路径方案(即解)设置编码和解码规则，如图2所示。具体如下：
编码规则包括：将解描述为一条多维的车机组合的染色体，即一条包含了多架次无人机路线的车机协同路径，其中灰度染色体表示了车辆访问锚点顺序并且每个基因位置表示一个锚点节点，锚点节点上方的基因位置都表示送货点节点，锚点节点下方的基因位置都表示取货点节点，每个锚点节点对应的上下组合为一个架次。解码操作将染色体解析为车辆与无人机路径，图2用一个实例展示了解码的过程。
解码规则包括：第一步将车机结合路径分离，第二步识别出车机协同路径中的交会锚点及无人机架次组合。以图2为例，第一步将Truck1和多架次无人机路径分离。第二步，分别对组合路径进行交会锚点搜索。以Truck1为例，访问的第一个锚点是(6)，即与无人机第一个交会点，则为第一架次无人机的起降点，先后访问了送货点(27)和取货点(34)，同理，车辆访问第二个锚点(9)，是第二架次无人机的起降点，先后访问了送货点(21)和取货点(32)。
S202、判断当前进化次数i是否小于等于最大进化次数I_num，若是则进入下一步，若不是，则结束进化，输出全局最优解，即输出最优的车机协同路径方案；
S203：以个体目标函数的倒数为适应度值，计算每个个体的适应度值。
S204：初始化所有算子的权重为1，其中，算子包括交叉算子和变异算子；利用轮盘赌选择策略从Pop_List中选择出参与本轮进化的种群Select_Pop。
需要说明书的是，本发明实施例中的交叉算子包括：
交叉算子表示随机选择一对车机协同路径，在这对不同的车机协同路径之间进行节点交换的操作得到邻域解。如图3所示，展示了4种交叉算子的交叉过程。以Crossover_1_1算子为例，从组合路径TD1和组合路径TD2中各选择一个送货点(27)和(39)进行交换；同理，Crossover_1_2算子是从不同的组合路径中各选一个取货点进行交换。Crossover_2_1算子是从组合路径TD1和组合路径TD2中各选择一个锚点(7)和(4)，并对其相对应的所有圈次进行交换；Crossover_2_2算子是从不同的组合路径中各选择一个锚点(3)和(9)进行交换。
变异算子包括：
变异算子是在车机协同路径中进行节点的变异，这里将变异算子分为路径外变异算子和路径内变异算子，图4所示，介绍了这两种算子的操作过程。路径外变异算子即图中的Mutation1_1算子，首先随机选择一条车机协同路径TD1，再选择路径内其中一个锚点(13)，将其变异成在生成初始解时未被选中的一个锚点(10)，形成新的车机协同路径。路径内变异算子即图中的Mutation1_2算子，首先要筛选出存在单取货或单送货回路的无人机架次的车机协同路径，然后随机选择出其中一条车机协同路径TD1，将单取(4，14，4)单送(2，51，2)的无人机架次进行组合，若变异后存在车辆访问锚点上没有无人机架次，则将该锚点(4)删除，车辆直接访问下一个锚点。
S205：在Select_Pop中选择出本轮要参与的个体作为父代1和父代2，通过自适应算子选择机制选择交叉算子或变异算子对父代1和父代2进行交叉操作或变异操作，得到新的子代个体作为邻域解，进化次数i＝i+1。
在本发明实施例中，设计了一种自适应算子选择机制用来提升算法的求解速度与求解质量。该机制主要包括三个操作：权重初始化、算子选择、权重更新。
权重初始化：在优化算法开始时，将所有算子的权重设置为相同的非负整数值。本发明实施例中选择为1。
算子选择：采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子。
权重更新：权重更新的目的在于不断提高优秀算子的权重。如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加一个较大的值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加一个适当的值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加一个较小的值c。在本发明实施例中，a＝0.7，b＝0.5，c＝0.3。
S206：通过约束条件检查所得邻域解是否为可行解来调整组合路径的解，若并非可行解，则返回S205；若为可行解，则进入下一步，并更新当前温度系数。
S207：判断邻域解的适应度值是否大于等于全局最优解，若是进入下一步；若否进入S209。
S208：更新全局最优解，将邻域解替换为全局最优解。
S209：判断邻域解是否大于等于当前最优解，若是则进入S211；若否则进入S210。
S210：利用Metroplis规则接受劣解，接受的概率表达式为
Figure BDA0003543763130000191
其中Δf＝cost(New_In)-cost(Select_Pop[j])T指当前的退火温度，根据此规则是否选择受劣解进入下一步。
S211：更新下一代种群，并根据自适应规则调整算子权重。如果邻域解大于等于当前解，则算子
Figure BDA0003543763130000192
的权重增加0.7。否则，随机生成一个0-1之间概率值r，若r≥v，则接受New_In，为算子
Figure BDA0003543763130000193
的权重增加0.5，若r＜v，则舍弃当前的New_In，保留原解并为算子
Figure BDA0003543763130000194
权重增加0.3。返回S202。
本发明实施例还提供一种基于亚启发式算法的车机协同取送货路径优化装置，包括：
数据和模型获取模块，用于获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
路径获取模块，用于针对车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
可理解的是，本发明实施例提供的基于亚启发式算法的车机协同取送货路径优化系统与上述基于亚启发式算法的车机协同取送货路径优化方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于亚启发式算法的车机协同取送货路径优化方法中的相应内容，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，其存储用于基于亚启发式算法的车机协同取送货路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于亚启发式算法的车机协同取送货路径优化方法。
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基于亚启发式算法的车机协同取送货路径优化方法。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例提出了一种基于亚启发式算法的车机协同取送货路径优化方法，该方法主要针对已有的车机协同初始路径方案进行方案寻优。该方法以遗传算法为框架并融入模拟退火机制，主要涉及解的编码、交叉算子、变异算子、自适应算子选择机制四个部分。基于整体算法框架，利用所选算子进行解的破坏与重生，不断迭代选择出全局最优解。该方法能够实现较快的得出最优的车机协同路径方案，从而提高车机协同取送货效率，降低末端配送及逆向物流成本。
2、本发明实施例考虑利用车机协同的方法进行取送货，在规划物流配送路线时，同时考虑将商品或其包装回收，降低逆向物流成本，降低取送货成本。
3、本发明实施例提出的车机协同取送货模型可以就车机协同配送过程中无人机多架次起飞问题进行描述，并考虑到每一架次无人机续航约束和每一辆车的载重问题，更加契合车机协同实际作业过程，方便后续根据模型得出符合实际作业过程车辆路径和无人机路径，降低取送货成本。
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)

1.一种基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，包括：
S1、获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
S2、针对所述车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
2.如权利要求1所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，所述车机协同取送货模型包括目标函数和约束条件。
3.如权利要求2所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，所述S2具体包括：
S201、初始种群个数P_num、最大进化次数I_num、初始温度S_tem、降温系数T_tem；通过初始解启发式规则生成P_num个解，组成初始种群Pop_List；设计当前Pop_List中的最优个体为全局最优解，并初始化进化次数i＝0；
S202、判断当前进化次数i是否小于等于最大进化次数I_num，若是则进入下一步，若不是，则结束进化，输出全局最优解，即输出最优的车机协同路径方案；
S203：以个体目标函数的倒数为适应度值，计算每个个体的适应度值；
S204：初始化交叉算子和变异算子的权重均为1；利用轮盘赌选择策略从Pop_List中选择出参与本轮进化的种群Select_Pop；
S205：在Select_Pop中选择出本轮要参与的个体作为父代1和父代2，通过自适应算子选择机制选择交叉算子或变异算子对父代1和父代2进行交叉操作或变异操作，得到新的子代个体作为邻域解，进化次数i＝i+1；
S206：通过约束条件检查所得邻域解是否为可行解来调整组合路径的解，若并非可行解，则返回S205；若为可行解，则进入下一步，并更新当前温度系数；
S207：判断邻域解的适应度值是否大于等于全局最优解，若是进入下一步；若否进入S209；
S208：更新全局最优解，将邻域解替换为全局最优解；
S209：判断邻域解是否大于等于当前最优解，若是则进入S211；若否则进入S210；
S210：利用Metroplis规则接受劣解，接受的概率表达式为
Figure FDA0003543763120000031
其中Δf＝cost(New_In)-cost(Select_Pop[j])，T是指当前的退火温度，根据此规则是否选择受劣解；
S211：更新下一代种群，并根据自适应规则调整算子权重，返回S202。
4.如权利要求3所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，在执行步骤S201之前，所述方法还包括：
对解进行编码，编码过程如下：
将解描述为一条n维车机组合的染色体，其中n为大于1的奇数，
Figure FDA0003543763120000032
维的染色体表示了车辆访问锚点顺序，每个基因位置表示一个锚点节点，锚点节点上方的基因位置都表示送货点节点，锚点节点下方的基因位置都表示取货点节点，每个锚点节点对应的上下组合为一个架次。
5.如权利要求4所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，所述交叉算子包括：
随机选择一对车机协同路径，在这对不同的车机协同路径之间进行节点交换的操作得到邻域解。
6.如权利要求4所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，所述变异算子包括：
变异算子包括：路径外变异算子和路径内变异算子；
路径外变异算子包括：随机选择一条车机协同路径，再选择路径内其中一个锚点，将其变异成在生成初始解时未被选中的一个锚点，形成新的车机协同路径；
路径内变异算子包括：筛选出存在单取货或单送货回路的无人机架次的车机协同路径，在随机选择出其中一条车机协同路径，将单取单送的无人机架次进行组合，若变异后存在车辆访问锚点上没有无人机架次，则将该锚点删除，车辆直接访问下一个锚点。
7.如权利要求2～6任一所述的基于亚启发式算法的车机协同取送货路径优化方法，其特征在于，
所述车机协同取送货模型包括目标函数，如公式(1)：
Figure FDA0003543763120000041
其中：
Figure FDA0003543763120000042
表示车辆k从i行驶到j的距离；
Figure FDA0003543763120000043
表示无人机k′从i行驶到j的距离；
Figure FDA0003543763120000044
Figure FDA0003543763120000045
Va表示锚点节点集，Va＝(1,2,3...a)，Va＝Vs∪Vf，Vs表示无人机发射节点集合，Vf表示无人机降落节点集合；
V0表示仓库节点；
Kt表示车辆集；
Kd表示无人机集；
所述车机协同取送货模型包括约束条件，如公式(2)～(14)：
Figure FDA0003543763120000051
Figure FDA0003543763120000052
Figure FDA0003543763120000053
Figure FDA0003543763120000054
Figure FDA0003543763120000055
Figure FDA0003543763120000056
Figure FDA0003543763120000057
Figure FDA0003543763120000058
Figure FDA0003543763120000059
Figure FDA00035437631200000510
Figure FDA00035437631200000511
Figure FDA00035437631200000512
Figure FDA00035437631200000513
其中：
Va表示锚点节点集，Va＝(1,2,3...a)，Va＝Vs∪Vf，Vs表示无人机发射节点集合，Vf表示无人机降落节点集合；
V0表示仓库节点；
Kt表示车辆集；
Kd表示无人机集；
C表示顾客节点集，C＝(1.2.3...n),C＝Cd∪Cp，Cd＝(1.2.3...n)表示送货顾客节点集，Cp＝(1.2.3...n)表示取货顾客节点集；
Ca表示车辆k的容积；
Ba表示无人机k′的续航；
Di表示节点i的需求量；
Figure FDA0003543763120000061
表示车辆k离开i点后的载重；
Figure FDA0003543763120000062
表示无人机k′经过i点后的电池使用量；
Ti k表示车辆k在节点i的抵达时间；
Figure FDA0003543763120000063
表示无人机k′节点i的抵达时间；
Figure FDA0003543763120000064
表示车辆k经弧<i,j>的行驶时间；
Figure FDA0003543763120000065
表示无人机k经弧<i,j>的行驶时间；
公式(2)表示车辆出入仓库流量平衡约束，任一车辆从仓库出站就必须返回仓库；
公式(3)表示保证任意车辆在任意节点的流量平衡；
公式(4)表示任一顾客点由某一架无人机访问且只访问一次，无人机访问顾客唯一性；
公式(5)表示对于无人机k′访问顾客j，将其所有到达j点的弧相加，将其所有离开j点的弧相加，令其相等，保障无人机在顾客点的流量平衡；
公式(6)表示无人机起降点流量平衡，该约束为独创性约束，用访问节点顺序约束无人机架次之间不能产生冲突；
公式(7)为独创性约束，由于无人机载货单位量有限，用访问节点顺序约束任一架次不允许先取后送的情况；
公式(8)和公式(9)为独创性约束，由于无人机载货单位量有限，在已有的架次约束的基础上，任一架次至多允许一次送货、一次取货，即允许任意架次存在先送后取或单取单送的情况；
公式(10)和公式(11)表示每处客户的需求量都在无人机载货量范围内；
公式(12)表示车辆实时载量的约束条件，大M约束保障公式的可行性；
公式(13)表示已有架次约束的基础上，完成无人机架次续航约束；
公式(14)表示对任一的车辆上搭载的无人机返回该点时，车辆一定要在此之前到达。
8.一种基于亚启发式算法的车机协同取送货路径优化装置，其特征在于，包括：
数据和模型获取模块，用于获取多无人机与车辆协同的取送货任务数据，以及以送货过程和取货过程中所有车辆和无人机的运输距离最短为目标的车机协同取送货模型；
路径获取模块，用于针对车机协同取送货模型，以遗传算法为框架，融入模拟退火机制，通过自适应算子选择机制选择算子对车机协同初始路径方案进行解的破坏与重生，不断迭代选择出全局最优解，输出全局最优解作为最优的车机协同路径方案；
其中，
所述算子包括：交叉算子和变异算子；
所述自适应算子选择机制包括：
在亚启发式算法开始时，将所有算子的权重设置为相同的非负整数值；
采用轮盘赌的策略，根据每个算子的权重选择出待执行的算子；
如果执行某算子后得到的邻域解比原解更好，则为该算子的权重增加权重值a；如果执行某算子后得到的邻域解不如原解，但是该劣解被接受，则为该算子的权重增加权重值b；如果执行谋算子后得到一个劣解并被舍弃，则为该算子的权重增加权重值c，其中a>b>c。
9.一种计算机可读存储介质，其特征在于，其存储用于基于亚启发式算法的车机协同取送货路径优化的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的基于亚启发式算法的车机协同取送货路径优化方法。
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任一所述的基于亚启发式算法的车机协同取送货路径优化方法。
CN202210243404.8A 2022-03-11 2022-03-11 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 Pending CN114611794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243404.8A CN114611794A (zh) 2022-03-11 2022-03-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243404.8A CN114611794A (zh) 2022-03-11 2022-03-11 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

Publications (1)

Publication Number Publication Date
CN114611794A true CN114611794A (zh) 2022-06-10

Family

ID=81862581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243404.8A Pending CN114611794A (zh) 2022-03-11 2022-03-11 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

Country Status (1)

Country Link
CN (1) CN114611794A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328198A (zh) * 2022-08-12 2022-11-11 北京航空航天大学 空地协同智能路径规划方法
WO2024032376A1 (zh) * 2022-08-11 2024-02-15 姚陈潇 基于混合遗传算法的车辆路径优化方法及应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024032376A1 (zh) * 2022-08-11 2024-02-15 姚陈潇 基于混合遗传算法的车辆路径优化方法及应用
CN115328198A (zh) * 2022-08-12 2022-11-11 北京航空航天大学 空地协同智能路径规划方法

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
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及系统
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
CN106355291B (zh) 基于门店点群平分线的物流路径规划方法
CN110782086A (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
CN108921468A (zh) 一种物流配送车辆智能排线方法
CN114358675A (zh) 一种多无人机-多卡车协同物流配送路径规划方法
CN113313285B (zh) 多约束条件的车辆路径优化方法、系统、存储介质及设备
CN115032997B (zh) 一种基于蚁群算法的第四方物流运输路径规划方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
CN114971043B (zh) 一种基于非欧拉回路的邮递员问题路径优化方法
CN116187896A (zh) 绿色车辆路径问题求解方法、装置、计算机设备以及介质
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
CN113848970A (zh) 一种车辆-无人机多目标协同路径规划方法
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
Luo et al. Multi-objective optimization algorithm with adaptive resource allocation for truck-drone collaborative delivery and pick-up services
CN115577886A (zh) 一种多无人机站的组合配送方法及系统
CN117035598A (zh) 区域限制下的车机协同路径规划方法和系统
CN115345549A (zh) 结合装载方案的车辆路径调整方法及系统
Gu et al. Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints
Wang et al. Two‐Stage Solution for Meal Delivery Routing Optimization on Time‐Sensitive Customer Satisfaction
Pal et al. SmartPorter: A combined perishable food and people transport architecture in smart urban areas
CN114706386A (zh) 车机协同取送货路径优化方法和系统
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
Gökçe A revised ant colony system approach to vehicle routing problems

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