CN114841582A - 一种卡车和无人机协同配送方法 - Google Patents

一种卡车和无人机协同配送方法 Download PDF

Info

Publication number
CN114841582A
CN114841582A CN202210512252.7A CN202210512252A CN114841582A CN 114841582 A CN114841582 A CN 114841582A CN 202210512252 A CN202210512252 A CN 202210512252A CN 114841582 A CN114841582 A CN 114841582A
Authority
CN
China
Prior art keywords
truck
solution
unmanned aerial
aerial vehicle
neighborhood
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
CN202210512252.7A
Other languages
English (en)
Inventor
张帅
刘思亮
张文宇
金栋达
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 Finance and Economics
Original Assignee
Zhejiang University of Finance and Economics
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 Finance and Economics filed Critical Zhejiang University of Finance and Economics
Priority to CN202210512252.7A priority Critical patent/CN114841582A/zh
Publication of CN114841582A publication Critical patent/CN114841582A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种卡车和无人机协同配送方法，应用于卡车和无人机协同配送网络，首先建立包括卡车配送成本和无人机配送成本的总配送成本目标函数，然后以卡车向量表示卡车访问固定停靠点的顺序，以客户向量表示无人机服务客户的顺序，以无人机向量表示无人机每次飞行所服务客户的数量，构建基于三维向量的卡车和无人机协同配送解决方案；最后采用改进的元启发式算法，逐次迭代寻找最优的卡车和无人机协同配送解决方案，直到达到迭代终止条件，输出最优的卡车和无人机协同配送解决方案。本发明技术方案大大减少了卡车的移动，同时利用无人机的配送潜力来降低了总成本。

Description

一种卡车和无人机协同配送方法
技术领域
本申请属于物流配送技术领域，尤其涉及一种卡车和无人机协同配送方法。
背景技术
近年来，无人机作为一种具有广阔市场前景的新兴技术，已经逐渐应用到很多技术领域。在工业领域，无人机可用于基础设施的定期检查；在灾后救援中，无人机能实时地监测受灾地区，为风险评估提供信息；特别是在运输领域，无人机为物流公司提供了一种可以更有效地配送商品且不受交通拥堵影响的配送方式。因此，无人机技术在商品配送过程中的应用已经受到越来越多物流公司的关注。
与卡车等地面车辆相比，无人机可以采取任何路线配送商品，不受制于地面交通网路的影响，从而大大缩短了配送时间。其次，无人机由电力驱动，避免了配送过程中的碳排放。此外，无人机的配送成本比卡车低。然而，由于无人机存在飞行续航能力弱的缺点，因此无人机只适合小范围内的商品配送，仅使用无人机配送商品极大地限制了其在物流公司的应用场景。
为了克服无人机服务网络的缺点，载重能力强和续航能力强的卡车被用作与无人机性能互补的配送工具。在卡车和无人机协同配送网络中，卡车和无人机协同为客户服务。例如，当卡车为一个客户提供服务时，无人机从卡车顶部起飞，向其它客户运送商品。卡车具有拓宽无人机服务范围和执行商品配送任务的双重功能。虽然搭载在卡车上的无人机拓宽了服务范围后能为更远的客户提供服务，但其载重能力限制了每次飞行所能配送商品的数量。合理的做法是让卡车执行大部分的商品配送任务，并同时采用无人机配送的方法来尽量减少整体物流服务网络的总配送完成时间或总配送成本。现有的卡车和无人机协同配送网络大多是以卡车配送路线为主，无人机配送路线为辅，或者由两类路线均衡组成。
现有的研究主要考虑无人机给小范围内的客户服务，例如无人机的服务范围通常是以卡车停靠点为中心的区域或两个相邻卡车停靠点之间的连接区域；而且无人机每次飞行只能携带一种商品。因此，应进一步挖掘无人机的潜力，使其能够在卡车的支持下执行大范围的配送任务，并在每次飞行中携带多种商品为多个客户提供服务。
此外，在大多数现有的卡车和无人机协同配送网络中，通常假设卡车停在客户地点发射和回收无人机，或在配送途中执行操作。这就要求卡车和无人机的操作具有同步性。例如，若无人机比卡车先到达会合地点，无人机必须在空中盘旋，等待卡车的到来。反之，若卡车比无人机先到达会合地点，卡车必须等待无人机。然而，卡车并不总是适合在驾驶时或在客户地点进行无人机操作，因为在某些地区禁止停车。
因此，现有技术的卡车和无人机协同配送技术方案，还存在较多的问题，无法满足日益增长的配送需求。
发明内容
本申请的目的是提供一种卡车和无人机协同配送方法，以提高配送效率。
为了实现上述目的，本申请技术方案如下：
一种卡车和无人机协同配送方法，应用于卡车和无人机协同配送网络，所述卡车和无人机协同配送网络中配送工具由一辆卡车和一支无人机队组成，网络中网络节点包括一个仓库、固定卡车停靠点以及客户，所述卡车搭载着商品和所有无人机从仓库出发，穿过固定停靠点，最后返回仓库，在卡车行驶的沿途中，无人机在固定停靠点处装载商品并发射并向客户配送商品，商品配送给客户后，无人机被卡车在随后经过的固定停靠点收回，所述卡车和无人机协同配送方法，包括：
建立包括卡车配送成本和无人机配送成本的总配送成本目标函数；
以卡车向量表示卡车访问固定停靠点的顺序，以客户向量表示无人机服务客户的顺序，以无人机向量表示无人机每次飞行所服务客户的数量，构建基于三维向量的卡车和无人机协同配送解决方案；
采用改进的元启发式算法，逐次迭代寻找最优的卡车和无人机协同配送解决方案，直到达到迭代终止条件，输出最优的卡车和无人机协同配送解决方案；
所述改进的元启发式算法，在每次迭代时，包括：
步骤S31、预先设置K个邻域算子，所述邻域算子包括对客户向量邻域算子和无人机向量邻域算子，令k等于1，从K个邻域算子中选择第k个邻域算子；
步骤S32、对初始解决方案连续应用第k个邻域算子，生成一组新的解决方案，从新的解决方案中随机选择一个，作为第一解决方案；
步骤S33、检查第一解决方案是否在禁忌列表中，如果在则返回步骤S32，否则设置邻域集合为空，进入下一步骤；
步骤S34、对第一解决方案随机应用客户向量邻域算子，得到第二解决方案，如果第二解决方案满足约束条件，则将第二解决方案放入邻域集合中，否则将第二解决方案对应的总配送成本设为无穷大后，将第二解决方案放入邻域集合中；
步骤S35、对第一解决方案随机应用无人机向量邻域算子，得到第三解决方案，如果第三解决方案满足约束条件，则将第三解决方案放入邻域集合中，否则将第三解决方案对应的总配送成本设为无穷大后，将第三解决方案放入邻域集合中；
步骤S36、持续执行步骤S34和步骤S35，直到邻域集合的大小满足预设的大小，从邻域集合中找出总配送成本最小的解决方案作为候选解决方案；
步骤S37、判断候选解决方案是否优于初始解决方案，如果候选解决方案优于初始解决方案，则将候选解决方案记录到禁忌列表中，并将候选解决方案作为下一次迭代的初始解决方案进行下一次迭代；如果候选解决方案不优于初始解决方案且k小于K时，令k加1并返回步骤S32；如果候选解决方案不优于初始解决方且k大于等于K时，则进行下一次迭代。
进一步地，所述总配送成本目标函数如下：
Figure BDA0003638454110000031
其中，ct表示卡车单位距离的行驶成本，V0代表包括卡车出发时所处的仓库在内的一组固定的卡车停靠点集合，V+代表包括卡车结束时返回的仓库在内的一组固定的卡车停靠点集合，sij表示节点i到节点j的距离，xij表示0-1变量，D表示无人机集合，V表示除仓库外的卡车停靠点集合，N表示除仓库外的节点集合，slm表示节点l到节点m的距离，
Figure BDA0003638454110000041
表示0-1变量。
进一步地，所述邻域算子，包括：
第一种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并在元素j之前插入元素i以生成一个新的解决方案x'；
第二种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并将元素i与j交换以生成新的解决方案x'；
第三种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并反转元素i和j之间的所有元素以生成新的解决方案x'；
第四种邻域算子：
在初始解决方案x的无人机向量中随机选择元素i和j，并在元素j之前插入元素i以生成新的解决方案x'；
第五种邻域算子：
在初始解决方案x的无人机向量中随机选择一个非零元素i，从元素i中减1，并在元素j上加1，从而生成一个新的解决方案x'。
进一步地，所述邻域集合的大小为120个。
进一步地，所述每架未发射的无人机被装载在卡车上，从仓库出并返回仓库。
进一步地，所述卡车在所有固定停靠点处进出平衡，已发射的无人机在所有客户处进出平衡。
本申请提出了一种卡车和无人机协同配送方法，单辆卡车仅作为无人机的载体，多种商品由多架无人机并行配送给客户。考虑了无人机在多个卡车固定停靠点，通过发射和回收的方式及时装载新电池和商品，以克服自身飞行续航能力弱和载重能力弱的缺点。提出了一种带有新的三维编码方案的MVNS算法，设计了五种有效的邻域结构以提高算法的搜索能力，并使用禁忌列表以避免循环搜索。MVNS算法的性能在实验中得到了验证，并与HGA、HPSO和SA/TS等三种基线混合算法进行了比较。结果显示，MVNS算法能有效求解卡车和无人机协同配送网络。采用本申请技术方案，可以大大减少卡车的移动，同时利用无人机的配送潜力来降低总成本。
附图说明
图1为本申请应用场景示意图；
图2为本申请卡车和无人机协同配送方法流程图；
图3为三维向量编码示意图；
图4为本申请改进的元启发式算法迭代流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请考虑到在路面崎岖、交通不便的配送场景下，卡车并不适合在地面上配送商品。为了提高配送效率，有必要尽量减少卡车移动，同时采用多架无人机在空中配送大部分商品。此时，卡车应该放弃其原有的商品配送功能，而作为拓宽无人机服务范围的辅助工具。如果卡车不执行商品配送任务，就有必要在非客户地点选择一系列合理的停靠点。一种常见的方法是将所有客户地点划分为多个区域，并确定每个区域的重要点作为卡车停靠点。然而这样的方法，仅适用于特定的协同模式，即卡车发射无人机，停留在原地，等待无人机为周围地区的客户提供服务且收回所有无人机后才能移动到下一个停靠点。为此，本申请提出了选择道路网络上的一组对称且等间距的中心节点作为卡车的停靠点，无人机可以在卡车随后经过的另一个停靠点被收回，并被重新发射的技术方案。
本申请一种卡车和无人机协同配送方法应用于如图1所示的应用环境，适用于大范围无人机配送的卡车和无人机协同配送网络，其中配送工具由一辆卡车和一支无人机队组成。网络节点包括一个仓库、一些客户和多个固定卡车停靠点。卡车搭载着多架无人机从仓库出发，穿过一系列固定停靠点，最后返回仓库。在卡车行驶的沿途中，多架无人机从停靠点处发射并向客户配送商品。无人机的配送路线主要取决于卡车路线，无人机在卡车停靠点处装载商品并发射，以便为附近的客户提供配送服务。商品配送给客户后，无人机可被卡车在随后经过的停靠点收回。图1中，黑色方块表示仓库，黑色圆圈表示卡车固定停靠点，黑色箭头表示卡车路线，白色圆圈表示客户，灰色实线箭头表示无人机A的配送路线，灰色虚线表示无人机B的配送路线。
为了便于描述，在本实施例中引用了如下字符，说明如下：
O，一个仓库；o(s)代表卡车出发时所处的仓库，o(e)代表卡车结束时返回的仓库，二者地理位置相同。
V，除仓库外的卡车停靠点集合；V0代表包括o(s)在内的一组固定的卡车停靠点集合，V0＝V∪o(s)；V+代表包括o(e)在内的一组固定的卡车停靠点集合，V+＝V∪o(e)。
C，等待无人机配送的客户集合。
N，除仓库外的节点集合,N＝V∪C。
D，无人机集合。
Q，每架无人机的最大载重能力。
R，每架无人机的最大飞行续航能力。
ct，卡车单位距离的行驶成本。
cd，无人机单位距离的飞行成本。
qm，客户m所需商品的重量。
sij，节点i到节点j的距离。
slm，节点l到节点m的距离。
M，一个足够大的正数。
xij，0-1变量，当卡车穿过弧(i,j)时，其值为1，否则值为0。
Figure BDA0003638454110000061
0-1变量，当无人机d∈D未被发射且搭载在卡车上穿过弧(i,j)时，其值为1，否则为0。
Figure BDA0003638454110000062
0-1变量，当无人机d∈D在固定停靠点i∈V发射后，穿过弧(l,m)时，其值为1，否则为0。
Figure BDA0003638454110000071
0-1变量，当无人机d∈D在固定停靠点i∈V发射时，其值为1，否则为0。
Figure BDA0003638454110000072
0-1变量，当无人机d∈D在固定停靠点i∈V发射并在j∈V收回时，其值为1，否则为0。
pijd，连续型变量，无人机d∈D访问节点i后，向节点j移动时携带的剩余商品重量。
εijd，连续型变量，无人机d∈D访问节点i后，向节点j移动时的剩余飞行时间。
在一个实施例中，如图2所示，提供了一种卡车和无人机协同配送方法，应用于卡车和无人机协同配送网络，所述卡车和无人机协同配送网络中配送工具由一辆卡车和一支无人机队组成，网络中网络节点包括一个仓库、固定卡车停靠点以及客户，所述卡车搭载着商品和所有无人机从仓库出发，穿过固定停靠点，最后返回仓库，在卡车行驶的沿途中，无人机在固定停靠点处装载商品并发射并向客户配送商品，商品配送给客户后，无人机被卡车在随后经过的固定停靠点收回。所述卡车和无人机协同配送方法，包括：
步骤S1、建立包括卡车配送成本和无人机配送成本的总配送成本目标函数。
建立的总配送成本目标函数如下：
Figure BDA0003638454110000073
上述总配送成本目标函数由卡车配送成本和无人机配送成本两部分组成，目标是求得最小总配送成本。slm表示点l到节点m的距离。
本实施例结合实际的应用环境，给出了如下的约束条件：
(1)卡车的约束条件：
Figure BDA0003638454110000074
Figure BDA0003638454110000075
Figure BDA0003638454110000081
约束条件(2)和(3)确保卡车从仓库出发并最终返回仓库，约束条件(4)确保卡车在所有固定停靠点处进出平衡，即当卡车到达停靠点i后，卡车必须从停靠点i离开。
(2)无人机状态的约束条件：
Figure BDA0003638454110000082
Figure BDA0003638454110000083
Figure BDA0003638454110000084
Figure BDA0003638454110000085
Figure BDA0003638454110000086
无人机有未发射和已发射两种状态，约束条件(5)确保每架未发射的无人机被装载在卡车上，从仓库出并返回仓库。约束条件(6)确保每个客户只能被发射的无人机服务一次。约束条件(7)确保已发射的无人机在所有客户处进出平衡，即当已发射的无人机到达客户m后，它必须从客户m离开。约束条件(8)确保无人机在开始为客户配送之前应该被发射。约束条件(9)确保无人机发射地点具有合理性。
(3)无人机载重能力的约束条件：
Figure BDA0003638454110000087
Figure BDA0003638454110000088
Figure BDA0003638454110000089
Figure BDA00036384541100000810
约束条件(10)确保无人机上装载的剩余商品重量不超过其最大载重能力。约束条件(11)和(12)用于在配送过程中更新无人机上装载的剩余商品重量。约束条件(13)表明无人机若没有被发射，其装载的剩余商品重量为零。
(4)无人机飞行续航能力的约束条件：
Figure BDA0003638454110000091
Figure BDA0003638454110000092
Figure BDA0003638454110000093
Figure BDA0003638454110000094
约束条件(14)确保无人机刚发射时的剩余飞行续航能力等于其最大飞行续航能力。约束条件(15)和(16)用于更新无人机在配送过程中的剩余飞行续航能力。约束条件(17)确保若无人机没有被发射，其剩余飞行续航能力为零。
(5)协同配送的约束条件：
Figure BDA0003638454110000095
Figure BDA0003638454110000096
Figure BDA0003638454110000097
Figure BDA0003638454110000098
Figure BDA0003638454110000099
Figure BDA00036384541100000910
Figure BDA00036384541100000911
Figure BDA00036384541100000912
约束条件(18)和(19)用于确定决策变量
Figure BDA0003638454110000101
的值，该值表示无人机是否从固定的卡车停靠点i发射。约束条件(20)确保无人机不在卡车未经过的停靠点处发射。约束条件(21)确保卡车必须经过一个停靠点才能收回该停靠点处的无人机。约束条件(22)确保若无人机未被发射则其不能被收回。约束条件(23)确保只有当卡车经过某个弧时，搭载在卡车上的无人机才经过该弧。约束条件(24)确保无人机在被卡车收回之前不能再次被发射。约束条件(25)确保已发射和未发射状态下的无人机在所有卡车停靠点处进出平衡。
容易理解的是，上述约束条件是根据实际的应用环境进行设置，在不同的应用条件下，可以进行相应的改变，这里不再赘述。
步骤S2、以卡车向量表示卡车访问固定停靠点的顺序，以客户向量表示无人机服务客户的顺序，以无人机向量表示无人机每次飞行所服务客户的数量，构建基于三维向量的卡车和无人机协同配送解决方案。
为了寻找卡车和无人机协同配送的最优解决方案，本实施例提出了一种改进的有效求解组合优化问题的元启发式算法，卡车和无人机协同配送的解决方案就是组合优化问题的一个解，寻找最优解决方案的过程就是求最优解的过程。
为了顺利进行求解，本申请采用三维向量编码来表示一个解，其中：以卡车向量表示卡车访问固定停靠点的顺序；以客户向量表示无人机服务客户的顺序；以无人机向量表示无人机每次飞行所服务客户的数量。
假设有n架无人机、m个固定停靠点和k个客户，则卡车向量的长度为m，客户向量的长度为k，无人机向量的长度为n×(m-1)。
如图3所示，展示了一个由2架无人机、9个固定停靠点和12个客户组成的卡车和无人机协同配送网络解决方案的示例。卡车根据卡车向量中的顺序，依次访问9个固定停靠点，卡车配送路线在图中由黑色实线表示。两个相邻的卡车停靠点可以分别作为无人机飞行的发射和回收地点。因此，每架无人机的最大飞行次数为8次，无人机向量的长度为16。无人机A和B的配送路线在图中分别用灰色实线和灰色虚线表示。无人机向量与卡车向量组合起来能反映无人机在每次飞行中发射和回收地点的详细信息。例如，图3中无人机向量的第一个元素代表无人机A在第一次飞行时只为一个客户配送。这次飞行的发射地点是卡车停靠点1(卡车向量的第一个元素)，而回收地点是卡车停靠点2(卡车向量的第二个元素)。按客户向量可知，客户10(客户向量的第一个元素)在这次飞行中被配送。又例如，无人机向量的第六个元素为0，表示无人机A不配送位于卡车停靠点8(卡车向量的第六个元素)和7(卡车向量的第七个元素)之间的客户。由于上次飞行的实际回收地点是停靠点8而不是停靠点7，因此，无人机向量的第七个元素为1，表示无人机A配送停靠点8和5(卡车向量的第八个元素)之间的一个客户。上述规则也适用于三维向量中的其它元素。
需要说明的是，为了最小化卡车行驶距离，本实施例利用Lin-Kernighan算法生成卡车向量。随后，在满足无人机向量中元素值累积和等于客户数量的前提下，随机生成客户向量和无人机向量，从而生成初始解。
步骤S3、采用改进的元启发式算法，逐次迭代寻找最优的卡车和无人机协同配送解决方案，直到达到迭代终止条件，输出最优的卡车和无人机协同配送解决方案。
本实施例改进的元启发式算法包括扰动阶段和局部搜索阶段。在扰动阶段，解的邻域结构被改变以避免陷入局部最优。在局部搜索阶段，通过集中搜索解以接近全局最优解。本申请通过实施禁忌列表，以禁止在扰动阶段搜索相同的邻域解，并在局部搜索阶段对某些解进行记录。
本实施例在每次迭代时，如图4所示，具体包括：
步骤S31、预先设置K个邻域算子，所述邻域算子包括对客户向量邻域算子和无人机向量邻域算子，令k等于1，从K个邻域算子中选择第k个邻域算子。
本申请预先设置若干个邻域算子，用于对解决方案进行变化，以产生新的解决方案。图4中kmax即K。
在一个具体的实施例中，设置了5种邻域算子，即K等于5，分别阐述如下：
第一种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并在元素j之前插入元素i以生成一个新的解决方案x'。
第二种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并将元素i与j交换以生成新的解决方案x'。
第三种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并反转元素i和j之间的所有元素以生成新的解决方案x'。
第四种邻域算子：
在初始解决方案x的无人机向量中随机选择元素i和j，并在元素j之前插入元素i以生成新的解决方案x'。
第五种邻域算子：
在初始解决方案x的无人机向量中随机选择一个非零元素i，从元素i中减1，并在元素j上加1，从而生成一个新的解决方案x'。
需要说明的是，本领域技术人员还可以设置更多的邻域算子，来生成新的解决方案，这里不再赘述。本申请在客户向量和无人机向量上使用了五种新的邻域算子以更好地发挥出无人机在每次飞行中执行多项大范围配送任务的潜力。
在迭代时，需要输入邻域集合大小和迭代次数参数。邻域集合大小作用于局部搜索阶段，对算法性能有至关重要的影响，而迭代次数决定算法何时停止。
步骤S32、对初始解决方案连续应用第k个邻域算子，生成一组新的解决方案，从新的解决方案中随机选择一个，作为第一解决方案。
本步骤令Nk(x)代表初始解决方案x的第k个邻域结构，表示对解x多次应用邻域算子k后而产生的一组解。在一个具体的实施例种，例如对解x应用邻域算子1共10次，后而产生的一组解，包括新生成的10个解。
然后从Nk(x)中随机选择一个解y，作为第一解决方案。
需要注意的是，本实施例K等于5是因为有五种邻域算子(即解x总共有五种邻域结构)。
步骤S33、检查第一解决方案是否在禁忌列表中，如果在则返回步骤S32，否则设置邻域集合为空，进入下一步骤。
本步骤主要是通过设置禁忌列表，使得已经处于禁忌列表的技术方案，不再进行重复的处理。如果y在禁忌列表中，则返回步骤S32；否则通过进入后续步骤创建一个邻域集合N(y)以存储y的邻域解，其中邻域大小M代表N(y)能容纳解的最大个数。
步骤S34、对第一解决方案随机应用客户向量邻域算子，得到第二解决方案，如果第二解决方案满足约束条件，则将第二解决方案放入邻域集合中，否则将第二解决方案对应的总配送成本设为无穷大后，将第二解决方案放入邻域集合中。
具体的，例如在客户向量中随机使用邻域算子1、2或3，将解决方案y转变为y1。
若y1是可行的，将y1添加到N(y)中；否则将其成本设为无穷大后，再添加到N(y)中。
步骤S35、对第一解决方案随机应用无人机向量邻域算子，得到第三解决方案，如果第三解决方案满足约束条件，则将第三解决方案放入邻域集合中，否则将第三解决方案对应的总配送成本设为无穷大后，将第三解决方案放入邻域集合中。
具体的，对于第一解决方案，在无人机向量中随机使用邻域算子4或5，将解决方案y转变为y2。
若y2是可行的，直接将y2添加到N(y)中；否则将其成本设为无穷大后，再添加到N(y)中。
需要注意的是，判断解决方案是否可行，是检查解决方案的配送线路是否满足无人机载重能力、飞行续航能力等约束，这里不再赘述。
步骤S36、持续执行步骤S34和步骤S35，直到邻域集合的大小满足预设的大小，从邻域集合中找出总配送成本最小的解决方案作为候选解决方案。
本实施例步骤S34和步骤S35，直到N(y)的大小等于M。若N(y)的大小等于M，则找到N(y)中成本最小的最佳方案y'，作为候选解决方案。
步骤S37、判断候选解决方案是否优于初始解决方案，如果候选解决方案优于初始解决方案，则将候选解决方案记录到禁忌列表中，并将候选解决方案作为下一次迭代的初始解决方案进行下一次迭代；如果候选解决方案不优于初始解决方案且k小于K时，令k加1并返回步骤S32；如果候选解决方案不优于初始解决方且k大于等于K时，则进行下一次迭代。
本步骤中，若解y'不优于解x，且k<K，则令k＝k+1并返回到步骤S32；若解y'不优于解x，且k>＝K，则直接进行下一次迭代；若解y'不优于解x，且k<K，则用y'更新解x，并将解y'记录到禁忌列表中，进行下一次迭代。
本申请还通过仿真实验，通过与模拟退火、禁忌搜索混合算法(SA/TS)、混合粒子群优化算法(HPSO)以及混合遗传算法(HGA)等三种流行的启发式算法进行比较，评估了本申请提出的改进的启发式算法MVNS的性能。
仿真实验随机生成了27个实例，将实例分为三组，分别对应均匀、1-中心和2-中心等三种分布场景。均匀类实例模拟了客户均匀地分布在一个区域的配送场景。1-中心或2-中心类实例模拟了客户紧密分布在城市中一个或两个密集住宅区的配送场景。由于协同配送网络的配送能力与卡车固定停靠点以及无人机的数量有关，因此在每类实例中考虑了以下三种类型的网络。卡车上部署的无人机数量从2到4不等。
(1)9个固定的卡车停车场被均匀地部署在100×100网格区域内，客户数量从16到32不等。(2)16个固定的卡车停车场被均匀地部署在125×125网格区域内，客户数量从30到60不等。(3)25个固定的卡车停车场被均匀地部署在150×150网格区域内，客户数量从48到96不等。
在每个实例中，无人机的最大飞行续航能力R＝240，无人机的最大载重能力Q＝6。客户的需求从{1,2,3}中随机生成。实例以简单直观的方式命名，如：实例“Uniform_P16_D3_C45”表明在客户分布类型为均匀分布的配送场景下，包含了16个固定的卡车停靠点、3架无人机和45个客户。
局部搜索阶段的邻域大小是影响MVNS算法性能的重要参数。因此，首先在实例“Uniform_P16_D3_C45”上进行了参数实验，以确定MVNS算法中合理的邻域大小。为了减少随机因素对实验的干扰，不同邻域大小的MVNS算法运行了20次(最大迭代次数设置为1000次)，实验结果取平均值。不同的邻域大小从10到180不等，随着邻域大小的增加，MVNS获得的最佳解决方案的成本波动性下降。当邻域大小较小时，算法的收敛速度较慢。当邻域大小较大时，MVNS的局部搜索能力更强。然而，算法的计算时间随着邻域大小的增加而线性增加。因此，权衡了能获得的最佳解决方案的成本与计算时间，将邻域大小设置为120，以获得相对较好的性能。
为了全面评估MVNS算法在求解本申请模型时的性能，在不同实例上对四种算法进行了测试。每种算法在每个实例上运行20次，以减少随机性对实验结果的影响。实验结果的详细信息如表1和2所示。
表1中的统计指标包括最佳成本值、最差成本值和平均成本值，在各列中分别表示为“最优值”、“最差值”和“平均值”。表1(显著值已标粗)显示，在所有27个实例中，MVNS算法获得的最佳方案优于其它三种算法获得的最佳方案。此外，在27个实例中，有25个实例上MVNS算法获得的最差解优于其它三种算法获得的最差解。这表明MVNS算法在解决不同客户分布场景下的卡车-无人机协同配送网络方面均优于其它三种基线算法。
Figure BDA0003638454110000151
Figure BDA0003638454110000161
表1
表2中的统计指标包括成本的方差和以秒为单位的CPU计算时间，在列中分别表示为“SD”和“Time”。表2显示，在27个实例中，有15个实例的MVNS算法的方差小于HPSO和HGA算法的方差。这说明MVNS算法求解卡车和无人机协同配送网络的性能是相对稳定的。此外，在所有27个实例中，MVNS算法比HPSO和HGA算法消耗的CPU计算时间更少。虽然SA/TS算法的方差和CPU计算时间都小于MVNS算法(参考表2)，但SA/TS算法获得的最佳解劣于MVNS获得的最佳解(参考表1)。
Figure BDA0003638454110000171
表2
综上所述，MVNS在求解卡车和无人机协同配送网络时比其它三种混合启发式算法更有效，因为它能以相对较少的计算时间求解到相对较优的解决方案。
本申请仿真实验还与传统的卡车配送网络模型进行了比较，获得了各自的仿真路线方案。与传统卡车配送网络相比，本申请卡车和无人机协同配送网络上的卡车路线总距离减少了44.9％。本申请卡车放弃配送功能后，其移动距离明显减少，无人机可连续通过几个固定的卡车停靠点，执行大范围的配送任务。假设卡车的行驶成本为无人机飞行成本的25倍，无人机的飞行成本是每单位距离一个单位货币。那么，传统卡车配送网络上路线方案的总成本为21167.5单位货币。而本申请卡车和无人机协同配送网络上路线方案的总成本为12934.4单位货币，比前者的总成本低38.8％。因此，本申请将所提出的卡车和无人机协同配送网络应用于地面交通不畅的配送场景是有效的，可以大大减少卡车的移动，同时利用无人机的配送潜力来降低总成本。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种卡车和无人机协同配送方法，应用于卡车和无人机协同配送网络，其特征在于，所述卡车和无人机协同配送网络中配送工具由一辆卡车和一支无人机队组成，网络中网络节点包括一个仓库、固定卡车停靠点以及客户，所述卡车搭载着商品和所有无人机从仓库出发，穿过固定停靠点，最后返回仓库，在卡车行驶的沿途中，无人机在固定停靠点处装载商品并发射并向客户配送商品，商品配送给客户后，无人机被卡车在随后经过的固定停靠点收回，所述卡车和无人机协同配送方法，包括：
建立包括卡车配送成本和无人机配送成本的总配送成本目标函数；
以卡车向量表示卡车访问固定停靠点的顺序，以客户向量表示无人机服务客户的顺序，以无人机向量表示无人机每次飞行所服务客户的数量，构建基于三维向量的卡车和无人机协同配送解决方案；
采用改进的元启发式算法，逐次迭代寻找最优的卡车和无人机协同配送解决方案，直到达到迭代终止条件，输出最优的卡车和无人机协同配送解决方案；
所述改进的元启发式算法，在每次迭代时，包括：
步骤S31、预先设置K个邻域算子，所述邻域算子包括对客户向量邻域算子和无人机向量邻域算子，令k等于1，从K个邻域算子中选择第k个邻域算子；
步骤S32、对初始解决方案连续应用第k个邻域算子，生成一组新的解决方案，从新的解决方案中随机选择一个，作为第一解决方案；
步骤S33、检查第一解决方案是否在禁忌列表中，如果在则返回步骤S32，否则设置邻域集合为空，进入下一步骤；
步骤S34、对第一解决方案随机应用客户向量邻域算子，得到第二解决方案，如果第二解决方案满足约束条件，则将第二解决方案放入邻域集合中，否则将第二解决方案对应的总配送成本设为无穷大后，将第二解决方案放入邻域集合中；
步骤S35、对第一解决方案随机应用无人机向量邻域算子，得到第三解决方案，如果第三解决方案满足约束条件，则将第三解决方案放入邻域集合中，否则将第三解决方案对应的总配送成本设为无穷大后，将第三解决方案放入邻域集合中；
步骤S36、持续执行步骤S34和步骤S35，直到邻域集合的大小满足预设的大小，从邻域集合中找出总配送成本最小的解决方案作为候选解决方案；
步骤S37、判断候选解决方案是否优于初始解决方案，如果候选解决方案优于初始解决方案，则将候选解决方案记录到禁忌列表中，并将候选解决方案作为下一次迭代的初始解决方案进行下一次迭代；如果候选解决方案不优于初始解决方案且k小于K时，令k加1并返回步骤S32；如果候选解决方案不优于初始解决方案且k大于等于K时，则进行下一次迭代。
2.根据权利要求1所述的卡车和无人机协同配送方法，其特征在于，所述总配送成本目标函数如下：
Minimize:
Figure FDA0003638454100000021
其中，ct表示卡车单位距离的行驶成本，V0代表包括卡车出发时所处的仓库在内的一组固定的卡车停靠点集合，V+代表包括卡车结束时返回的仓库在内的一组固定的卡车停靠点集合，sij表示节点i到节点j的距离，xij表示0-1变量，D表示无人机集合，V表示除仓库外的卡车停靠点集合，N表示除仓库外的节点集合，slm表示节点l到节点m的距离，
Figure FDA0003638454100000022
表示0-1变量。
3.根据权利要求1所述的卡车和无人机协同配送方法，其特征在于，所述邻域算子，包括：
第一种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并在元素j之前插入元素i以生成一个新的解决方案x'；
第二种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并将元素i与j交换以生成新的解决方案x'；
第三种邻域算子：
在初始解决方案x的客户向量中随机选择元素i和j，并反转元素i和j之间的所有元素以生成新的解决方案x'；
第四种邻域算子：
在初始解决方案x的无人机向量中随机选择元素i和j，并在元素j之前插入元素i以生成新的解决方案x'；
第五种邻域算子：
在初始解决方案x的无人机向量中随机选择一个非零元素i，从元素i中减1，并在元素j上加1，从而生成一个新的解决方案x'。
4.根据权利要求1所述的卡车和无人机协同配送方法，其特征在于，所述邻域集合的大小为120个。
5.根据权利要求1所述的卡车和无人机协同配送方法，其特征在于，所述每架未发射的无人机被装载在卡车上，从仓库出并返回仓库。
6.根据权利要求1所述的卡车和无人机协同配送方法，其特征在于，所述卡车在所有固定停靠点处进出平衡，已发射的无人机在所有客户处进出平衡。
CN202210512252.7A 2022-05-11 2022-05-11 一种卡车和无人机协同配送方法 Pending CN114841582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512252.7A CN114841582A (zh) 2022-05-11 2022-05-11 一种卡车和无人机协同配送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512252.7A CN114841582A (zh) 2022-05-11 2022-05-11 一种卡车和无人机协同配送方法

Publications (1)

Publication Number Publication Date
CN114841582A true CN114841582A (zh) 2022-08-02

Family

ID=82569845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512252.7A Pending CN114841582A (zh) 2022-05-11 2022-05-11 一种卡车和无人机协同配送方法

Country Status (1)

Country Link
CN (1) CN114841582A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577833A (zh) * 2022-09-26 2023-01-06 苏州大学 应用于求解协同配送的路径规划的粒子群优化方法和系统
CN117114375A (zh) * 2023-10-25 2023-11-24 深圳大学 基于节约里程和边际代价的多卡车多无人机任务分配方法
CN117151422A (zh) * 2023-09-28 2023-12-01 汕头大学 卡车-无人机多目标协同配送规划方法与系统
CN117726059A (zh) * 2024-02-08 2024-03-19 深圳大学 一种时间窗约束下的卡车无人机任务分配方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577833A (zh) * 2022-09-26 2023-01-06 苏州大学 应用于求解协同配送的路径规划的粒子群优化方法和系统
CN115577833B (zh) * 2022-09-26 2024-09-24 苏州大学 应用于求解协同配送的路径规划的粒子群优化方法和系统
CN117151422A (zh) * 2023-09-28 2023-12-01 汕头大学 卡车-无人机多目标协同配送规划方法与系统
CN117151422B (zh) * 2023-09-28 2024-03-26 汕头大学 卡车-无人机多目标协同配送规划方法与系统
CN117114375A (zh) * 2023-10-25 2023-11-24 深圳大学 基于节约里程和边际代价的多卡车多无人机任务分配方法
CN117114375B (zh) * 2023-10-25 2024-03-15 深圳大学 基于节约里程和边际代价的多卡车多无人机任务分配方法
CN117726059A (zh) * 2024-02-08 2024-03-19 深圳大学 一种时间窗约束下的卡车无人机任务分配方法
CN117726059B (zh) * 2024-02-08 2024-04-30 深圳大学 一种时间窗约束下的卡车无人机任务分配方法

Similar Documents

Publication Publication Date Title
Kitjacharoenchai et al. Two echelon vehicle routing problem with drones in last mile delivery
CN114841582A (zh) 一种卡车和无人机协同配送方法
Kitjacharoenchai et al. Multiple traveling salesman problem with drones: Mathematical model and heuristic approach
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
Ting et al. Multi-vehicle selective pickup and delivery using metaheuristic algorithms
CN110222890B (zh) 一种车辆与无人机物流配送的双层路径优化方法及系统
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
CN114358675A (zh) 一种多无人机-多卡车协同物流配送路径规划方法
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
Freitas et al. Exact and heuristic approaches to truck–drone delivery problems
Anderluh et al. Sustainable logistics with cargo bikes—Methods and applications
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
Yanpirat et al. Sustainable last mile parcel delivery and return service using drones
Hong et al. Logistics in the sky: A two-phase optimization approach for the drone package pickup and delivery system
CN115577886A (zh) 一种多无人机站的组合配送方法及系统
Campuzano et al. The drone-assisted variable speed asymmetric traveling salesman problem
Zhang et al. Multidepot Two‐Echelon Vehicle Routing Problem for Earthwork Allocation Optimization
CN116843259A (zh) 一种推式配送模式下加油站连续多次补货的配送优化方法
Ramírez-Villamil et al. Integrating Clustering Methodologies and Routing Optimization Algorithms for Last-Mile Parcel Delivery
Meng et al. The multi-visit drone-assisted pickup and delivery problem with time windows
Zhu et al. Electric vehicle traveling salesman problem with drone with partial recharge policy
Zhang et al. Cooperative Route Planning for Fuel-constrained UGV-UAV Exploration
JP2005043974A (ja) 輸送スケジュール作成方法及びシステム
Li et al. Truck and unmanned vehicle routing problem with time windows: a satellite synchronization perspective
Zhu et al. Battery Electric Vehicle Traveling Salesman Problem with Drone

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