CN115564117A - 车机柜协同配送路径优化方法和系统 - Google Patents

Abstract

本发明提供一种车机柜协同配送路径优化方法和系统，涉及路径优化技术领域。本发明首先获取带有覆盖点的协同配送任务数据；然后基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；最后通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。本发明中构建的带有覆盖点的两级路径的车机协同配送模型，该模型可以在考虑引入覆盖点选项的情况下，对两级路径问题中车机协同配送问题进行描述，更加契合车机协同进行最后一公里配送的实际过程，通过求解该模型，获得的优化路径能有效提高配送效率，降低末端配送成本。

Description

车机柜协同配送路径优化方法和系统

技术领域

本发明涉及路径优化技术领域，具体涉及一种车机柜协同配送路径优化方法和系统。

背景技术

随着无人机技术的逐渐成熟，越来越多的物流企业开始将无人机投入到快递运输过程当中，无人机和卡车协同配送的车辆路径问题成为当前学术界和工业界的热点问题。

目前，国内外学者对该问题的研究主要集中在带无人机的旅行商问题、带无人机的车辆路径问题及其衍生问题的建模与求解算法上。

然而，实际的最后一公里配送，因快递柜、菜鸟驿站等覆盖点的存在，求解出来的配送路径和实际情况并不相符，导致配送效率低。

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柜协同配送路径优化方法和系统，解决了现有方法的配送效率低的技术问题。

(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柜协同配送路径优化方法，所述方法包括：

S1、获取带有覆盖点的协同配送任务数据；

S2、基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

S3、通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

优选的，所述带有覆盖点的协同配送任务数据包括：配送网络、运输工具集、节点集及节点信息；

其中，配送网络是指仓库、无人机站点、覆盖点及客户地理位置之间形成的有向图，用G＝(V，A)表示，其中，V表示所有节点集合，

A表示所有弧的集合，即所有配送路径的集合，A＝{(i，j)|i，j∈V，i≠j}；

运输工具集包括仓库停靠的辆同质卡车集合M、无人机集合N、卡车容积Q₁和无人机容积Q₂；

节点集包括仓库节点O、无人机中转站负责的客户点集合V^C、覆盖点集V^L、无人机站点集V^S、覆盖点i负责的客户点集合运输工具集

节点信息包括客户i需求量q_i、V中任意不同两点i，j间的距离d_ij，(i，j)∈A：＝{(i，j)|i，j∈V，i≠j}、卡车单位距离运输成本c₁、无人机单位距离运输成本c₂。

优选的，所述车机协同配送模型包括目标函数，具体如下：

其中：

优选的，所述车机协同配送模型包括约束条件，具体如下：

约束1、3、5用于约束卡车，每个中转站只能被访问一次，且只能被一辆卡车访问；

约束2、4、6用于约束无人机，每个无人机客户点只能被访问一次，且只能被一架无人机访问；

约束7用于消除卡车子回路；

约束8用于消除无人机子回路；

约束9表示卡车总载重不能超过其承载上限；

约束10表示无人机总载重不能超过其承载上限。

优选的，所述通过两阶段的启发式算法对车机协同配送模型求解，包括：

第一阶段：

S311、划分归属集，确定各个中转站的需求；

S312、根据各个中转站的需求，在满足卡车容量约束的前提下，利用节约里程法形成第一级卡车路径，具体步骤如下：

S312a、利用节约里程算法计算中转站间的节约里程数，并排序储存在链表CW<>中，其中属性含有中转站a₁、中转站a₂、节约里程数；

S312b、基于贯序节约里程算法的思想访问节约里程表CW<>，进入步骤S312e；

S312c、判断路径累计需求是否满足车辆容积约束，若满足，则进入步骤S312d，若不满足则返回步骤S312b；

S312d、将中转站编号储存在对应的卡车路径中；再返回步骤S312b；

S312e、判断CW<>是否访问结束，若未访问完，则进入步骤S312c；若访问完，则结束，输出第一级卡车路径；

S313、将客户编码打乱顺序，随机生成第二级无人机路径；

以第二级无人机路径作为初始解，通过改进后的自适应大邻域算法优化初始解；

第二阶段：

S321、初始化当前解，设置当前迭代次数Nc＝0，最大迭代次数Nc_max；

S322、Nc≥Nc_max是否成立，若是，输出当前解作为最优解，否则，执行下一步，所述最优解即为优化后的无人机路径；

S323、以总成本的倒数作为适应度，计算当前解中每个个体的适应度，每次从种群中按照精英选择策略选择适应度高的前N个个体进行如下操作：

S324、基于轮盘赌规则选择算子对，所述算子对包括3种破坏算子与3种修复算子构成的9种算子对；

破坏算子包括：

①随机移除破坏算子：任意选择一个中转站，随机地选择该中转站提供服务的客户进行移除；

②单路径移除破坏算子：任意选择一条配送路径上任意选择一条配送路径上的客户进行移除，直到移除q位客户为止；

③关联度移除破坏算子：随机地产生一位待移除客户，计算该客户点和其他客户点的关联度指标，关联度指标考虑的是两客户点之间的距离d的倒数，优先移除关联度低的客户节点；

修复算子包括：

①随机插入修复算子：选择任意路径上任意位置，插入后的解满足容量约束即可；

②贪婪插入修复算子：随机选择一条路径，把所有待插入的点选择插入后增加路程最小的位置插入；

③旅行插入修复算子：遍历每一位待插入客户，计算出其最佳插入位置和对应的最小插入成本，选择所有客户中插入成本最小的客户以及插入位置，进行插入操作；

S325、根据上一步选择的算子对，执行破坏和修复操作，对当前解进行操作得到新的解，判断新的解是否优于当前解，若是，则接受新解；否则，以模拟退火概率接受新解；

S326、更新算子对的权重，Nc＝Nc+1，返回步骤S322。

优选的，在步骤S325中，判断新的解是否优于当前解之前，所述方法还包括，判断是否执行租借策略，所述租借策略包括：

当无人机中转站有空闲无人机时，随机把该中转站的无人机租借给其他中转站，若租借之后总路径成本小于租借之前总路径成本，则实施租借策略；否则，以模拟退火概率实施租借策略，在租借过程中，每个中转站至少有一台无人机。

优选的，在步骤S326中，所述更新算子对的权重包括：

其中：ω_d，z为算子权重，S_d,z为算子分数，μ_d,z为算子的使用次数ρ为权重更新系数；

算子分数的计算方式如下：

在计算开始时，每一个算子对分值，每一次计算过程中算子加分情况如下：

1)新解对当前局部最优解进行更新，加a分；

2)新解对当前全局最优解进行更新，再加b分；

3)新解比当前解更差，但按照算法的接受准则新解被接受了，加c分；

4)新解比当前解更差且没有被接受，加d分；

其中，a>b>c>d。

第二方面，本发明提供一种车机柜协同配送路径优化系统，包括：

数据获取模块，用于获取带有覆盖点的协同配送任务数据；

模型构建模块，用于基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

求解模块，用于通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

第三方面，本发明提供一种计算机可读存储介质，其存储用于车机柜协同配送路径优化系统的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的车机柜协同配送路径优化方法。

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柜协同配送路径优化方法。

(三)有益效果

本发明提供了一种车机柜协同配送路径优化方法和系统。与现有技术相比，具备以下有益效果：

本发明首先获取带有覆盖点的协同配送任务数据；然后基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；最后通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。本发明中构建的带有覆盖点的两级路径的车机协同配送模型，该模型可以在考虑引入覆盖点选项的情况下，对两级路径问题中车机协同配送问题进行描述，更加契合车机协同进行最后一公里配送的实际过程，通过求解该模型，获得的优化路径能有效提高配送效率，降低末端配送成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种车机柜协同配送路径优化方法的框图；

图2为本发明实施例中改进后的自适应大邻域算法的流程图；

图3为本发明实施例中随机移除破坏算子的操作过程示意图；

图4为本发明实施例中单路径移除破坏算子的操作过程示意图；

图5为本发明实施例中关联度移除破坏算子的操作过程示意图；

图6为本发明实施例中随机插入修复算子的操作过程示意图；

图7为本发明实施例中贪婪插入修复算子的操作过程示意图；

图8为本发明实施例中旅行插入修复算子的操作过程示意图；

图9为本发明实施例中租借策略的交换操作过程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种车机柜协同配送路径优化方法和系统，解决了现有方法的配送效率低技术问题，提高车机柜协同配送效率，降低末端配送成本。

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：

现有研究针对带无人机的两级车辆路径问题，已从不同的角度展开了深入的研究并取得了一定的成果。但仍存在以下问题：其一、在现有的方案设计中，大多只考虑配送成本最低而未结合客户服务方式不同进行研究(客户服务方式包括送货上门和配送到覆盖点)；其二、在现有的方案设计中，针对二级路径问题没有考虑到各站点间无人机可以租借的情形；其三、在现有的求解方法中，未针对带有覆盖点的两级路径车机协同配送问题提出有效的启发式算法。

基于上述问题，本发明实施例提出了提出了考虑带覆盖点(快递柜或菜鸟驿站等)的两级车辆路径问题这一研究课题。在考虑带快递柜的两级车辆路径中，货物从中央仓库转运到中转站(无人机站点和覆盖点)，客户通过覆盖点或无人机获得服务。建立了以最小化配送成本为目标函数的整数规划模型，并设计了一种自适应大邻域算法进行求解，提升求解效率和配送效率。

本发明实施例提供一种车机柜协同配送路径优化方法，如图1所示，包括：

S1、获取带有覆盖点的协同配送任务数据；

S2、基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

S3、通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

本发明实施例中构建的带有覆盖点的两级路径的车机协同配送模型，该模型可以在考虑引入覆盖点选项的情况下，对两级路径问题中车机协同配送问题进行描述，更加契合车机协同进行最后一公里配送的实际过程，通过求解该模型，获得的优化路径能有效提高配送效率，降低末端配送成本。

下面对各个步骤进行详细说明：

在步骤S1中，获取带有覆盖点的协同配送任务数据。具体实施过程如下：

在本发明实施例中，获取带有覆盖点的协同配送任务数据主要包括以下数据：

配送网络，即仓库、无人机站点、覆盖点及客户地理位置之间形成的有向图，用G＝(V，A)表示，其中，V表示所有节点集合，

A表示所有弧的集合，即所有配送路径的集合，A＝{(i，j)|i，j∈V，i≠j}。需要说明的是，本发明实施例中的覆盖点以快递柜覆盖点为例。

运输工具集，包括仓库停靠的辆同质卡车集合M、无人机集合N、卡车容积Q₁和无人机容积Q₂。

节点集及节点信息，其中，节点集包括仓库节点O、无人机中转站负责的客户点集合V^C、快递柜覆盖点集V^L、无人机站点集V^S、快递柜i负责的客户点集合运输工具集

节点信息包括客户i需求量q_i、V中任意不同两点i，j间的距离d_ij，(i，j)∈A：＝{(i，j)|i，j∈V，i≠j}、快递柜单位距离运输成本l_i、卡车单位距离运输成本c₁、无人机单位距离运输成本c₂。

在步骤S2中，基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型。具体实施过程如下：

在带覆盖点的两级车辆路径问题，卡车与无人机和快递柜协同完成最后一公里配送任务。卡车从仓库出发，行驶到无人机站点或快递柜覆盖点并将卡车上的货物转移到中转站。每位顾客由自无人机站点起飞的无人机或者快递柜进行服务，各无人机站点之间的无人机数目可以租借，目的是寻找配送总成本最小的配送路径。

由于在模型规划伊始，客户点对于中转站的归属便已经确定，且自提柜与归属于其的客户点之间的路径唯一确定，无决策空间，因此可将自提成本从总成本中抽离。

自提成本如下：

基于上述协同配送任务数，构建如下包括目标函数和约束条件的模型：

该模型的目标函数由两部分构成，第一部分为卡车运输成本，第二部分为无人机运输成本。

其中：

约束条件包括：

约束1、3、5用于约束卡车，每个中转站只能被访问一次，且只能被一辆卡车访问；

约束2、4、6用于约束无人机，每个无人机客户点只能被访问一次，且只能被一架无人机访问；

约束7用于消除卡车子回路；

约束8用于消除无人机子回路；

约束9表示卡车总载重不能超过其承载上限；

约束10表示无人机总载重不能超过其承载上限。

在步骤S3中，通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。具体实施过程如下：

本发明实施例设计两阶段求解算法，第一阶段依据贪婪思想为顾客划分归属集，依据节约里程算法思想生成第一级卡车路径，随机第二级无人机路径作为初始解；第二阶段通过改进后的自适应大邻域算法优化初始解，提高求解质量。具体如下：

第一阶段：

S311、划分归属集，确定各个中转站的需求：

S311a、计算每个客户i到每个中转站的距离，得到距离矩阵。

S311b、在满足无人机站点容量约束的前提下，将客户分配给距离最近的中转站。尽可能将每个客户分配到离其最近的共同配送中心；若最近的共同配送中心容量已经饱和，则将客户分配到离其次近的共同配送中心。重复该步骤，直到所有的客户都被分配。

S311c、根据分配给各个中转站客户的需求和，确定各个中转站的需求。

S312、一级路径为单车厂vrp问题，根据各个中转站的需求，在满足卡车容量约束的前提下，利用节约里程法形成第一级卡车路径，具体步骤如下：

S312a、利用节约里程算法计算中转站间的节约里程数，并排序储存在链表CW<>中，其中属性含有中转站a₁、中转站a₂、节约里程数。

S312b、基于贯序节约里程算法的思想访问节约里程表CW<>，进入步骤S312e。

S312c、判断路径累计需求是否满足车辆容积约束，若满足，则进入步骤S312d，若不满足则返回步骤S312b。

S312d、将中转站编号储存在对应的卡车路径中；再返回步骤S312b。

S312e、判断CW<>是否访问结束，若未访问完，则进入步骤S312c；若访问完，则结束，输出第一级卡车路径；

S313、二级路径为多车厂mdvrp问题，将二级路径的客户编码打乱顺序，随机生成第二级无人机路径。

以第二级无人机路径作为初始解，通过改进后的自适应大邻域算法优化初始解。

第二阶段，如图2所示：

S321、初始化当前解，设置当前迭代次数Nc＝0，最大迭代次数Nc_max，本发明实施例中Nc_max＝500；

S322、Nc≥Nc_max是否成立，若是，输出当前解作为最优解，否则，执行下一步；所述最优解即为优化后的无人机路径，所述第一级卡车路径和优化后的无人机路径构成优化路径。

S323、计算当前解中每个个体的适应度，用目标总成本的倒数进行表示，即fit＝1/C，每次从种群中按照精英选择策略选择适应度较高的前N个个体进行如下操作(需要说明的是，本发明实施例中，选择种群中前1/3个个体)：

S324、基于轮盘赌规则选择算子对，所述算子对包括3种破坏算子与3种修复算子构成的9种算子对；

在算法迭代过程中，首先需要对当前解进行“破坏”操作，即从现有解中移除q个单位的客户。一般的做法是，对当前已经被安置到二级设施的客户，计算出一种特别的排序指标，对这些客户进行排序，最后根据排序依次将客户移除至集合R中，直到移除了q位客户为止。破坏算子包括：

①随机移除破坏算子的操作过程如图3所示，首先任意选择一个中转站，然后随机地选择该中转站提供服务的客户进行移除，这种破坏算子由于没有借助任何信息，所以往往产生一组不太好的被移除客户，但是这种随机移除的方法有助于搜索到多样化的解并脱离局部最优。

②单路径移除破坏算子的操作过程如图4所示，任意选择一条配送路径上任意选择一条配送路径上的客户进行移除，直到移除q位客户为止。

③关联度移除破坏算子的操作过程如图5所示，首先随机地产生一位待移除客户，然后计算该客户点和其他客户点的关联度指标，关联度指标考虑的是两客户点之间的距离d的倒数，优先移除关联度低的客户节点。

修复算子根据被移除的客户集合以及被破坏后的解进行修复操作，在客户点插入后均需检查是否满足约束。以下是算法中采用的三种修复算子：

①随机插入修复算子的操作过程如图6所示，选择任意路径上任意位置，只要插入后的解满足容量约束即可进行插入。

②贪婪插入修复算子的操作过程如图7所示，随机选择一条路径，把所有待插入的点选择插入后增加路程最小的位置插入。

③旅行插入修复算子的操作过程如图8所示，遍历每一位待插入客户，计算出其最佳插入位置和对应的最小插入成本，然后选择所有客户中插入成本最小的客户以及插入位置，进行插入操作。

根据基于轮盘赌规则从三种破坏算子和三种修复算子中随机选择出一种组合，破坏算子和修复算子可组成9中算子对。

S325、根据上一步选择的算子对，执行破坏和修复操作，对当前解进行操作得到新的解f(x)，判断新的解是否优于当前解，若是，则接受新解；否则，以模拟退火概率接受新解；

Metropolis准则常表示为:

其中，E_n表示前一状态的能量；E_n+1表示当前状态的能量。

在实际应用中考虑到对各个中转站的无人机进行合理再分配以提高配送效率，因此在优化过程中提出“租借”的概念，在路径间进行无人机交换。当无人机中转站有空闲无人机时，随机尝试把该中转站的无人机“租借”给另一个中转站，如果租借之后总路径成本变低，则实施该租借策略；如果成本变高，则以模拟退火概率实施该租借策略。在租借过程中，确保每个中转站至少有一台无人机，不设上限，租借策略的交换操作过程如图9所示。

S326、更新算子对的权重，Nc＝Nc+1，返回步骤S322。

每一次搜索过程中，算子对的选择都基于轮盘赌规则，以此增加算子对选择的多样性。在计算开始时，每一个算子对都有相同的权重和分数，并且初始分值为1。根据算子对的不同表现情况阶梯式给分，得分越高表明算子表现越好。每一次计算过程中算子对加分情况如下：

1)新解对当前局部最优解进行更新，加5分。

2)新解对当前全局最优解进行更新，再加5分。

3)新解比当前解更差，但按照算法的接受准则仍然被接受了，加2分。

4)新解比当前解更差且没有被接受，加0.8分。

根据每一轮的平均得分来计算当前算子对参与轮盘赌选择的权重。此外还设定了一个权重更新系数ρ以避免收敛速度过快陷入局部最优，更新算子对(d，z)对应权重ω_d，z的具体方式如下：

其中：ω_d，z为算子权重，S_d,z为算子分数，μ_d,z为算子的使用次数。

本发明实施例还提供一种车机柜协同配送路径优化系统，包括：

数据获取模块，用于获取带有覆盖点的协同配送任务数据；

模型构建模块，用于基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

求解模块，用于通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

可理解的是，本发明实施例提供的车机柜协同配送路径优化系统与上述车机柜协同配送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柜协同配送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，其存储用于车机柜协同配送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柜协同配送路径优化方法。

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柜协同配送路径优化方法。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明实施例中构建的带有覆盖点的两级路径的车机协同配送模型，该模型可以在考虑引入覆盖点选项的情况下，对两级路径问题中车机协同配送问题进行描述，更加契合车机协同进行最后一公里配送的实际过程，通过求解该模型，获得的优化路径能有效提高配送效率，降低末端配送成本。

2、本发明实施例在路径优化过程中考虑了各站点间无人机可以租借的情形，得到的优化路径更加贴合实际情况，进一步提高配送效率。

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)

1.一种车机柜协同配送路径优化方法，其特征在于，所述方法包括：

S1、获取带有覆盖点的协同配送任务数据；

S2、基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

S3、通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

2.如权利要求1所述的车机柜协同配送路径优化方法，其特征在于，所述带有覆盖点的协同配送任务数据包括：配送网络、运输工具集、节点集及节点信息；

其中，配送网络是指仓库、无人机站点、覆盖点及客户地理位置之间形成的有向图，用G＝(V,A)表示，其中，V表示所有节点集合，

A表示所有弧的集合，即所有配送路径的集合，A＝{(i,j)|i,j∈V,i≠j}；

运输工具集包括仓库停靠的辆同质卡车集合M、无人机集合N、卡车容积Q₁和无人机容积Q₂；

节点集包括仓库节点O、无人机中转站负责的客户点集合V^C、覆盖点集V^L、无人机站点集V^S、覆盖点i负责的客户点集合运输工具集

节点信息包括客户i需求量q_i、V中任意不同两点i,j间的距离d_ij,(i,j)∈A:＝{(i,j)|i,j∈V,i≠j}、卡车单位距离运输成本c₁、无人机单位距离运输成本c₂。

3.如权利要求2所述的车机柜协同配送路径优化方法，其特征在于，所述车机协同配送模型包括目标函数，具体如下：

其中：

4.如权利要求3所述的车机柜协同配送路径优化方法，其特征在于，所述车机协同配送模型包括约束条件，具体如下：

Σ_k∈Mu_ik-∑_k∈Mu_ik+(L+S)∑_k∈Mx_ijk≤L+S-1,i,j∈V^L∪V^S (7)

Σ_k∈Nu_ik-Σ_k∈Nu_ik+CΣ_k∈Nx_ijk≤C-1,i,j∈V^C (8)

约束1、3、5用于约束卡车，每个中转站只能被访问一次，且只能被一辆卡车访问；

约束2、4、6用于约束无人机，每个无人机客户点只能被访问一次，且只能被一架无人机访问；

约束7用于消除卡车子回路；

约束8用于消除无人机子回路；

约束9表示卡车总载重不能超过其承载上限；

约束10表示无人机总载重不能超过其承载上限。

5.如权利要求1～4任一所述的车机柜协同配送路径优化方法，其特征在于，所述通过两阶段的启发式算法对车机协同配送模型求解，包括：

第一阶段：

S311、划分归属集，确定各个中转站的需求；

S312、根据各个中转站的需求，在满足卡车容量约束的前提下，利用节约里程法形成第一级卡车路径，具体步骤如下：

S312a、利用节约里程算法计算中转站间的节约里程数，并排序储存在链表CW<>中，其中属性含有中转站a₁、中转站a₂、节约里程数；

S312b、基于贯序节约里程算法的思想访问节约里程表CW<>，进入步骤S312e；

S312c、判断路径累计需求是否满足车辆容积约束，若满足，则进入步骤S312d，若不满足则返回步骤S312b；

S312d、将中转站编号储存在对应的卡车路径中；再返回步骤S312b；

S312e、判断CW<>是否访问结束，若未访问完，则进入步骤S312c；若访问完，则结束，输出第一级卡车路径；

S313、将客户编码打乱顺序，随机生成第二级无人机路径；

以第二级无人机路径作为初始解，通过改进后的自适应大邻域算法优化初始解；

第二阶段：

S321、初始化当前解，设置当前迭代次数Nc＝0，最大迭代次数Nc_max；

S322、Nc≥Nc_max是否成立，若是，输出当前解作为最优解，否则，执行下一步，所述最优解即为优化后的无人机路径；

S323、以总成本的倒数作为适应度，计算当前解中每个个体的适应度，每次从种群中按照精英选择策略选择适应度高的前N个个体进行如下操作：

S324、基于轮盘赌规则选择算子对，所述算子对包括3种破坏算子与3种修复算子构成的9种算子对；

破坏算子包括：

①随机移除破坏算子：任意选择一个中转站，随机地选择该中转站提供服务的客户进行移除；

②单路径移除破坏算子：任意选择一条配送路径上任意选择一条配送路径上的客户进行移除，直到移除q位客户为止；

③关联度移除破坏算子：随机地产生一位待移除客户，计算该客户点和其他客户点的关联度指标，关联度指标考虑的是两客户点之间的距离d的倒数，优先移除关联度低的客户节点；

修复算子包括：

①随机插入修复算子：选择任意路径上任意位置，插入后的解满足容量约束即可；

②贪婪插入修复算子：随机选择一条路径，把所有待插入的点选择插入后增加路程最小的位置插入；

③旅行插入修复算子：遍历每一位待插入客户，计算出其最佳插入位置和对应的最小插入成本，选择所有客户中插入成本最小的客户以及插入位置，进行插入操作；

S325、根据上一步选择的算子对，执行破坏和修复操作，对当前解进行操作得到新的解，判断新的解是否优于当前解，若是，则接受新解；否则，以模拟退火概率接受新解；

S326、更新算子对的权重，Nc＝Nc+1，返回步骤S322。

6.如权利要求5所述的车机柜协同配送路径优化方法，其特征在于，在步骤S325中，判断新的解是否优于当前解之前，所述方法还包括，判断是否执行租借策略，所述租借策略包括：

当无人机中转站有空闲无人机时，随机把该中转站的无人机租借给其他中转站，若租借之后总路径成本小于租借之前总路径成本，则实施租借策略；否则，以模拟退火概率实施租借策略，在租借过程中，每个中转站至少有一台无人机。

7.如权利要求5所述的车机柜协同配送路径优化方法，其特征在于，在步骤S326中，所述更新算子对的权重包括：

其中：ω_d，z为算子权重，S_d,z为算子分数，μ_d,z为算子的使用次数ρ为权重更新系数；

算子分数的计算方式如下：

在计算开始时，每一个算子对的分数相同，每一次计算过程中算子对加分情况如下：

1)新解对当前局部最优解进行更新，加a分；

2)新解对当前全局最优解进行更新，再加b分；

3)新解比当前解更差，但按照算法的接受准则新解被接受了，加c分；

4)新解比当前解更差且没有被接受，加d分；

其中，a>b>c>d。

8.一种车机柜协同配送路径优化系统，其特征在于，包括：

数据获取模块，用于获取带有覆盖点的协同配送任务数据；

模型构建模块，用于基于协同配送任务数据，以最小化配送总成本为目标构建带有覆盖点的两级路径的车机协同配送模型；

求解模块，用于通过两阶段的启发式算法对车机协同配送模型求解，得到优化路径。

9.一种计算机可读存储介质，其特征在于，其存储用于车机柜协同配送路径优化系统的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的车机柜协同配送路径优化方法。

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任一所述的车机柜协同配送路径优化方法。

Images