CN114706386A - 车机协同取送货路径优化方法和系统 - Google Patents
车机协同取送货路径优化方法和系统 Download PDFInfo
- Publication number
- CN114706386A CN114706386A CN202210243400.XA CN202210243400A CN114706386A CN 114706386 A CN114706386 A CN 114706386A CN 202210243400 A CN202210243400 A CN 202210243400A CN 114706386 A CN114706386 A CN 114706386A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned aerial
- pick
- aerial vehicle
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车机协同取送货路径优化方法和系统，涉及路径优化技术领域。本发明通过获取多无人机与车辆协同的取送货任务数据；基于所述取送货任务数据，以使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构建车机协同取送货模型；基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。本发明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。
Description
技术领域
本发明涉及路径优化技术领域，具体涉及一种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。
然而，现有方法并未考虑到逆向物流的问题，导致得到的优化路径在逆向物流方面利用率较低，使得整个取送货物流输运成本较高。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种车机协同取送货路径优化方法和系统，解决了现有车机协同路径优化方法未考虑到逆向物流的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种车机协同取送货路径优化方法，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；
S2、基于所述取送货任务数据，以使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构建车机协同取送货模型；
S3、基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
优选的，所述S3中的对车机协同取送货模型求解的方式包括，通过贪婪算法和节约算法对车机协同取送货模型求解。
优选的，所述车机协同取送货模型包括目标函数，如公式(1)：
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。
优选的，所述车机协同取送货模型包括约束条件，如公式(2)～(14)：
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；
Ti k表示车辆k在节点i的抵达时间；
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。
优选的，所述S3具体包括：
S301、导入取送货任务数据，计算各节点之间的欧式距离；
S302、将所有锚点储存在一个链表A<>中，随机选择一个锚点a为起点，选择后则删掉该点；并判断锚点链表A<>是否为空，若不为空，则进入下一步；若为空，则进入S312；
S303、寻找离该锚点a最短距离的送货点D；
S304、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S309；
S305、每个锚点a对应一个圈次数量r，判断圈次数量是否小于最大圈次数，若否，则返回第二步；若是，则圈次数量+1，该圈次储存该送货点Cir[a][r][1]＝D；
S306、寻找离该送货点D最短距离的取货点P；
S307、判断该圈次累计花费时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S303；
S308、该圈次储存该取货点Cir[a][r][2]＝P，返回S302；
S309、寻找离该锚点a最短距离的取货点P；
S310、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S302；
S311、圈次数量+1，该圈次储存该取货点Cir[a][r][1]＝P，并判断圈次数量是否小于最大圈次数，若否，则返回S302；若是，返回S309；
S312、将圈次数量大于0的锚点储存在新的链表An<>中；
S313、计算锚点间的节约里程数，并排序储存在链表CW<>中，其中属性含有锚点a1、锚点a2、节约里程数；
S314、按照串行节约里程算法的思想访问节约里程表CW<>；并判断是否访问结束，若访问完，则结束，输出车辆路径与无人机路径；否则进入下一步；
S315、判断累计的车辆在仓库的初始载重，和在各个锚点的实时载重是否满足车辆容积约束，若满足，则进入下一步，否足则返回S314；
S316、将锚点储存在对应的车辆路径中；再返回S314。
优选的，所述S3中的对车机协同取送货模型求解的方式包括，通过遗传算法对车机协同取送货模型求解。
优选的，所述通过遗传算法对车机协同取送货模型求解，包括：
Step1：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；
Step2：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，即输出车辆路径与无人机路径；
Step3：以目标函数的倒数为适应度值，计算每个个体的适应度值；
Step4：从Pop_List中选择出参与本轮进化的种群Select_Pop；
Step5：在Select_Pop中选择出个体作为父代1和父代2进行交叉和变异操作，得到新的子代个体作为邻域解，且i＝i+1；
Step6：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，并更新当前温度系数；
Step7：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Step9；
Step8：更新全局最优解；
Step9：判断邻域解是否大于等于当前最优解，若是则进入第十一步；若否则进入Step10；
Step10：利用Metroplis规则接受劣解，接受的概率表达式为
其中Δf＝cost(New_In)-cost(Select_Pop[j])，T指当前的退火温度；
Step11：更新下一代种群；返回Step2。
第二方面，本发明提供一种车机协同取送货路径优化系统，包括：
数据获取模块，获取多无人机与车辆协同的取送货任务数据；
模型构建模块，基于所述取送货任务数据，以使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构建车机协同取送货模型；
路径获取模块，基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
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上述所述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：
本发明通过获取多无人机与车辆协同的取送货任务数据；基于所述取送货任务数据，以使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构建车机协同取送货模型；基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。本发明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。
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为本发明实施例中一种车机协同取送货路径优化方法的框图。
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车机协同取送货路径优化方法和系统，解决了现有车机协同路径优化方法未考虑到逆向物流的技术问题，实现提高优化路径在逆向物流方面的利用率较，降低逆向物流成本。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例的一种车机协同取送货路径优化方法主要包括两部分：一是建立基于多车多无人机的车机协同取送货模型；二是基于问题特性提出一种启发式规则算法，该启发式规则是基于2E-VRP的解决方法，结合了贪婪算法和节约里程算法的思想，利用锚点作为切入点，得到车辆无人机路线的可行解。该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。本发明实施例在车机协同取送货模型的基础上提出了一种基于启发式的路径规划算法，在该算法的支持下，车机协同取送货效率可以进一步提高，降低逆向物流的成本。
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；
S2、基于所述取送货任务数据，以使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构建车机协同取送货模型；
S3、基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
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。
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。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
是指无人机k′从i行驶到j的距离
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
无人机k′经过i点后的电池使用量
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
车辆k经弧<i,j>的行驶时间
无人机k经弧<i,j>的行驶时间
无人机发射时间SL和无人机回收时间SR。
决策变量包括：
在步骤S2中，基于所述取送货任务数据，以使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构建车机协同取送货模型。具体实施过程如下：
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)：
约束条件包括公式(2)～(14)：
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S3中，基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。具体实施过程如下：
需要说明的是，在本发明实施例中，可通过遗传算法或其他启发式算法对车机协同取送货模型求解。在本发明实施例中，简单介绍遗产算法，具体介绍基于2E-VRP的解决方法，结合贪婪算法和节约里程算法的思想，对车机协同取送货模型进行求解。
通过遗传算法对车机协同取送货模型进行求解的过程如下：
Step1：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；
Step2：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，即输出车辆路径与无人机路径；
Step3：以目标函数的倒数为适应度值，计算每个个体的适应度值；
Step4：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；
Step5：在Select_Pop中选择出个体作为父代1和父代2进行交叉和变异操作，得到新的子代个体作为邻域解，且i＝i+1；
Step6：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，并更新当前温度系数；
Step7：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Step9；
Step8：更新全局最优解；
Step9：判断邻域解是否大于等于当前最优解，若是则进入第十一步；若否则进入Step10；
Step10：利用Metroplis规则接受劣解，接受的概率表达式为
其中Δf＝cost(New_In)-cost(Select_Pop[j])，T指当前的退火温度；
Step11：更新下一代种群；返回Step2。
基于2E-VRP的解决方法，结合贪婪算法和节约里程算法的思想，对车机协同取送货模型进行求解的具体过程如下：
S301、导入取送货任务数据，计算各节点之间的欧式距离；
S302、将所有锚点储存在一个链表A<>中，随机选择一个锚点a为起点，选择后则删掉该点；并判断锚点链表A<>是否为空，若不为空，则进入下一步；若为空，则进入S312；
S303、寻找离该锚点a最短距离的送货点D；
S304、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S309；
S305、每个锚点a对应一个圈次数量r，判断圈次数量是否小于最大圈次数，若否，则返回第二步；若是，则圈次数量+1，该圈次储存该送货点Cir[a][r][1]＝D；
S306、寻找离该送货点D最短距离的取货点P；
S307、判断该圈次累计花费时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S303；
S308、该圈次储存该取货点Cir[a][r][2]＝P，返回S302；
S309、寻找离该锚点a最短距离的取货点P；
S310、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S302；
S311、圈次数量+1，该圈次储存该取货点Cir[a][r][1]＝P，并判断圈次数量是否小于最大圈次数，若否，则返回S302；若是，返回S309；
S312、将圈次数量大于0的锚点储存在新的链表An<>中；
S313、计算锚点间的节约里程数，并排序储存在链表CW<>中，其中属性含有锚点a1、锚点a2、节约里程数；
S314、按照串行节约里程算法的思想访问节约里程表CW<>；并判断是否访问结束，访问完，则结束，输出车辆路径与无人机路径；若未访问完，则进入下一步；
S315、判断累计的车辆在仓库的初始载重，和在各个锚点的实时载重是否满足车辆容积约束，若满足，则进入下一步，若不满足则返回S314；
S316、将锚点储存在对应的车辆路径中，再返回S314。
本发明实施例还提供了一种车机协同取送货路径优化系统，包括：
数据获取模块，获取多无人机与车辆协同的取送货任务数据；
模型构建模块，基于所述取送货任务数据，以使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构建车机协同取送货模型；
路径获取模块，基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
可理解的是，本发明实施例提供的车机协同取送货路径优化系统与上述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。
2、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。
3、本发明实施例根据车机协同取送货模型的特性，提出了一种启发式规则算法，该启发式规则是基于2E-VRP的解决方法，结合了贪婪算法和节约里程算法的思想，利用锚点作为切入点，得到车辆无人机路线的最优解，进一步提高车机协同取送货效率，降低逆向物流的成本。
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)
1.一种车机协同取送货路径优化方法，其特征在于，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；
S2、基于所述取送货任务数据，以使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构建车机协同取送货模型；
S3、基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
2.如权利要求1所述的车机协同取送货路径优化方法，其特征在于，所述S3中的对车机协同取送货模型求解的方式包括，通过贪婪算法和节约算法对车机协同取送货模型求解。
3.如权利要求1所述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)：
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。
4.如权利要求3所述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约束条件，如公式(2)～(14)：
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；
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。
5.如权利要求1～4任一所述的车机协同取送货路径优化方法，其特征在于，所述S3具体包括：
S301、导入取送货任务数据，计算各节点之间的欧式距离；
S302、将所有锚点储存在一个链表A<>中，随机选择一个锚点a为起点，选择后则删掉该点；并判断锚点链表A<>是否为空，若不为空，则进入下一步；若为空，则进入S312；
S303、寻找离该锚点a最短距离的送货点D；
S304、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S309；
S305、每个锚点a对应一个圈次数量r，判断圈次数量是否小于最大圈次数，若否，则返回第二步；若是，则圈次数量+1，该圈次储存该送货点Cir[a][r][1]＝D；
S306、寻找离该送货点D最短距离的取货点P；
S307、判断该圈次累计花费时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S303；
S308、该圈次储存该取货点Cir[a][r][2]＝P，返回S302；
S309、寻找离该锚点a最短距离的取货点P；
S310、判断两点间花费的时间是否满足无人机的续航时间；判断车辆在该圈次的载重量是否小于车辆的容积；若同时满足则进入下一步；若任一不满足则进入S302；
S311、圈次数量+1，该圈次储存该取货点Cir[a][r][1]＝P，并判断圈次数量是否小于最大圈次数，若否，则返回S302；若是，返回S309；
S312、将圈次数量大于0的锚点储存在新的链表An<>中；
S313、计算锚点间的节约里程数，并排序储存在链表CW<>中，其中属性含有锚点a1、锚点a2、节约里程数；
S314、按照串行节约里程算法的思想访问节约里程表CW<>；并判断是否访问结束，若访问完，则结束，输出车辆路径与无人机路径；否则进入下一步；
S315、判断累计的车辆在仓库的初始载重，和在各个锚点的实时载重是否满足车辆容积约束，若满足，则进入下一步，否足则返回S314；
S316、将锚点储存在对应的车辆路径中；再返回S314。
6.如权利要求4所述的车机协同取送货路径优化方法，其特征在于，所述S3中的对车机协同取送货模型求解的方式包括，通过遗传算法对车机协同取送货模型求解。
7.如权利要求6所述的车机协同取送货路径优化方法，其特征在于，所述通过遗传算法对车机协同取送货模型求解，包括：
Step1：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；
Step2：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，即输出车辆路径与无人机路径；
Step3：以目标函数的倒数为适应度值，计算每个个体的适应度值；
Step4：从Pop_List中选择出参与本轮进化的种群Select_Pop；
Step5：在Select_Pop中选择出个体作为父代1和父代2进行交叉和变异操作，得到新的子代个体作为邻域解，且i＝i+1；
Step6：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，并更新当前温度系数；
Step7：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Step9；
Step8：更新全局最优解；
Step9：判断邻域解的适应度值是否大于等于当前最优解，若是则进入第十一步；若否则进入Step10；
Step10：利用Metroplis规则接受劣解，接受的概率表达式为
其中Δf＝cost(New_In)-cost(Select_Pop[j])，T指当前的退火温度；
Step11：更新下一代种群；返回Step2。
8.一种车机协同取送货路径优化系统，其特征在于，包括：
数据获取模块，获取多无人机与车辆协同的取送货任务数据；
模型构建模块，基于所述取送货任务数据，以使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构建车机协同取送货模型；
路径获取模块，基于所述取送货任务数据对车机协同取送货模型求解，获取无人机路径和车辆行驶路径。
9.一种计算机可读存储介质，其特征在于，其存储用于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任一所述的车机协同取送货路径优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210243400.XA CN114706386A (zh) | 2022-03-11 | 2022-03-11 | 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 |
|---|---|---|---|
| CN202210243400.XA CN114706386A (zh) | 2022-03-11 | 2022-03-11 | 车机协同取送货路径优化方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114706386A true CN114706386A (zh) | 2022-07-05 |
Family
ID=82168084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210243400.XA Pending CN114706386A (zh) | 2022-03-11 | 2022-03-11 | 车机协同取送货路径优化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114706386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522253A (zh) * | 2024-01-05 | 2024-02-06 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
-
2022
- 2022-03-11 CN CN202210243400.XA patent/CN114706386A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522253A (zh) * | 2024-01-05 | 2024-02-06 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
| CN117522253B (zh) * | 2024-01-05 | 2024-04-19 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977739B (zh) | 物流配送路径的优化方法、装置及设备 | |
| WO2022021119A1 (zh) | 一种集装箱码头间全自主水上运输调度方法及系统 | |
| Ostermeier et al. | Cost‐optimal truck‐and‐robot routing for last‐mile delivery | |
| CN110110871B (zh) | 一种订单分配的方法和系统 | |
| Mańdziuk | New shades of the vehicle routing problem: Emerging problem formulations and computational intelligence solution methods | |
| CN106156961B (zh) | 一种车辆调度方法和装置 | |
| CN107145971A (zh) | 一种动态调整的快递配送优化方法 | |
| CN111553626A (zh) | 一种路径规划方法、装置、电子设备及其存储介质 | |
| CN111325409A (zh) | 一种换电站选址与混合车队路径规划方法及系统 | |
| CN114331220B (zh) | 基于订单动态优先级的乘用车运输车辆调度方法及装置 | |
| CN114358675A (zh) | 一种多无人机-多卡车协同物流配送路径规划方法 | |
| 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 | |
| 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 | |
| CN114706386A (zh) | 车机协同取送货路径优化方法和系统 | |
| Van Duin et al. | Smart method for self-organization in last-mile parcel delivery | |
| 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 | |
| CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货系统和方法 | |
| Pal et al. | SmartPorter: A combined perishable food and people transport architecture in smart urban areas | |
| 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 | |
| Li et al. | Truck and unmanned vehicle routing problem with time windows: a satellite synchronization perspective | |
| CN112613701A (zh) | 一种成品卷烟物流调度方法 | |
| CN114971043B (zh) | 一种基于非欧拉回路的邮递员问题路径优化方法 | |
| Liu et al. | A double-adaptive general variable neighborhood search for an unmanned electric vehicle routing and scheduling problem in green manufacturing systems | |
| CN115564117A (zh) | 车机柜协同配送路径优化方法和系统 | |
| CN113741418A (zh) | 异构车机编队协同路径的生成方法和装置 |
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 |