CN114677087A - 一种车辆组合无人机协同配送方法 - Google Patents

一种车辆组合无人机协同配送方法 Download PDF

Info

Publication number
CN114677087A
CN114677087A CN202210337324.9A CN202210337324A CN114677087A CN 114677087 A CN114677087 A CN 114677087A CN 202210337324 A CN202210337324 A CN 202210337324A CN 114677087 A CN114677087 A CN 114677087A
Authority
CN
China
Prior art keywords
vehicle
path
unmanned aerial
node
distribution
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
CN202210337324.9A
Other languages
English (en)
Other versions
CN114677087B (zh
Inventor
纪晨阳
葛程捷
易超
南江龙
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.)
Hangzhou Yuanlai Technology Co ltd
Original Assignee
Shanghai Yuanlai 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 Shanghai Yuanlai Technology Co ltd filed Critical Shanghai Yuanlai Technology Co ltd
Priority to CN202210337324.9A priority Critical patent/CN114677087B/zh
Publication of CN114677087A publication Critical patent/CN114677087A/zh
Application granted granted Critical
Publication of CN114677087B publication Critical patent/CN114677087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/08—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车辆组合无人机协同配送方法，通过基于元学习框架的销售预测方法预测未来一段时间内的物流订单预测信息，用于规划物流调度方案和物流配送方案。针对物流调度方案，本发明根据不同路径节点之间的高度差判断选择配送方案，并采用延误时间惩罚函数来优化物流调度方案。同时，本发明还采用无人机车辆路径优化模型进行优化物流配送路径，并通过线性松弛优化算法优化无人机车辆路径优化模型。其方案如下：获取物流订单预测信息；基于物流订单预测信息规划物流调度方案和物流配送路径；优化物流调度方案和物流配送路径；根据优化后的物流调度方案和物流配送路径进行物流配送。

Description

一种车辆组合无人机协同配送方法
技术领域
本发明涉及物流配送领域，具体涉及一种车辆组合无人机协同配送方法。
背景技术
经济发展迅速，无论是城市还是农村物流配送的发展水平都已经对经济发展起到至关重要的影响。物流需求的不断增长，需要物流配送的技术进一步提升，卡车搭配无人机的协同配送研究已经在近几年迅速发展起来。如何对大量客户订单进行合理分配使配送时间最短已成为国内外学者研究的热点问题之一，路径优化研究也是卡车与无人机系统配送的一大热点。如何通过有效精确的预测方法来获得未来一段时间的物流订单信息，从而进行物流活动的预安排，也紧密影响到整个物流配送的效率。
零售销售预测通常涉及在短期预测范围内为许多商店的大量产品生成预测。销售预测是许多管理决策的基本输入，例如定价、存储空间分配、列出删除清单、订购和库存管理。预测也为分配和补充计划提供依据。零售经理在短期内估计库存单位结合门店水平的预期销售数量的能力应导致提高客户满意度，减少浪费，增加销售收入和更有效和高效的分销。一个好的销售预测系统还允许零售商模拟他们不同促销组合的结果，然后优化促销计划。
整数线性规划在电子网络与迪信技术与物流配送等许多领域中有着广泛的应用，如电路故障检测，Web服务管理.车辆配送路径优化等研究所有这些应用都涉及到对相应的整数线性规划模型的求解.目前，求解整数线性规划问题的数值算法主要有割平面法和分支定界法，这两种方法需要求解一系列由切割或分支产生的线性规划子问题.显然，如何尽量减少切割或分支的次数，减少利用单纯形法求解线性规划子问题的迭代次数是研究提高这两种算法的计算效率的主要途径，也是这个领域中的热点课题.经过不断地探索和研究，人们提出了各种深切割技术和新的分支准则，从而大大改进了算法的计算效率。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种车辆组合无人机协同配送方法，针对农村末端物流配送存在的地形问题，根据不同路径节点之间的高度差判断选择配送方案，并采用延误时间惩罚函数来优化物流调度方案。同时，本发明还采用无人机车辆路径优化模型进行优化物流配送路径，并通过线性松弛优化算法优化无人机车辆路径优化模型。
本发明的技术方案为：本发明提供一种车辆组合无人机协同配送方法，包括以下步骤：
根据销售预测方法获取物流订单预测信息；
基于物流订单预测信息规划物流调度方案和物流配送路径；
优化物流调度方案和物流配送路径；
根据优化后的物流调度方案和物流配送路径进行物流配送。
根据本发明的车辆组合无人机协同配送方法的一实施例，根据销售预测方法获取物流订单预测信息；其中，所述销售预测方法采用元学习框架，包括以下步骤：
从历史销售数据库提取历史销售数据；
基于历史销售数据拟合基础预测库，并通过基础预测库生成提前预测结果；
利用卷积神经网络提取器提取历史销售数据的销售数据特征以及对应的销售数据特征权重；
所述销售数据特征权重结合所述提前预测结果进行预测，获取物流订单预测信息。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述卷积神经网络包括元特征提取模块和特征权重生成模块，所述历史销售数据包括时间序列数据和影响因素数据；其中，
所述元特征提取模块用于从时间序列数据提取销售数据特征；
所述特征权重生成模块基于所述销售数据特征生成对应的销售数据特征权重。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述基础预测库结合所述销售数据特征权重生成预测函数；所述预测函数基于提前预测结果预测时间范围T+1到T+H的物流订单预测信息，计算公式如下：
Figure BDA0003574852870000031
；
其中，1:T表示开始时间T+1，
Figure BDA0003574852870000032
表示时间范围T+1到T+H的物流订单预测信息，[σit]t＝1:T表示影响因素数据，[τit]t＝1:(T+H)表示时间序列数据。
根据本发明的车辆组合无人机协同配送方法的一实施例，物流订单预测信息还可以通过预测结果损失函数进行评估，并将评估后的预测结果反向传播给元特征提取器；其中，所述元特征提取器迭代学习预测结果的销售数据特征，生成集成预测结果。
根据本发明的车辆组合无人机协同配送方法的一实施例，物流调度方案基于路径节点之间的高度差计算配送时间和配送成本，并根据配送时间和配送成本设计配送方案，包括以下步骤：
计算路径节点i与路径节点j之间的无人机配送时间，公式如下：
Figure BDA0003574852870000033
；
其中，i，j分别表示路径节点，N表示路径节点集合，Lij表示无人机从路径节点i到路径节点j的水平直线距离，Hij表示路径节点i和路径节点j间的高度差，vij表示无人机从i到j的规定速度，Q则表示无人机飞行中收外部因素影响的消耗时间；
计算路径节点i与路径节点j之间的车辆配送时间，公式如下：
Figure BDA0003574852870000041
；
其中，i，j分别表示路径节点，N表示路径节点集合Sij表示车辆从路径节点i到路径节点j的总路程，Vij则表示车辆从路径节点i到路径节点j的规定速度；
判断车辆配送时间是否大于等于无人机配送时间；若是，则计算路径节点i到路径节点k的综合配送成本；若否，则配送方案为车辆单独配送方案；
计算路径节点i与路径节点k之间的无人机与车辆的综合配送成本，公式如下：
Figure BDA0003574852870000042
；
其中，i，j，k分别表示路径节点，N表示路径节点集合，
mij表示车辆从路径节点i到路径节点j的配送订单重量，
Ljk表示无人机从路径节点j到路径节点k的水平直线距离，
Hjk表示路径节点j和路径节点k间的高度差，
α表示车辆路程成本，
β表示无人机路程成本，
Sik表示车辆从路径节点i到路径节点k的总路程；
判断综合配送成本是否为正值；若是，则配送方案为车辆单独配送方案；若否，则配送方案为车辆组合无人机协同配送方案。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述物流调度方案采用延误时间惩罚函数进行优化，计算公式如下：
Figure BDA0003574852870000043
；
其中，i，j，k分别表示路径节点，N表示路径节点集合，CTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k这段路程的延误时间惩罚函数值，
TCijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的完成配送时间差，
GTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的最大规定时间差，
ZTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的最终限制时间差。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述物流配送路径采用无人机车辆路径优化模型进行优化；其中，所述无人机车辆路径优化模型为以时间导向为目标的混合整数线性模型，通过线性松弛优化算法来优化无人机车辆路径优化模型。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述无人机车辆路径优化模型包括平衡无人机车辆路径优化模型和效率无人机车辆路径优化模型；其中，
所述平衡无人机车辆路径优化模型的目标函数为最大完工时间最小化函数，计算公式为min zt；
所述效率无人机车辆路径优化模型的目标函数为总完工时间最小化函数，计算公式为:
Figure BDA0003574852870000051
；
其中，zt表示完成所有配送的总时间，
F表示车辆集合，f表示车辆，
C表示配送节点集合，c+1表示配送结束节点，
Figure BDA0003574852870000052
则表示到达路径节点c+1的结束时间。
根据本发明的车辆组合无人机协同配送方法的一实施例，若配送结束节点c+1被车辆f访问，则
Figure BDA0003574852870000053
表示车辆f到达路径节点c+1的结束时间；若配送结束节点c+1被携带无人机的车辆f访问，则
Figure BDA0003574852870000054
表示与车辆f关联的无人机到达路径节点c+1的结束时间。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述线性松弛优化算法通过时间变量下界来优化无人机车辆路径优化模型；其中，所述时间变量下界包括搭载无人机的车辆总配送时间下界和关联车辆的无人机配送完成时间下界。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述搭载无人机的车辆总配送时间下界为车辆行驶总距离所需的总时间加上所有车辆为节点服务所需的时间；其中，车辆到达目标节点的时间大于或等于所述搭载无人机的车辆总配送时间下界，通过所述搭载无人机的车辆总配送时间下界约束各车辆到达各路径节点时间，约束公式如下：
Figure BDA0003574852870000061
；
其中，F表示车辆集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，
Figure BDA0003574852870000062
代表车辆f到达路径节点i时间，
Figure BDA0003574852870000063
表示各车辆f从路径节点i到路径节点j的总行驶时间，
eij表示为车辆f从路径节点j到路径节点i的时间，
Figure BDA0003574852870000064
表示为车辆在节点j的服务时间，
Figure BDA0003574852870000065
用于判断各车辆f是否经过路径节点i到路径节点j之间，若是，则值为1，若否，则值为0。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述关联车辆的无人机配送完成时间下界用于约束各无人机到达各路径节点，约束公式如下：
Figure BDA0003574852870000066
；
其中，F表示车辆集合，D表示无人机集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，
Figure BDA0003574852870000067
表示各车辆f对应的各无人机d到达各路径节点i时间，
Figure BDA0003574852870000068
表示关联各车辆f的无人机d从路径节点i到路径节点j再到路径节点j的总运动时间，
eL表示为无人机集合D中各无人机d的启动时间，
eS，T和eS，D表示为车辆集合F和无人机集合D在节点i的服务时间，
eij表示为车辆通过路径节点i到路径节点j之间的时间，
e’jk表示为无人机通过路径节点j到路径节点k的时间，
Figure BDA0003574852870000071
用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间。若是，则值为1，若否，则值为0。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述线性松弛优化算法还可以通过分支切割算法优化无人机车辆路径优化模型；其中，所述分支切割算法基于时间优先级约束物流配送路径，包括无人机路径约束和车辆路径约束。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述无人机路径通过以下不等式进行约束：
Figure BDA0003574852870000072
；
其中，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，C表示配送节点集合，F表示车辆集合，D表示无人机集合；
Figure BDA0003574852870000073
表示用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间路线，若是，则值为1，若否，则值为0；
Figure BDA0003574852870000074
表示开始路径节点i与着陆路径节点k之间优先级。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述车辆路径通过以下不等式进行约束：
Figure BDA0003574852870000075
；
其中，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，F表示车辆集合，D表示无人机集合，
Figure BDA0003574852870000076
用于判断各车辆f是否经过路径节点i到路径节点j之间，若是，则值为1，若否，则值为0；
Figure BDA0003574852870000077
表示开始路径节点i与着陆路径节点k之间优先级。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述线性松弛优化算法通过配送节点数量下界优化无人机车辆路径优化模型，约束公式如下；
Figure BDA0003574852870000081
；
其中，C表示配送节点集合，F表示车辆集合，D表示无人机集合；
Figure BDA0003574852870000082
用于判断车辆f是否访问过路径节点i，若是，则值为1，若否，则值为0；
Figure BDA0003574852870000083
表示搭载无人机的车辆集合F的配送节点数量下界，
Figure BDA0003574852870000084
表示各车辆已访问过的配送节点数量总和。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述无人机车辆路径优化模型还可以通过约束路径回路来优化物流配送路径，约束公式如下：
Figure BDA0003574852870000085
；
其中，C表示配送节点集合，c+1表示配送结束节点，c0表示配送开始节点；
Figure BDA0003574852870000086
用于表示配送闭环路径的固定值；
Figure BDA0003574852870000087
用于判断各车辆f是否访问客户配送节点j，若是，则值为1，若否，则值为0。
根据本发明的车辆组合无人机协同配送方法的一实施例，所述无人机车辆路径优化模型还可以通过约束各车辆的配送节点数量来优化物流配送路径，约束公式如下：
Figure BDA0003574852870000088
；
其中，C表示配送节点集合，F表示车辆集合；f
Figure BDA0003574852870000089
表示车辆f访问过的路径节点数量总和；
Figure BDA00035748528700000810
表示下一车辆f+1访问过的路径节点数量总和。
本发明对比现有技术有如下的有益效果：本发明采用基于元学习框架的销售预测方法预测未来一段时间内的物流订单预测信息，通过物流订单预测信息来规划初始的物流调度方案和物流配送方案，有助于提高物流调度方案和物流配送方案的准确性和时效性。此外，本发明针对农村末端物流配送存在的地形问题，根据不同路径节点之间的高度差判断选择配送方案，并采用延误时间惩罚函数来优化物流调度方案。同时，本发明还采用无人机车辆路径优化模型进行优化物流配送路径，并通过线性松弛优化算法优化无人机车辆路径优化模型，进而优化本发明的物流配送路径，提高物流配送效率，节约配送成本。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是示出本发明的车辆组合无人机协同配送方法一实施例的流程图。
图2是示出了本发明的销售预测方法一实施例的流程图。
图3是示出了本发明的配送方案设计方法一实施例的流程图。
图4是示出本发明的物流配送路径优化方法一实施例的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
在此公开一种车辆组合无人机协同配送方法的一实施例，图1示出了本发明的车辆组合无人机协同配送方法一实施例的流程图。请参照图1，下面是对车辆组合无人机协同配送方法各步骤的详细说明。
步骤S1：获取物流订单预测信息。
物流配送的调度与路径规划离不开物流订单的数量和目的地等具体信息，对物流订单信息的相关预测有利于物流计划的提前制定，同时也有助于物流调度与路径规划的预先安排。本实施例中，为了物流计划的提前制定安排，对电商销售采取基于元学习框架的销售预测方法，对未来一段时间内的销售情况进行预测。图2是示出了本发明的销售预测方法一实施例的流程图，请参照图2，下面是对销售预测方法各步骤的详细说明。
步骤S11：从历史销售数据库提取历史销售数据。
本实施例中，采用带有自动特征学习的元学习框从外部潜在影响中提取影响因素，以及时间序列数据，以预测提出的元学习者的表现。元学习框架具有在信息预测方面更高的准确率，可以自动应用于复杂的问题领域，比如电商销售或者物流订单所面临的问题，因为问题的规模使自动方法选择成为关键需求。
此外，本实施例中，元学习框架分为元学习和元预测两个阶段，历史销售数据包括时间序列数据和影响因素数据。在元学习阶段，需要从历史销售数据库中提取大量的时间序列数据和相应的影响因素数据，用于后续步骤中预测未来一段时间内的销售信息。
步骤S12：基于历史销售数据拟合基础预测库，并通过基础预测库生成提前预测结果。
具体地，在元学习和元预测阶段，使用长度相同的历史销售数据来拟合基础预测库。在每个预测滚动周期，首先利用历史销售数据来拟合一个基础预测库，然后该基础预测库利用所存储的历史销售数据以及拟合模型来生成h步提前预测结果。
步骤S13：利用卷积神经网络提取器提取历史销售数据的销售数据特征以及对应的销售数据特征权重。
本实施例中，卷积神经网络包括元特征提取模块和特征权重生成模块，通过元联合，将用于拟合基础预测库的历史销售数据输入元特征提取模块提取特征，然后将提取的特征输入卷积神经网络的另一个模块即特征权重生成模块，将特征转换为一组权重，以组合基础预测库产生生成提前预测结果。其中，历史销售数据包括时间序列数据和影响因素数据。元特征提取模块通过卷积神经网络，自动从时间序列数据中提取时间特征，即销售数据特征，然后将提取到的销售数据特征发送到特征权重生成模块。特征权重生成模块接收到销售数据特征后，将其转换为一组销售数据特征，并结合基础预测库和影响因素数据生成提前预测结果。
步骤S14：根据销售数据特征权重和提前预测结果进行预测，获取物流订单预测信息。
本实施例中，销售数据特征权重结合提前预测结果预测未来一端时间内的物流订单预测信息。其中，基础预测库集合销售数据特征权重生成预测函数，预测函数基于上述的提前预测结果预测时间范围T+1到T+H的物流订单预测信息。
具体地，销售预测方法的目标是预测物流库存和店家规模从T+1到T+H这段时间的物流订单预测信息，T为具体时间数据。本实施例中，销售预测方法不仅仅依靠时间序列数据，还将影响因素数据，例如价格、促销、季节性还有活动日等等考虑在内。将时间范围T+1到T+H内的影响因素数据表示为变量[τit]t＝1:(T+H)，时间序列数据表示为[σit]t＝1:T，通过下列公式来预测时间范围为T+1到T+H的销售情况：
Figure BDA0003574852870000111
。
其中，1:T表示开始时间T+1，
Figure BDA0003574852870000112
表示时间范围T+1到T+H的物流订单预测信息，[σit]t＝1:T表示影响因素数据，[τit]t＝1:(T+H)表示时间序列数据。f()为预测函数，每种预测函数是基础预测库中提取的销售数据特征对应的销售数据特征权重组合得出的。
本实施例中，销售预测方法还可以通过预测结果损失函数对物流订单预测信息进行进一步评估，并将评估后的结果通过反向传播算法更新卷积神经网络，即元特征提取器的网络权值。元特征提取器通过元学习者迭代学习预测结果的销售数据特征，生成一组集成预测结果，从而使得预测结果更加准确、可靠。
步骤S2：基于物流订单预测信息规划物流调度方案和物流配送路径。
本实施例中，综合考虑订单装载时间与配送时间对整体配送效率的影响，针对农村末端物流配送存在的地形问题，提出一种结合两地高度差的变量加入到配送方案的选择判断约束。并且由于卡车配送时间具有波动性，设置以无人机和车辆配送时间差为标准的延误时间惩罚函数来优化物流调度方案。
具体地，物流调度方案基于路径节点之间的高度差计算配送时间和配送成本，并根据配送时间和配送成本设计配送方案，图3是示出了本发明的配送方案设计方法一实施例的流程图，请参照图3，下面是对配送方案设计方法各步骤的详细说明。
步骤S21:计算路径节点i与路径节点j之间的无人机配送时间，公式如下：
Figure BDA0003574852870000121
其中，i，j分别表示路径节点，N表示路径节点集合。Lij表示无人机从路径节点i到路径节点j的水平直线距离，Hij表示路径节点i和路径节点j间的高度差，vij表示无人机从i到j的规定速度，Q表示无人机飞行中受外部因素影响的消耗时间。
步骤S22：计算路径节点i与路径节点j之间的车辆配送时间，公式如下：
Figure BDA0003574852870000122
其中，i，j分别表示路径节点，N表示路径节点集合。Sij表示车辆从路径节点i到路径节点j的总路程，Vij则表示车辆从路径节点i到路径节点j的规定速度。
步骤S23：判断车辆配送时间是否大于等于无人机配送时间；若是，则计算路径节点i到路径节点k的综合配送成本。若否，则配送方案为车辆单独配送方案。
本实施例中，当
Figure BDA0003574852870000123
时，则表示无人机从路径节点i到j比车辆从路径节点i到j节约更多配送时间，此时可以执行下一步骤S24来计算计算路径节点i到路径节点k的配送成本。若
Figure BDA0003574852870000124
则表示车辆从路径节点i到j比无人机从路径节点i到j节约更多配送时间，此时无需组合无人机进行协同配送，直接选择车辆单独配送方案作为本次物流订单的配送方案即可。
步骤S24：计算路径节点i与路径节点k之间的无人机与车辆的综合配送成本，公式如下：
Figure BDA0003574852870000125
其中，i，j，k分别表示路径节点，N表示路径节点集合。mij表示车辆从路径节点i到路径节点j的配送订单重量，Ljk表示无人机从路径节点j到路径节点k的水平直线距离，Hjk表示路径节点j和路径节点k间的高度差，α表示车辆路程成本，β表示无人机路程成本，Sik表示车辆从路径节点i到路径节点k的总路程。
步骤S25：判断综合配送成本是否小于等于预设的最大总配送成本；若是，则配送方案为车辆组合无人机协同配送方案；若否，则配送方案为车辆单独配送方案。
具体地，本实施例中，正值P为预设的最大总配送成本，即可接受的总配送成本。其中，Sik·β-(Sij+Sjk)·β表示额外成本，即车辆从路径节点i到k超出原路径中车辆从路径节点i到j再到k的成本。若路径节点i与路径节点k之间的无人机与车辆的综合配送成本
Figure BDA0003574852870000131
Figure BDA0003574852870000132
则表示无人机从路径节点i到j再到k的配送成本加上车辆从路径节点i到路径节点k的配送成本超过车辆单独配送方案中车辆从路径节点i到j再到k的配送成本，此时综合配送成本处于可接受的总配送成本范围内，选择车辆组合无人机协同配送方案作为本次物流订单的配送方案。否则，则直接选择车辆单独配送方案作为本次物流订单的配送方案即可。
步骤S3：优化物流调度方案和物流配送路径。
本实施例中，通过上述的步骤S23和步骤S24的判断来确定本次物流配送方案是否适用车辆组合无人机协同配送方案。在车辆组合无人机协同配送方案中往往存在车辆配送时间超出规定时间的问题，导致无人机在集合点等待配送车辆时间过长等问题。由于无人机的配送时间是稳定可控，因此本发明加入车辆的延误时间惩罚函数来优化物流调度方案，从而规范司机在规定时间配送。下面结合车辆配送时间和无人机配送时间，详细说明本实施例中的优化物流调度方案的各步骤。
第一步：计算车辆配送与无人机配送的时间差TCijk，计算公式如下：
Figure BDA0003574852870000133
第二步：根据车辆配送与无人机配送的时间差TCijk以及延误时间惩罚函数，计算不同时间差TCijk对应的延误成本。延误时间惩罚函数计算公式如下：
Figure BDA0003574852870000141
其中，i，j，k分别表示路径节点，N表示路径节点集合，i，j，k∈N。CTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k这段路程的延误时间惩罚函数值，TCijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到k完成配送的时间差，GTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k完成配送的最大规定时间差，ZTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k完成配送的时间差。
具体地，当TCijk≤0时，车辆先于无人机到达路径节点k，此时延误时间惩罚函数值为0，不需要惩罚。当0＜TCijk≤GTijk时，无人机先于车辆到达路径节点k，且完成配送时间差没有超过最大规定时间差GTijk，此时，采用线性惩罚函数，延误时间惩罚函数值为λ1·TCijk。当GTijk＜TCijk≤ZTijk时，无人机先于车辆到达配送节点k，且完成配送时间差超过最大规定时间差，但并没有超过最终限制时间差ZTijk，此时采用指数惩罚函数，延误时间惩罚函数值为
Figure BDA0003574852870000142
当TCijk＞ZTijk时，车辆完成配送时间差超过最大规定时间差，且超过最终限制时间差，因此取消此次配送方式，将使用车辆从路径节点i到路径节点k进行物流配送改为使用无人机从路径节点i到路径节点j，再从路径节点j到路径节点k进行物流配送。此时，车辆的延误时间惩罚函数值为0。
此外，本实施例中，当采用车辆组合无人机协同配送方式时，往往需要考虑到有关无人机路径规划问题(VRPD)。而针对无人机路径规划，通常考虑以成本为导向或以时间为导向作为目标。对此，本采用以时间为导向的无人机车辆路径优化模型，将车辆和无人机的配送距离成本替换为目标进行物流配送路径优化。在构建无人机车辆路径优化模型时候，首先假设一个车队由相同的车辆组成，每个车辆配备相同数量的无人机，且每辆车与其相关的无人机形成了对应搭配。本发明中系统配送服务用于为不同地点的多个客户提供服务，每个客户都由无人机或车辆提供一次服务，且所有配对的无人机从开始到结束与车辆位于同一仓库。此外，本实施例还对车辆和无人机的操作做了一些规定:
第一，本实施例中，无人机操作包括三个步骤:第一步，从关联的车辆上发射；第二步，准确地将快件交付给一个客户；第三步，再次返回配对的车辆上。
第二，本实施例中，无人机服务客户的能力受无人机飞行的最大长度限制。其中，无人机飞行的最大长度可以代表无人机稳定水平飞行的最大电量，忽略发射、回收以及装卸货物对无人机的电量损耗。
第三，本实施例中，每架无人机仅与一辆车辆相关联，禁止在任何其他车辆上发射或接收无人机。
第四，本实施例中，无人机在给定网络的不同路径节点发射和回收，包括即仓库位置或客户位置。其中，车辆不能在发射地点等待回收无人机，且车辆不能返回已经访问过的客户位置来取回无人机。
第五，本实施例中，允许无人机在取货地点等待其关联的车辆，而无需等待所有其他无人机的到来。无人机完成一个配送，就可以进行下一个配送，且车辆可在无人机回收地点等待。
第六，本实施例中，车辆和无人机的送货流程，不同卡车和无人机送货所需的服务时间可能不同。发射无人机需要一定的时间，不影响车辆的配送过程，且无人机在网络两个节点之间的移动速度至少与车辆一样快。
第七，本实施例中，由于在小包裹递送中容量很少有限制性影响，因此车辆的容量是不受限制的。
此外，本实施例中，无人机车辆路径优化模型为以时间导向为目标的混合整数线性模型(MILP)，针对该模型，考虑了两个不同的目标函数：最大完工时间最小化和总完工时间最小化。此外，本实施例还运用线性松弛优化算法对无人机车辆路径优化模型增强了线性规划约束，极大地提高解决方案，并且运用多个不等式作为已知的子行程消元约束的扩展。由于子行程的数量随实例大小呈指数增长，所以利用线性松弛优化算法，可以用于识别松散解决方案中的违规切割，并在优化期间添加约束。
具体地，无人机车辆路径优化模型包括平衡无人机车辆路径优化模型和效率无人机车辆路径优化模型。其中，平衡无人机车辆路径优化模型的目标函数为最大完工时间最小化函数，其计算公式为min zt，zt表示完成所有配送节点配送的总时间。
而效率无人机车辆路径优化模型的目标函数则为总完工时间最小化函数，计算公式为：
Figure BDA0003574852870000161
其中，F表示车辆集合，f表示车辆，C表示配送节点集合，c+1表示配送结束节点，
Figure BDA0003574852870000162
则表示到达路径节点c+1的结束时间。对于
Figure BDA0003574852870000163
如果路径节点c+1被车辆f访问，则代表为车辆f到达路径节点c+1的结束时间；如果路径节点c+1被携带无人机的车辆f访问，则代表为与车辆f关联的无人机到达路径节点c+1的结束时间。
本实施例中，总完工时间最小化函数和最大完工时间最小化函数存在区别。前者方法对应的是一个面向效率的准则，它可以通过最小化总完工时间来应用于VRPD，也可以用来近似最小化司机的成本。相比之下，后者方法代表了一种公平标准，旨在平衡每段路程长度。这可以更好地利用车辆的能力，更好地分配司机的工作量。因此，本实施中，无人机车辆路径优化模型将时间导向的目标分别考虑为平衡VRPD和效率VRPD；其中，平衡VRPD为minzt，效率VRPD为
Figure BDA0003574852870000164
同时，本实施例的无人机车辆路径优化模型也可以将车辆和无人机的行驶距离成本替换作为目标，将目标函数分别转化为总配送路程最小化和最大路程最小化，对该模型进行优化。
此外，由于对无人机车辆路径优化模型中的线性松弛是弱的，这些松弛用于建模时间过程。松弛解中的路径变量大多为分数，导致时间变量的最优值存在很大的偏差。事实上，VRPD的线性松弛值始终为零。利用有效的不等式可以用来加强线性约束和加速求解过程。因此，本发明引入时间变量下界，以获得更好的根节点间隙。其中，时间变量下界包括搭载无人机的车辆总配送时间下界和关联车辆的无人机配送完成时间下界。图4是示出本发明的物流配送路径优化方法一实施例的流程图，请参照图4，下面是对物流配送路径优化方法各步骤的详细说明。
步骤C1：约束搭载无人机的车辆总配送时间下界，约束公式如下：
Figure BDA0003574852870000171
其中，F表示车辆集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，S表示总路程，T表示卡车，R+为正实数。其中，
Figure BDA0003574852870000172
代表车辆f到达路径节点i时间，
Figure BDA0003574852870000173
表示各车辆f从路径节点i到路径节点j的总行驶时间，eij表示为车辆f从路径节点i到路径节点j的时间，
Figure BDA0003574852870000174
表示为车辆在节点j的服务时间。
Figure BDA0003574852870000175
则用于判断各车辆f是否经过路径节点i到路径节点j之间；若是，则
Figure BDA0003574852870000176
值为1，若否，则
Figure BDA0003574852870000177
值为0。
具体地，由于货物重量或无人机电量限制，不是所有的客户都是无人机服务配送。为了基于时间建立无人机车辆路径优化模型，本实施例中配送节点的时间进度由两个不同的节点来表示。其中，节点0表示配送开始的配送节点，c+1表示配送结束的路径节点。因此，所有客户节点的集合为N＝{0}∪C∪{c+1}。车辆启动离开的路径节点集合N0＝N\{c+1}，且由于车辆不能最后到达起始点0，设N+＝N\{0}。上述约束公式中，搭载无人机的车辆总配送时间下界为各车辆总行驶时间与各路径节点服务时间总和，利用上述约束公式，可以约束车辆f到达配送节点即仓库的时间大于或等于车辆f行驶总距离所需的总时间加上为所有路径节点的客户服务所需的时间。
步骤C2：约束关联车辆的无人机配送完成时间下界，约束公式如下：
Figure BDA0003574852870000178
其中，F表示车辆集合，D表示无人机集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合。
Figure BDA0003574852870000179
表示各车辆f对应的各无人机d到达各路径节点i时间，
Figure BDA0003574852870000181
Figure BDA0003574852870000182
表示关联各车辆f的无人机d从路径节点i到路径节点j再到路径节点j的总运动时间，eL表示为无人机集合D中各无人机d的启动时间，eS，T和eS，D表示为车辆集合F和无人机集合D在节点i的服务时间，eij表示为车辆通过路径节点i到路径节点j之间的时间，e’jk表示为无人机通过路径节点j到路径节点k的时间，
Figure BDA0003574852870000183
用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间，若是，则值为1，若否，则值为0。利用上述约束公式，可以约束关联车辆f的无人机d到达仓库的时间大于或者等于其总运动时间相等。
步骤C3：约束搭载无人机的车辆必须访问的配送节点总数的下界，约束公式如下：
Figure BDA0003574852870000184
其中，C表示配送节点集合F表示车辆集合，D表示无人机集合，
Figure BDA0003574852870000185
表示各车辆f必须访问的配送节点i即访问客户的总数。利用上述的不等式，可以约束搭载了无人机的车辆访问的客户总数大于等于该车辆必须访问的配送节点总数的下界。
步骤C4：采用基于时间优先级关系的分支切割算法优化无人机车辆路径优化模型。
本实施例中，线性松弛优化算法还可以通过基于时间优先级关系的分支切割算法优化无人机车辆路径优化模型。其中，分支切割算法包括无人机路径约束和车辆路径约束。
具体地，当采用分支切割算法约束无人机路径时，约束公式如下：
Figure BDA0003574852870000186
其中，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，C表示配送节点集合，F表示车辆集合，D表示无人机集合。
Figure BDA0003574852870000187
表示用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间路线，若是，则值为1，若否，则值为0。
Figure BDA0003574852870000188
则表示开始路径节点i与着陆路径节点k之间优先级。通过上述不等式，可以约束无人机d飞行开始的路径节点i必须在着陆的路径节点k之前被车辆f访问。
当采用分支切割算法约束车辆路径时，约束公式如下：
Figure BDA0003574852870000191
其中，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，F表示车辆集合，D表示无人机集合。
Figure BDA0003574852870000192
用于判断各车辆f是否经过路径节点i到路径节点j之间；若是，则
Figure BDA0003574852870000193
值为1；若否，则
Figure BDA0003574852870000194
值为0。
Figure BDA0003574852870000195
则表示开始路径节点i与着陆路径节点k之间优先级。通过上述不等式，可以约束规定如果卡车f直接从节点i到节点k，那么节点i必须在节点k之前。
步骤C5：抑制人工仓库回路。
本实施例中，如果关联车辆f的所有无人机d最多执行一次与客户的往返行程，车辆f在堆场处于空闲状态，则需要从起始堆场c0到结束堆场c+1，即配送开始节点到配送结束节点的人工卡车行程。但如果卡车f访问客户j∈C，本次行程无效。对此，引入下列不等式：
Figure BDA0003574852870000196
其中，C表示配送节点集合，c+1表示配送结束节点，c0表示配送开始节点，
Figure BDA0003574852870000197
用于表示配送闭环路径的固定值。
Figure BDA0003574852870000198
用于判断各车辆f是否访问配送节点j；若是，则
Figure BDA0003574852870000199
值为1；若否，则
Figure BDA00035748528700001910
值为0。通过上述公式，可以约束规定如果配送节点j是由卡车f访问的，那么
Figure BDA00035748528700001911
等于1，
Figure BDA00035748528700001912
表示仓库环路径，且必须为零。具体地，车辆f关联的所有无人机最多执行一次往返于客户的往返行程，当车辆处于空闲状态不需要去配送时，那么车辆的行驶路径直接为配送开始节点c0到配送结束节点c+1之间的路径。如果卡车f需要访问配送节点即配送客户，那么路径则会变化。通过此不等式，可以判断卡车是否访问配送客户，若是，则
Figure BDA00035748528700001913
值为1；若否，则
Figure BDA00035748528700001914
值为0，从而为减少访问配送客户，车辆从配送开始节点co到配送结束节点c+1之间路径的重复计算。
步骤C6：平衡各车辆的配送节点数量。
本实施例中，由于部分车辆执行的某项配送任务无关紧要，使用连接卡车的无人机数量等指标会导致模型的制定具有对称性，可能导致会出现目标函数值相同但任务分配不同的对称解。对此，引入下列不等式：
Figure BDA0003574852870000201
其中，C表示配送节点集合，F表示车辆集。
Figure BDA0003574852870000202
表示车辆f访问过的配送数量总和，
Figure BDA0003574852870000203
表示下一车辆f+1访问过的配送节点数量总和。通过上述不等式，可以约束各车辆的配送节点数量，即配送订单数量，使每辆车访问的配送节点数量大于或者等于下一辆车所访问的配送节点数量，从而使各车辆的配送订单数量达到平衡。
步骤S4：根据优化后的物流调度方案和物流配送路径进行物流配送。
本实施中，通过上述的步骤S3，可以获取到优化后的最佳物流调度方案和物流配送路径。根据优化后的物流调度方案来选择采用车辆单独配送还是车辆组合无人机组合进行配送，并按照优化好的物流配送路径执行配送任务，从而使物流配送效率更加节能、高效。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (19)

1.一种车辆组合无人机协同配送方法，其特征在于，包括以下步骤：
获取物流订单预测信息；
基于物流订单预测信息规划物流调度方案和物流配送路径；
优化物流调度方案和物流配送路径；
根据优化后的物流调度方案和物流配送路径进行物流配送。
2.根据权利要求1所述的车辆组合无人机协同配送方法，其特征在于，根据销售预测方法获取物流订单预测信息；其中，所述销售预测方法采用元学习框架，包括以下步骤：
从历史销售数据库提取历史销售数据；
基于历史销售数据拟合基础预测库，并通过基础预测库生成提前预测结果；
利用卷积神经网络提取器提取历史销售数据的销售数据特征以及对应的销售数据特征权重；
所述销售数据特征权重结合所述提前预测结果进行预测，获取物流订单预测信息。
3.根据权利要求2所述的车辆组合无人机协同配送方法，其特征在于，所述卷积神经网络包括元特征提取模块和特征权重生成模块，所述历史销售数据包括时间序列数据和影响因素数据；其中，
所述元特征提取模块用于从时间序列数据提取销售数据特征；
所述特征权重生成模块基于所述销售数据特征生成对应的销售数据特征权重。
4.根据权利要求2所述的车辆组合无人机协同配送方法，其特征在于，所述基础预测库结合所述销售数据特征权重生成预测函数；所述预测函数基于提前预测结果预测时间范围T+1到T+H的物流订单预测信息，计算公式如下：
Figure FDA0003574852860000021
；
其中，1:T表示开始时间T+1，
Figure FDA0003574852860000022
表示时间范围T+1到T+H的物流订单预测信息，[σit]t＝1:T表示影响因素数据，[τit]t＝1:(T+H)表示时间序列数据。
5.根据权利要求2所述的车辆组合无人机协同配送方法，其特征在于，物流订单预测信息还可以通过预测结果损失函数进行评估，并将评估后的预测结果反向传播给元特征提取器；其中，所述元特征提取器迭代学习预测结果的销售数据特征，生成集成预测结果。
6.根据权利要求1所述的车辆组合无人机协同配送方法，其特征在于，物流调度方案基于路径节点之间的高度差计算配送时间和配送成本，并根据配送时间和配送成本设计配送方案，包括以下步骤：
计算路径节点i与路径节点j之间的无人机配送时间，公式如下：
Figure FDA0003574852860000023
；
其中，i，j分别表示路径节点，N表示路径节点集合，Lij表示无人机从路径节点i到路径节点j的水平直线距离，Hij表示路径节点i和路径节点j间的高度差，vij表示无人机从i到j的规定速度，Q则表示无人机飞行中收外部因素影响的消耗时间；
计算路径节点i与路径节点j之间的车辆配送时间，公式如下：
Figure FDA0003574852860000024
；
其中，i，j分别表示路径节点，N表示路径节点集合Sij表示车辆从路径节点i到路径节点j的总路程，Vij则表示车辆从路径节点i到路径节点j的规定速度；
判断车辆配送时间是否大于等于无人机配送时间；若是，则计算路径节点i到路径节点k的综合配送成本；若否，则配送方案为车辆单独配送方案；
计算路径节点i与路径节点k之间的无人机与车辆的综合配送成本，公式如下：
Figure FDA0003574852860000031
；
其中，i，j，k分别表示路径节点，N表示路径节点集合，
mij表示车辆从路径节点i到路径节点j的配送订单重量，
Ljk表示无人机从路径节点j到路径节点k的水平直线距离，
Hjk表示路径节点j和路径节点k间的高度差，
α表示车辆路程成本，
β表示无人机路程成本，
Sik表示车辆从路径节点i到路径节点k的总路程；
判断综合配送成本是否为正值；若是，则配送方案为车辆单独配送方案；若否，则配送方案为车辆组合无人机协同配送方案。
7.根据权利要求1所述的车辆组合无人机协同配送方法，其特征在于，所述物流调度方案采用延误时间惩罚函数进行优化，计算公式如下：
Figure FDA0003574852860000032
；
其中，i，j，k分别表示路径节点，N表示路径节点集合，
CTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k这段路程的延误时间惩罚函数值，
TCijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的完成配送时间差，
GTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的最大规定时间差，
ZTijk表示车辆从路径节点i到路径节点k和无人机从路径节点i到路径节点j再到路径节点k的最终限制时间差。
8.根据权利要求1所述的车辆组合无人机协同配送方法，其特征在于，所述物流配送路径采用无人机车辆路径优化模型进行优化；其中，所述无人机车辆路径优化模型为以时间导向为目标的混合整数线性模型，通过线性松弛优化算法来优化无人机车辆路径优化模型。
9.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述无人机车辆路径优化模型包括平衡无人机车辆路径优化模型和效率无人机车辆路径优化模型；其中，
所述平衡无人机车辆路径优化模型的目标函数为最大完工时间最小化函数，计算公式为min zt；
所述效率无人机车辆路径优化模型的目标函数为总完工时间最小化函数，计算公式为:
Figure FDA0003574852860000041
；
其中，zt表示完成所有配送的总时间，
F表示车辆集合，f表示车辆，
C表示配送节点集合，c+1表示配送结束节点，
Figure FDA0003574852860000042
则表示到达路径节点c+1的结束时间。
10.根据权利要求9所述的车辆组合无人机协同配送方法，其特征在于，若配送结束节点c+1被车辆f访问，则
Figure FDA0003574852860000043
表示车辆f到达路径节点c+1的结束时间；若配送结束节点c+1被携带无人机的车辆f访问，则
Figure FDA0003574852860000044
表示与车辆f关联的无人机到达路径节点c+1的结束时间。
11.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述线性松弛优化算法通过时间变量下界来优化无人机车辆路径优化模型；其中，所述时间变量下界包括搭载无人机的车辆总配送时间下界和关联车辆的无人机配送完成时间下界。
12.根据权利要求11所述的车辆组合无人机协同配送方法，其特征在于，所述搭载无人机的车辆总配送时间下界为车辆行驶总距离所需的总时间加上所有车辆为节点服务所需的时间；其中，车辆到达目标节点的时间大于或等于所述搭载无人机的车辆总配送时间下界，通过所述搭载无人机的车辆总配送时间下界约束各车辆到达各路径节点时间，约束公式如下：
Figure FDA0003574852860000051
；
其中，F表示车辆集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，
Figure FDA0003574852860000052
代表车辆f到达路径节点i时间，
Figure FDA0003574852860000053
表示各车辆f从路径节点i到路径节点j的总行驶时间，
eij表示为车辆f从路径节点j到路径节点i的时间，
Figure FDA0003574852860000054
表示为车辆在节点j的服务时间，
Figure FDA0003574852860000055
用于判断各车辆f是否经过路径节点i到路径节点j之间，若是，则值为1，若否，则值为0。
13.根据权利要求11所述的车辆组合无人机协同配送方法，其特征在于，所述关联车辆的无人机配送完成时间下界用于约束各无人机到达各路径节点，约束公式如下：
Figure FDA0003574852860000056
；
其中，F表示车辆集合，D表示无人机集合，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，
Figure FDA0003574852860000057
表示各车辆f对应的各无人机d到达各路径节点i时间，
Figure FDA0003574852860000061
表示关联各车辆f的无人机d从路径节点i到路径节点j再到路径节点j的总运动时间，
eL表示为无人机集合D中各无人机d的启动时间，
eS，T和eS，D表示为车辆集合F和无人机集合D在节点i的服务时间，
eij表示为车辆通过路径节点i到路径节点j之间的时间，
e’jk表示为无人机通过路径节点j到路径节点k的时间，
Figure FDA0003574852860000062
用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间。若是，则值为1，若否，则值为0。
14.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述线性松弛优化算法还可以通过分支切割算法优化无人机车辆路径优化模型；其中，所述分支切割算法基于时间优先级约束物流配送路径，包括无人机路径约束和车辆路径约束。
15.根据权利要求14所述的车辆组合无人机协同配送方法，其特征在于，所述无人机路径通过以下不等式进行约束：
Figure FDA0003574852860000063
；
其中，N表示路径节点集合，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，C表示配送节点集合，F表示车辆集合，D表示无人机集合；
Figure FDA0003574852860000064
表示用于判断与车辆f关联的无人机d是否经过路径节点i到路径节点j再到路径节点k之间路线，若是，则值为1，若否，则值为0；
Figure FDA0003574852860000065
表示开始路径节点i与着陆路径节点k之间优先级。
16.根据权利要求13所述的车辆组合无人机协同配送方法，其特征在于，所述车辆路径通过以下不等式进行约束：
Figure FDA0003574852860000066
；
其中，N0表示车辆启动路径节点集合，N+表示车辆到达节点集合，F表示车辆集合，D表示无人机集合，
Figure FDA0003574852860000071
用于判断各车辆f是否经过路径节点i到路径节点j之间，若是，则值为1，若否，则值为0；
Figure FDA0003574852860000072
表示开始路径节点i与着陆路径节点k之间优先级。
17.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述线性松弛优化算法通过配送节点数量下界优化无人机车辆路径优化模型，约束公式如下：
Figure FDA0003574852860000073
；
其中，C表示配送节点集合，F表示车辆集合，D表示无人机集合；
Figure FDA0003574852860000074
用于判断车辆f是否访问过路径节点i，若是，则值为1，若否，则值为0；
Figure FDA0003574852860000075
表示搭载无人机的车辆集合F的配送节点数量下界，
Figure FDA0003574852860000076
表示各车辆已访问过的配送节点数量总和。
18.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述无人机车辆路径优化模型还可以通过约束路径回路来优化物流配送路径，约束公式如下：
Figure FDA0003574852860000077
；
其中，C表示配送节点集合，c+1表示配送结束节点，c0表示配送开始节点；
Figure FDA0003574852860000078
用于表示配送闭环路径的固定值；
Figure FDA0003574852860000079
用于判断各车辆f是否访问客户配送节点j，若是，则值为1，若否，则值为0。
19.根据权利要求8所述的车辆组合无人机协同配送方法，其特征在于，所述无人机车辆路径优化模型还可以通过约束各车辆的配送节点数量来优化物流配送路径，约束公式如下：
Figure FDA0003574852860000081
；
其中，C表示配送节点集合，F表示车辆集合；f
Figure FDA0003574852860000082
表示车辆f访问过的路径节点数量总和；
Figure FDA0003574852860000083
表示下一车辆f+1访问过的路径节点数量总和。
CN202210337324.9A 2022-03-31 2022-03-31 一种车辆组合无人机协同配送方法 Active CN114677087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210337324.9A CN114677087B (zh) 2022-03-31 2022-03-31 一种车辆组合无人机协同配送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210337324.9A CN114677087B (zh) 2022-03-31 2022-03-31 一种车辆组合无人机协同配送方法

Publications (2)

Publication Number Publication Date
CN114677087A true CN114677087A (zh) 2022-06-28
CN114677087B CN114677087B (zh) 2024-08-16

Family

ID=82077047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210337324.9A Active CN114677087B (zh) 2022-03-31 2022-03-31 一种车辆组合无人机协同配送方法

Country Status (1)

Country Link
CN (1) CN114677087B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090931A (zh) * 2023-03-16 2023-05-09 南京邮电大学 一种基于客户分类的末端配送方法及装置
CN116402432A (zh) * 2023-06-08 2023-07-07 北京京东乾石科技有限公司 路由规划方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564326A (zh) * 2018-04-19 2018-09-21 安吉汽车物流股份有限公司 订单的预测方法及装置、计算机可读介质、物流系统
CN114037180A (zh) * 2021-11-25 2022-02-11 电子科技大学 一种基于分支定价切割算法的协同配送路径优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564326A (zh) * 2018-04-19 2018-09-21 安吉汽车物流股份有限公司 订单的预测方法及装置、计算机可读介质、物流系统
CN114037180A (zh) * 2021-11-25 2022-02-11 电子科技大学 一种基于分支定价切割算法的协同配送路径优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090931A (zh) * 2023-03-16 2023-05-09 南京邮电大学 一种基于客户分类的末端配送方法及装置
CN116090931B (zh) * 2023-03-16 2024-02-09 南京邮电大学 一种基于客户分类的末端配送方法及装置
CN116402432A (zh) * 2023-06-08 2023-07-07 北京京东乾石科技有限公司 路由规划方法、装置、设备及存储介质
CN116402432B (zh) * 2023-06-08 2023-12-05 北京京东乾石科技有限公司 路由规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114677087B (zh) 2024-08-16

Similar Documents

Publication Publication Date Title
CN110097234B (zh) 工业卷烟运输智能调度方法及系统
Branchini et al. Adaptive granular local search heuristic for a dynamic vehicle routing problem
Cheung et al. Dynamic routing model and solution methods for fleet management with mobile technologies
Amorim et al. A rich vehicle routing problem dealing with perishable food: a case study
CN114677087B (zh) 一种车辆组合无人机协同配送方法
US20150120600A1 (en) Time and location based delivery optimization
CN110555640A (zh) 路由规划的方法和装置
US20080312977A1 (en) Method and apparatus for providing availability of airline seats
Grzybowska et al. Decision support system for real-time urban freight management
Liu et al. On-demand delivery from stores: Dynamic dispatching and routing with random demand
Zhou et al. A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion
CN104715675A (zh) 一种适用于物流配送路径优化的gis电子地图
Tao et al. The value of personalized dispatch in O2O on-demand delivery services
Cai et al. Dynamic bicycle relocation problem with broken bicycles
Deng et al. Multi-objective vehicle rebalancing for ridehailing system using a reinforcement learning approach
Li et al. Meal delivery routing optimization with order allocation strategy based on transfer stations for instant logistics services
Kamsopa et al. Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area
Guillen et al. Europcar integrates forecasting, simulation, and optimization techniques in a capacity and revenue management system
Zhen et al. Decision models for personal shopper platform operations optimization
Leclaire et al. Method for static rebalancing of a bike sharing system
Zhen et al. Vehicle routing for customized on-demand bus services
Boru İpek Multi-objective simulation optimization integrated with analytic hierarchy process and technique for order preference by similarity to ideal solution for pollution routing problem
Teimoury et al. The sustainable hybrid truck-drone delivery model with stochastic customer existence
Chen et al. Solving a 3-dimensional vehicle routing problem with delivery options in city logistics using fast-neighborhood based crowding differential evolution algorithm
Cui et al. A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm

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
TA01 Transfer of patent application right

Effective date of registration: 20240627

Address after: Room 701-1, Building 1, Yuanlun Building, No. 350 Qifei Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000

Applicant after: Hangzhou Yuanlai Technology Co.,Ltd.

Country or region after: China

Address before: 201708 Building 1, No. 1288, Huateng Road, Huaxin Town, Qingpu District, Shanghai

Applicant before: Shanghai Yuanlai Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant