CN115115132A - 一种基于模拟退火的可充电城市物流无人机路径规划方法 - Google Patents

一种基于模拟退火的可充电城市物流无人机路径规划方法 Download PDF

Info

Publication number
CN115115132A
CN115115132A CN202210853295.1A CN202210853295A CN115115132A CN 115115132 A CN115115132 A CN 115115132A CN 202210853295 A CN202210853295 A CN 202210853295A CN 115115132 A CN115115132 A CN 115115132A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
distribution scheme
drone
simulated annealing
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
CN202210853295.1A
Other languages
English (en)
Inventor
杜鹏飞
史悦强
刘子悦
张学军
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202210853295.1A priority Critical patent/CN115115132A/zh
Publication of CN115115132A publication Critical patent/CN115115132A/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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

Abstract

本发明公开了一种基于模拟退火的可充电城市物流无人机路径规划方法，包括：随机生成初始配送方案，所述初始配送方案用于表征每个无人机的初始路径规划；对所述初始配送方案进行预处理，得到预处理后的初始配送方案；采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，所述最终配送方案用于表征每个无人机的最优路径规划。本发明通过对配送方案进行优化，降低了配送的总路程和总时间，从而提高了无人机的配送效率。

Description

一种基于模拟退火的可充电城市物流无人机路径规划方法
技术领域
本发明涉及无人机领域，具体涉及一种基于模拟退火的可充电城市物流无人机路径规划方法。
背景技术
无人机凭借其机动性强、成本低和部署灵活等优势被应用在城市物流配送中。然而，为了满足体积小和重量轻的要求，无人机无法搭载高蓄电量的大型电池，这导致其续航能力和配送距离有限，严重制约着无人机在城市物流配送中的应用，并且现有无人机均是按固定路线进行配送，导致配送效率低。
发明内容
本申请的目的在于提供一种基于模拟退火的可充电城市物流无人机路径规划方法，解决现有技术中配送效率低问题。
本发明通过下述技术方案实现：
一种基于模拟退火的可充电城市物流无人机路径规划方法，包括：
随机生成初始配送方案，所述初始配送方案用于表征每个无人机的初始路径规划；
对所述初始配送方案进行预处理，得到预处理后的初始配送方案；
采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，所述最终配送方案用于表征每个无人机的最优路径规划。
进一步地，对所述初始配送方案进行预处理，得到预处理后的初始配送方案，包括：
根据初始配送方案中每个无人机的初始路径规划所对应的包裹顺序；
以包裹顺序中第一个包裹为当前包裹，依次判断无人机加载当前包裹后的载重是否大于或者等于其最大载重，若是，则去除当前包裹后的其他包裹，得到第一预处理配送方案，否则将下一个包裹作为新的当前包裹，并重复此步骤；
根据第一预处理配送方案中的包裹顺序，依次判断运输所需电量和是否大于无人机的最大电量，若是，则在达到最大电量前一个包裹处插入充电任务，得到预处理后的初始配送方案，否则直接得到预处理后的初始配送方案，所述充电任务表示派遣无人机去最近无线充电桩，所述最近无线充电桩表示以达到最大电量前一个包裹为原点，距离最近的无线充电桩。
进一步地，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，包括：
确定目标函数以及目标函数对应的条件约束；
将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案。
进一步地，所述目标函数为：
Figure BDA0003755514440000021
其中，f表示目标函数，w表示权重系数，
Figure BDA0003755514440000022
表示第i个自动储物柜的包裹数，i＝1,2,…,M，M表示自动储物柜的总数，S0＝{s1,s2,...,sM}，S0表示自动储物柜集合，s1,s2,...,sM表示M个自动储物柜，ti表示达到第i个自动储物柜的时刻，pi∈P，pi表示需要送往第i个自动储物柜的包裹总和，u表示无人机，P＝{p1,p2,...,pM}，p1,p2,...,pM表示M个自动储物柜所对应的包裹总和，U＝{u1,u2,...,uU}，U表示无人机集合，u1,u2,...,uU表示U个无人机，N＝{s0}∪{s1,s2,...,sM}∪{f1,f2,...,fF}，N表示站点集合，s0表示货物中转仓库，f1,f2,...,fF表示F个无线充电桩，
Figure BDA0003755514440000023
表示无人机u是否从站点i前往站点j；
Figure BDA0003755514440000024
表示无人机u从站点i前往站点j；
Figure BDA0003755514440000031
表示无人机u不从站点i前往站点j；dij表示站点i与站点j之间的距离。
进一步地，所述目标函数对应的条件约束包括：
Figure BDA0003755514440000032
其中，s.t.表示条件约束，
Figure BDA0003755514440000033
表示全称量词，
Figure BDA0003755514440000034
表示无人机u是否从货物中转仓库前往站点j，
Figure BDA0003755514440000035
表示无人机u是否从站点j前往站点i；v表示无人机恒定飞行的速度，τc表示无线充电桩在单位时间内给无人机的充电量，Bmax表示无人机的电池容量，
Figure BDA0003755514440000036
表示无人机从货物中转仓库出发时的电池电量，F＝{f1,f2,...,fF}，F表示无线充电桩的集合，f1,f2,...,fF表示F个无线充电桩，
Figure BDA0003755514440000037
表示无人机u从站点j到站点i的过程中所携带的包裹重量，
Figure BDA0003755514440000038
表示无人机u从站点i到站点j的过程中所携带的包裹重量，Qmax表示无人机的最大携带包裹重量，
Figure BDA0003755514440000039
表示无人机u到达站点j时的电池电量，
Figure BDA00037555144400000310
表示无人机u到达站点i时的电池电量，
Figure BDA0003755514440000041
表示无人机u装载包裹重量为
Figure BDA0003755514440000042
的货物飞行单位距离所消耗的电量。
进一步地，将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案，包括：
A、将初始配送方案最为全局最优解；
B、获取初始温度Tbegin、循环结束温度Tend、每个温度下的迭代次数Itime、温度衰减系数α以及计数器K＝0，并确定当前温度TD＝Tbegin，0<α<1；
C、根据目标函数以及目标函数对应的条件约束，获取全局最优解对应的第一函数目标值f1；
D、对全局最优解进行交换操作、位移操作和/或倒置操作，得到新解，所述新解用于表征新的配送方案；
E、根据目标函数以及目标函数对应的条件约束，获取新解对应的第二函数目标值f2；
F、判断第二函数目标值f2是否小于或者等于第一函数目标值f1，若是，则将新解作为全局最优解，并进入步骤G，否则采用Metropolis准则对全局最优解进行更新，并进入步骤G；
G、判断计数器K是否等于或者大于迭代次数Itime，若是，则令当前温度TD与温度衰减系数α相乘，并将相乘的结果作为新的当前温度TD，进入步骤H，否则计数器K的计数值加一，并返回步骤C；
H、判断当前温度TD是否等于或者小于循环结束温度Tend，若是，则将全局最优解作为最终配送方案，否则返回步骤C。
进一步地，所述交换操作包括：在全局最优解中随机选择两个点，并交换两个点之间的位置；
所述位移操作包括：在全局最优解中随机选择三个点，将前两个点以及前两个点之间的点都移到第三个点之后；
所述倒置操作包括：在全局最优解中随机选两个点，将这两个点及其之间的顺序完全颠倒。
进一步地，对全局最优解进行交换操作、位移操作和/或倒置操作之后，还包括：重新确定充电任务。
进一步地，采用Metropolis准则对全局最优解进行更新，包括：
获取Metropolis准则中接受劣解的概率β；
随机生成一个位于0到1之间的随机数θ，判断随机数θ是否小于概率β，若是则将新解作为全局最优解，否则保持全局最优解不变。
进一步地，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案之后，还包括：将最终配送方案传输至无人机，以使无人机按照最终配送方案进行包裹配送。
本发明与现有技术相比，具有如下的优点和有益效果：
(1)本发明提出了一种基于模拟退火的可充电城市物流无人机路径规划方法，通过对配送方案进行优化，降低了配送的总路程和总时间，从而提高了无人机的配送效率。
(2)本发明在配送方案中加入了无人机充电环节，有效地提高了无人机的货物配送覆盖范围。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明实施例提供的一种基于模拟退火的可充电城市物流无人机路径规划方法的应用场景图；
图2为本发明实施例提供的一种基于模拟退火的可充电城市物流无人机路径规划方法的流程图。
图3为本发明实施例提供的一种基于模拟退火的可充电城市物流无人机路径规划装置的结构示意图。
图4为本发明实施例提供的一种基于模拟退火的可充电城市物流无人机路径规划设备的结构示意图。
附图中标记及对应的零部件名称：
31-方案生成模块、32-预处理模块、33-方案优化模块、41-存储器、42-处理器、43-总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1所示，首先对本申请提出的一种基于模拟退火的可充电城市物流无人机路径规划方法的应用场景进行介绍，该应用场景包括一个货物中转仓库、U个无人机、M个自动储物柜以及N个无线充电桩组成。在城市物流行业中，所有需要配送的包裹都暂时储存在中转仓库中。首先，在中转仓库中的包裹被按照其目的地进行分类，并将包裹装填入无人机。然后，无人机按照调度中心指定的路线将这些包裹投放到包裹目的地附近的快递柜中。为了实现物流无人长距离和长时间进行货物配送，无人机在进行货物配送的过程中可以飞往充电桩进行无线充电。无线充电完成后，无人机继续执行包裹配送直至任务结束，然后飞回货物中转仓库。货物中转仓库、无人机、自动储物柜以及无线充电桩都连接至互联网，通过调度中心实时获取系统的执行状态信息。调度中心每隔一段时间执行一次任务调度，并向相关人员报告系统状态。
基于该应用场景，可以确定一系列的站点N＝{s0}∪{s1,s2,...,sM}∪{f1,f2,...,fF}，其中s0表示货物中转仓库，S0＝{s1,s2,...,sM}表示这片配送区域中的M个自动储物柜的集合，F＝{f1,f2,...,fF}表示F个无线充电桩的集合。此外，U＝{u1,u2,...,uU}表示U个无人机的集合。采用P＝{p1,p2,...,pM}表示中转仓中需要送往M个自动储物柜的包的集合，pi表示第i个自动储物柜的包裹总和，其所含包裹数为Ki，其的重量为wi，其的目的地为li(即第i个自动储物柜pi所在的位置)，i＝1,2,…,M。为了描述无人机的飞行路径，引入二进制变量
Figure BDA0003755514440000071
其表示无人机是否从站点i出发前往站点j，即如果无人机u从站点i出发前往站点j，则
Figure BDA0003755514440000072
否则
Figure BDA0003755514440000073
并且规定无人机以恒定的速度v飞行。无人机的控制由调度中心进行控制。
基于该应用场景，对无人机的相关参数定义如下：每个无人机的最大携带包裹重量为Qmax。为了描述无人机携带的包裹重量，引入变量
Figure BDA0003755514440000074
表示无人机u从站点i飞往站点j的过程中的携带的包裹重量。每个无人机的可充电电池的容量为Bmax，
Figure BDA0003755514440000075
表示无人机u到达站点i时无人机的电池的电量，
Figure BDA0003755514440000076
表示无人机装载重量为
Figure BDA0003755514440000077
的货物飞行单位距离所消耗的电量，τc表示无线充电桩给无人机电池充电过程中充单位时间的充电量。
为了满足顾客们对包裹送达时间的要求，引入了变量ti表示到达站点i(i∈N)的时刻，τij表示从站点i飞往站点j所需的时间，dij表示站点i和站点j之间的距离，则τij＝dij/v。
如图2所示，一种基于模拟退火的可充电城市物流无人机路径规划方法，包括：
S1、随机生成初始配送方案，初始配送方案用于表征每个无人机的初始路径规划。
S2、对初始配送方案进行预处理，得到预处理后的初始配送方案。
预处理可以包括：限制无人机的载重不超过其最大载重，并且当其飞行距离超过最大距离时，应该确定充电任务，以保证无人机能完成初始配送方案。
S3、采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，最终配送方案用于表征每个无人机的最优路径规划。
对初始配送方案进行可以包括：调整初始配送方案中各个站点之间顺序，以配送时间最短以及配送总距离最短为目标，获取最终配送方案，从而提高货物配送效率。当获取最终配送方案后，重新确定充电任务，以保证最终配送方案能够被执行。
在一种可能的实施方式中，对初始配送方案进行预处理，得到预处理后的初始配送方案，包括：
根据初始配送方案中每个无人机的初始路径规划所对应的包裹顺序。
以包裹顺序中第一个包裹为当前包裹，依次判断无人机加载当前包裹后的载重是否大于或者等于其最大载重，若是，则去除当前包裹后的其他包裹，得到第一预处理配送方案，否则将下一个包裹作为新的当前包裹，并重复此步骤。
根据第一预处理配送方案中的包裹顺序，依次判断运输所需电量和是否大于无人机的最大电量，若是，则在达到最大电量前一个包裹处插入充电任务，得到预处理后的初始配送方案，否则直接得到预处理后的初始配送方案，充电任务表示派遣无人机去最近无线充电桩，最近无线充电桩表示以达到最大电量前一个包裹为原点，距离最近的无线充电桩。
值得说明的是，可以确定无人机满载时在任意站点到最近无线充电桩所需电量为充电电量，此处的无人机的最大电量可以为无人机的实际电池容量减去充电电量时的电量，以保证无人机有足够的电量到达无线充电桩。因此，以无人机离开货物中转仓库为满电条件，寻找初始配送方案所需电量是否大于无人机的最大电量，若是，则在初始配送方案寻找配送包裹所需电量达到最大电量前的一个目的地(自动储物柜)，并在该目的地后插入充电任务，以使无人机进行充电续航，在续航后可以继续进行配送，以实现更长距离的无人配送。
在一种可能的实施方式中，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，包括：
确定目标函数以及目标函数对应的条件约束。
将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案。
在一种可能的实施方式中，目标函数为：
Figure BDA0003755514440000091
其中，f表示目标函数，w表示权重系数(0≤w≤1)，pli表示第i个自动储物柜的包裹数，i＝1,2,…,M，M表示自动储物柜的总数，S0＝{s1,s2,...,sM}，S0表示自动储物柜集合，s1,s2,...,sM表示M个自动储物柜，ti表示达到第i个自动储物柜的时刻，pi∈P，pi表示需要送往第i个自动储物柜的包裹总和，u表示无人机，P＝{p1,p2,...,pM}，p1,p2,...,pM表示M个自动储物柜所对应的包裹总和，U＝{u1,u2,...,uU}，U表示无人机集合，u1,u2,...,uU表示U个无人机，N＝{s0}∪{s1,s2,...,sM}∪{f1,f2,...,fF}，N表示站点集合，s0表示货物中转仓库，f1,f2,...,fF表示F个无线充电桩，
Figure BDA0003755514440000101
表示无人机u是否从站点i前往站点j；
Figure BDA0003755514440000102
表示无人机u从站点i前往站点j；
Figure BDA0003755514440000103
表示无人机u不从站点i前往站点j；dij表示站点i与站点j之间的距离。
对预处理后的初始配送方案进行优化实质就是求取目标函数的最小值。
在一种可能的实施方式中，目标函数对应的条件约束包括：
Figure BDA0003755514440000104
其中，s.t.表示条件约束，
Figure BDA0003755514440000105
表示全称量词，
Figure BDA0003755514440000106
表示无人机u是否从货物中转仓库前往站点j，
Figure BDA0003755514440000107
表示无人机u是否从站点j前往站点i；v表示无人机恒定飞行的速度，τc表示无线充电桩在单位时间内给无人机的充电量，Bmax表示无人机的电池容量，
Figure BDA0003755514440000108
表示无人机从货物中转仓库出发时的电池电量，F＝{f1,f2,...,fF}，F表示无线充电桩的集合，f1,f2,...,fF表示F个无线充电桩，
Figure BDA0003755514440000109
表示无人机u从站点j到站点i的过程中所携带的包裹重量，
Figure BDA00037555144400001010
表示无人机u从站点i到站点j的过程中所携带的包裹重量，Qmax表示无人机的最大携带包裹重量，
Figure BDA0003755514440000111
表示无人机u到达站点j时的电池电量，
Figure BDA0003755514440000112
表示无人机u到达站点i时的电池电量，
Figure BDA0003755514440000113
表示无人机u装载包裹重量为
Figure BDA0003755514440000114
的货物飞行单位距离所消耗的电量。
在一种可能的实施方式中，将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案，包括：
A、将初始配送方案最为全局最优解。
B、获取初始温度Tbegin、循环结束温度Tend、每个温度下的迭代次数Itime、温度衰减系数α以及计数器K＝0，并确定当前温度TD＝Tbegin，0<α<1。
C、根据目标函数以及目标函数对应的条件约束，获取全局最优解对应的第一函数目标值f1。
D、对全局最优解进行交换操作、位移操作和/或倒置操作，得到新解，新解用于表征新的配送方案。
E、根据目标函数以及目标函数对应的条件约束，获取新解对应的第二函数目标值f2。
F、判断第二函数目标值f2是否小于或者等于第一函数目标值f1，若是，则将新解作为全局最优解，并进入步骤G，否则采用Metropolis(以概率接受新状态)准则对全局最优解进行更新，并进入步骤G。
G、判断计数器K是否等于或者大于迭代次数Itime，若是，则令当前温度TD与温度衰减系数α相乘，并将相乘的结果作为新的当前温度TD，进入步骤H，否则计数器K的计数值加一，并返回步骤C。
H、判断当前温度TD是否等于或者小于循环结束温度Tend，若是，则将全局最优解作为最终配送方案，否则返回步骤C。
在一种可能的实施方式中，交换操作包括：在全局最优解中随机选择两个点，并交换两个点之间的位置。
位移操作包括：在全局最优解中随机选择三个点，将前两个点以及前两个点之间的点都移到第三个点之后。
倒置操作包括：在全局最优解中随机选两个点，将这两个点及其之间的顺序完全颠倒。
例如，假设初始配送路径为：p1、p2、p3、p4以及p5。执行交换操作时随机选择的点为p2以及p5，则配送路径变为：p1、p5、p3、p4以及p2。执行位移操作时随机选择的点为p1、p3以及p5，则配送路径变为：p4、p5、p1、p2以及p3。执行倒置操作选择的点为p1以及p4，则配送路径变为：p4、p3、p2、p1以及p5。
在一种可能的实施方式中，对全局最优解进行交换操作、位移操作和/或倒置操作之后，还包括：重新确定充电任务。
重新确定充电任务的方法可以如下：去除全局最优解中原来的充电任务，判断无人机的最大电量是否大于执行全局最优解所需的电量，若是，则确定充电任务为无，否则在全局最优解中达到无人机最大电量之前插入充电任务。充电任务需要去无人机实时位置最近的无线充电桩。例如，无人机的配送路径为p1、p2、p3、p4以及p5，无人机走过路径p1、p2以及p3后且到达p4所需总电量大于无人机的最大电量，那么在p3后应当插入充电任务，充电任务对应的无线充电桩应当为离p3最近的充电桩。由于此处的最大电量减去了无人机充电所需的电量，因此保证了无人机能够顺利到达无线充电桩。
在一种可能的实施方式中，采用Metropolis准则对全局最优解进行更新，包括：
获取Metropolis准则中接受劣解的概率β。
随机生成一个位于0到1之间的随机数θ，判断随机数θ是否小于概率β，若是则将新解作为全局最优解，否则保持全局最优解不变。
例如，接受劣解的概率β为0.3，随机数为0.4，则不将新解作为全局最优解。
在一种可能的实施方式中，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案之后，还包括：将最终配送方案传输至无人机，以使无人机按照最终配送方案进行包裹配送。
本发明提出了一种基于模拟退火的可充电城市物流无人机路径规划方法，通过对配送方案进行优化，降低了配送的总路程和总时间，从而提高了无人机的配送效率。本发明在配送方案中加入了无人机充电环节，有效地提高了无人机的货物配送覆盖范围。
实施例2
如图3所示，本发明实施例提供一种基于模拟退火的可充电城市物流无人机路径规划装置，包括方案生成模块31、预处理模块32以及方案优化模块33。
方案生成模块31用于，随机生成初始配送方案，所述初始配送方案用于表征每个无人机的初始路径规划。
预处理模块32用于，对所述初始配送方案进行预处理，得到预处理后的初始配送方案。
方案优化模块33用于，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，所述最终配送方案用于表征每个无人机的最优路径规划。
本实施例所述的一种基于模拟退火的可充电城市物流无人机路径规划装置可以执行上述实施例1所述的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
该可充电城市物流无人机路径规划装置可以由软件实现，也可以由软件与硬件的结合实现。
实施例3
如图4所示，本实施例提供一种基于模拟退火的可充电城市物流无人机路径规划设备，包括存储器41和处理器42，存储器41与处理器42之间通过总线43相互连接。
存储器41存储计算机执行指令。
处理器42执行存储器存储的计算机执行指令，使得处理器执行如实施例1所述的一种基于模拟退火的可充电城市物流无人机路径规划方法。
具体举例的，存储器可以但不限于包括随机存取存储器(random access memory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(FirstInput First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer，RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
实施例4
本实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现如实施例1所述的一种基于模拟退火的可充电城市物流无人机路径规划方法。
实施例5
本申请实施例还可以提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如实施例1所述的一种基于模拟退火的可充电城市物流无人机路径规划方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，包括：
随机生成初始配送方案，所述初始配送方案用于表征每个无人机的初始路径规划；
对所述初始配送方案进行预处理，得到预处理后的初始配送方案；
采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，所述最终配送方案用于表征每个无人机的最优路径规划。
2.根据权利要求1所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，对所述初始配送方案进行预处理，得到预处理后的初始配送方案，包括：
根据初始配送方案中每个无人机的初始路径规划所对应的包裹顺序；
以包裹顺序中第一个包裹为当前包裹，依次判断无人机加载当前包裹后的载重是否大于或者等于其最大载重，若是，则去除当前包裹后的其他包裹，得到第一预处理配送方案，否则将下一个包裹作为新的当前包裹，并重复此步骤；
根据第一预处理配送方案中的包裹顺序，依次判断运输所需电量和是否大于无人机的最大电量，若是，则在达到最大电量前一个包裹处插入充电任务，得到预处理后的初始配送方案，否则直接得到预处理后的初始配送方案，所述充电任务表示派遣无人机去最近无线充电桩，所述最近无线充电桩表示以达到最大电量前一个包裹为原点，距离最近的无线充电桩。
3.根据权利要求1所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案，包括：
确定目标函数以及目标函数对应的条件约束；
将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案。
4.根据权利要求3所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，所述目标函数为：
Figure FDA0003755514430000021
其中，f表示目标函数，w表示权重系数，
Figure FDA0003755514430000022
表示第i个自动储物柜的包裹数，i＝1,2,…,M，M表示自动储物柜的总数，S0＝{s1,s2,...,sM}，S0表示自动储物柜集合，s1,s2,...,sM表示M个自动储物柜，ti表示达到第i个自动储物柜的时刻，pi∈P，pi表示需要送往第i个自动储物柜的包裹总和，u表示无人机，P＝{p1,p2,...,pM}，p1,p2,...,pM表示M个自动储物柜所对应的包裹总和，U＝{u1,u2,...,uU}，U表示无人机集合，u1,u2,...,uU表示U个无人机，N＝{s0}∪{s1,s2,...,sM}∪{f1,f2,...,fF}，N表示站点集合，s0表示货物中转仓库，f1,f2,...,fF表示F个无线充电桩，
Figure FDA0003755514430000023
表示无人机u是否从站点i前往站点j；
Figure FDA0003755514430000024
表示无人机u从站点i前往站点j；
Figure FDA0003755514430000025
表示无人机u不从站点i前往站点j；dij表示站点i与站点j之间的距离。
5.根据权利要求4所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，所述目标函数对应的条件约束包括：
Figure FDA0003755514430000031
其中，s.t.表示条件约束，
Figure FDA0003755514430000032
表示全称量词，
Figure FDA0003755514430000033
表示无人机u是否从货物中转仓库前往站点j，
Figure FDA0003755514430000034
表示无人机u是否从站点j前往站点i；v表示无人机恒定飞行的速度，τc表示无线充电桩在单位时间内给无人机的充电量，Bmax表示无人机的电池容量，
Figure FDA0003755514430000035
表示无人机从货物中转仓库出发时的电池电量，F＝{f1,f2,...,fF}，F表示无线充电桩的集合，f1,f2,...,fF表示F个无线充电桩，
Figure FDA0003755514430000036
表示无人机u从站点j到站点i的过程中所携带的包裹重量，
Figure FDA0003755514430000037
表示无人机u从站点i到站点j的过程中所携带的包裹重量，Qmax表示无人机的最大携带包裹重量，
Figure FDA0003755514430000038
表示无人机u到达站点j时的电池电量，
Figure FDA0003755514430000039
表示无人机u到达站点i时的电池电量，
Figure FDA00037555144300000310
表示无人机u装载包裹重量为
Figure FDA00037555144300000311
的货物飞行单位距离所消耗的电量。
6.根据权利要求5所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，将初始配送方案最为全局最优解，根据目标函数以及目标函数对应的条件约束对全局最优解进行更新，获取最终配送方案，包括：
A、将初始配送方案最为全局最优解；
B、获取初始温度Tbegin、循环结束温度Tend、每个温度下的迭代次数Itime、温度衰减系数α以及计数器K＝0，并确定当前温度TD＝Tbegin，0＜α＜1；
C、根据目标函数以及目标函数对应的条件约束，获取全局最优解对应的第一函数目标值f1；
D、对全局最优解进行交换操作、位移操作和/或倒置操作，得到新解，所述新解用于表征新的配送方案；
E、根据目标函数以及目标函数对应的条件约束，获取新解对应的第二函数目标值f2；
F、判断第二函数目标值f2是否小于或者等于第一函数目标值f1，若是，则将新解作为全局最优解，并进入步骤G，否则采用Metropolis准则对全局最优解进行更新，并进入步骤G；
G、判断计数器K是否等于或者大于迭代次数Itime，若是，则令当前温度TD与温度衰减系数α相乘，并将相乘的结果作为新的当前温度TD，进入步骤H，否则计数器K的计数值加一，并返回步骤C；
H、判断当前温度TD是否等于或者小于循环结束温度Tend，若是，则将全局最优解作为最终配送方案，否则返回步骤C。
7.根据权利要求6所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，所述交换操作包括：在全局最优解中随机选择两个点，并交换两个点之间的位置；
所述位移操作包括：在全局最优解中随机选择三个点，将前两个点以及前两个点之间的点都移到第三个点之后；
所述倒置操作包括：在全局最优解中随机选两个点，将这两个点及其之间的顺序完全颠倒。
8.根据权利要求6或7所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，对全局最优解进行交换操作、位移操作和/或倒置操作之后，还包括：重新确定充电任务。
9.根据权利要求6所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，采用Metropolis准则对全局最优解进行更新，包括：
获取Metropolis准则中接受劣解的概率β；
随机生成一个位于0到1之间的随机数θ，判断随机数θ是否小于概率β，若是则将新解作为全局最优解，否则保持全局最优解不变。
10.根据权利要求1所述的基于模拟退火的可充电城市物流无人机路径规划方法，其特征在于，采用模拟退火方法对预处理后的初始配送方案进行优化，得到最终配送方案之后，还包括：将最终配送方案传输至无人机，以使无人机按照最终配送方案进行包裹配送。
CN202210853295.1A 2022-07-20 2022-07-20 一种基于模拟退火的可充电城市物流无人机路径规划方法 Pending CN115115132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210853295.1A CN115115132A (zh) 2022-07-20 2022-07-20 一种基于模拟退火的可充电城市物流无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210853295.1A CN115115132A (zh) 2022-07-20 2022-07-20 一种基于模拟退火的可充电城市物流无人机路径规划方法

Publications (1)

Publication Number Publication Date
CN115115132A true CN115115132A (zh) 2022-09-27

Family

ID=83334210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210853295.1A Pending CN115115132A (zh) 2022-07-20 2022-07-20 一种基于模拟退火的可充电城市物流无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN115115132A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362368A (zh) * 2022-12-13 2023-06-30 南京航空航天大学 一种基于模拟退火的低空城区物流无人机需求预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362368A (zh) * 2022-12-13 2023-06-30 南京航空航天大学 一种基于模拟退火的低空城区物流无人机需求预测方法
CN116362368B (zh) * 2022-12-13 2023-12-19 南京航空航天大学 一种基于模拟退火的低空城区物流无人机需求预测方法

Similar Documents

Publication Publication Date Title
Li et al. Two-echelon vehicle routing problem with time windows and mobile satellites
Li et al. Ground-vehicle and unmanned-aerial-vehicle routing problems from two-echelon scheme perspective: A review
CN107766994A (zh) 一种共享自行车调度方法与调度系统
CN110059900B (zh) 用于控制仓库中运输车的方法和装置
Yu et al. Two-echelon urban deliveries using autonomous vehicles
CN107977739A (zh) 物流配送路径的优化方法、装置及设备
Luo et al. A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及系统
Benantar et al. On the integration of container availability constraints into daily drayage operations arising in France: Modelling and optimization
Yurek et al. Traveling salesman problem with drone under recharging policy
JP2019536713A (ja) 自動分配システムにおける荷物の配列方法
CN115115132A (zh) 一种基于模拟退火的可充电城市物流无人机路径规划方法
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
CN107491836A (zh) 一种订单的分配方法、装置及电子设备
Yu et al. Electric van-based robot deliveries with en-route charging
CN110232551A (zh) 货物分类方法及装置、存储介质、电子装置
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
CN116911729A (zh) 一种考虑电池更换计划的无人机与卡车协同配送方法
CN108197879B (zh) 一种多模式客货共运方法及系统
Cheng et al. An adaptive large neighborhood search metaheuristic for a passenger and parcel share-a-ride problem with drones
Du et al. AI-based energy-efficient path planning of multiple logistics UAVs in intelligent transportation systems
Shi et al. Adaptive large neighborhood search algorithm for the Unmanned aerial vehicle routing problem with recharging
CN111950943A (zh) 一种配送车调度方法、装置、设备及存储介质
Gao et al. Scheduling trucks and drones for cooperative deliveries
Chow et al. Adaptive scheduling of mixed bus services with flexible fleet size assignment under demand uncertainty

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