CN116362368B - 一种基于模拟退火的低空城区物流无人机需求预测方法 - Google Patents

一种基于模拟退火的低空城区物流无人机需求预测方法 Download PDF

Info

Publication number
CN116362368B
CN116362368B CN202211598581.4A CN202211598581A CN116362368B CN 116362368 B CN116362368 B CN 116362368B CN 202211598581 A CN202211598581 A CN 202211598581A CN 116362368 B CN116362368 B CN 116362368B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
logistics unmanned
distribution
logistics
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.)
Active
Application number
CN202211598581.4A
Other languages
English (en)
Other versions
CN116362368A (zh
Inventor
张洪海
吴世鑫
欧阳宇翔
钟罡
刘皞
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211598581.4A priority Critical patent/CN116362368B/zh
Publication of CN116362368A publication Critical patent/CN116362368A/zh
Application granted granted Critical
Publication of CN116362368B publication Critical patent/CN116362368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Abstract

本发明公开了一种基于模拟退火的低空城区物流无人机需求预测方法，考虑物流无人机在城区低空空域飞行空域范围的限制和运输任务要求，建立物流无人机运输任务分配模型。考虑物流无人机飞行环境信息、物流无人机运输性能和配送任务数据，使用模拟退火算法求解物流无人机运输任务分配模型，预测配送总成本最低时，物流无人机需求，得出此时的配送最佳无人机数量，备用电池数量，工作时长与充电时长。本发明提供的一种基于模拟退火的低空城区物流无人机需求预测方法，综合考虑城区低空空域运输环境与物流无人机自身性能参数，合理分配物流无人机运输任务，计算低空城区物流无人机需求。

Description

一种基于模拟退火的低空城区物流无人机需求预测方法
技术领域
本发明涉及一种基于模拟退火的低空城区物流无人机需求预测方法，属于物流无人机需求技术领域。
背景技术
作为当前颇受瞩目的创新产业，无人机的发展如火如荼。随着技术的日渐成熟，各种类型的无人机应用领域得以进一步发展。虽然它在物流领域的应用并未进入成熟阶段，但许多国家都进行了前沿性的研究，并也取得了许多成功的案例。
而国内外的物流企业也在尝试使用小型无人机进行配送。可见无人机物流已经是无人机应用中的新兴领域之一，世界各国纷纷开展了有关物流无人机配送方面的研究，物流无人机逐渐成为合适的包裹配送方式。无人机物流将具有无接触物流的优势发挥的淋漓尽致。物流无人机配送将在未来物流领域占有一席之地。在这一领域，无人机需求预测则显得更加重要。
低空城区物流无人机需求预测是指在一定的空域条件限制和一定的成本价格水平下，某区域对低空城区物流无人机运输货物的需要。不同于其他运输工具的需求预测，现阶段低空城区物流无人机并未进入运输市场，没有相关历史数据；另一方面，低空城区物流无人机的运行环境复杂，其限制条件众多，如何综合空域条件限制和物流运输特点分析低空城区物流无人机运输需求亟待研究。
目前，国内外对低空城区物流无人机需求预测的研究较少。为低空城区物流无人机更好地进入运输市场，亟需考虑实现低空城区物流无人机运输任务分配和低空城区无人机需求预测，以贴合实际运用需求。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于模拟退火的低空城区物流无人机需求预测方法，综合考虑城区低空空域运输环境与物流无人机自身性能参数，合理分配物流无人机运输任务，计算低空城区物流无人机需求。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于模拟退火的低空城区物流无人机需求预测方法，包括如下步骤：
步骤1：获取城区低空空域物流无人机的飞行环境信息，根据飞行环境信息明确物流无人机可行的飞行空域范围。
步骤2：获取物流无人机运输性能。
步骤3：考虑物流无人机在城区低空空域飞行空域范围的限制和运输任务要求，建立物流无人机运输任务分配模型。
步骤4：考虑物流无人机飞行环境信息、物流无人机运输性能和配送任务数据，使用模拟退火算法求解物流无人机运输任务分配模型，预测配送总成本最低时，物流无人机需求，得出此时的配送最佳无人机数量，备用电池数量，工作时长与充电时长。
作为优选方案，所述飞行环境信息包括：禁飞区、限制区和隔离区。
作为优选方案，物流无人机运输性能的参数包括：最远航程、载重限制、飞行速度、工作时长、充电时长。
作为优选方案，所述物流无人机在城区低空空域飞行空域范围的限制，具体如下：
1.1：物流无人机m在每个工作时段i内连续执行配送任务的总距离不能超过其最大续航里程的限制，用公式表示为：
式中：M表示无人机的集合；表示无人机m在第i工作时段内连续执行配送任务次数，N*为正整数的集合；/>表示无人机m在第i工作时段内连续执行第n次任务时飞行的距离。Im是无人机m每天工作时段的集合，Im∈N，N为自然数的集合。
1.2：物流无人机m在执行一次配送任务时所载包裹的总重量不能超过其最大有效载重的约束，用公式表示为：
式中：表示无人机m在工作时段i内执行第n次任务时，所携带的第k件包裹的重量；/>表示无人机m在工作时段i内执行第n次任务时，所携带的包裹总数量。N为自然数的集合。
1.3：物流无人机m在连续执行配送任务时，其总飞行时间要满足其最大工作时间的要求，用公式表示为：
式中：表示无人机m在工作时段i内连续执行第n次任务时所用的飞行时间。
1.4：物流无人机m在低空空域飞行，飞行高度hm要满足空域允许的最大、最小飞行高度Hmax、Hmin，用公式表示为：
1.5：物流无人机m在低空空域飞行，飞行速度vm要满足空域允许的最大、最小飞行速度Vmax、Vmin，用公式表示为：
1.6：由于物流无人机的电量限制和备用电池组的数量限制，因此无人机m在执行运输时，要满足电池续航时间的飞行限制条件，xi为无人机i充电情况，yi为备用电池i使用情况，用公式表示为：
在1.1-1.6的约束条件限制下，物流无人机满足飞行空域范围的限制。
作为优选方案，所述运输任务要求，具体如下：
2.1：物流无人机m在执行配送任务时，应该将全部的包裹送到需求点手中，即由无人机运送的包裹量应该与需求点需要送达的包裹量相等，用公式表示为：
式中：Qc表示第c个需求点的包裹量，C表示需求点的集合。
2.2：物流无人机m在执行配送任务时，要在指定的时间内完成配送任务，用公式表示为：
表示物流无人机m实际将包裹k送达的时间；/>表示包裹k要求送达的最晚时间；/>表示物流无人机m实际领取包裹k的时间；/>表示物流无人机m应该领取包裹k的时间；P表示包裹的集合。
2.3：由于物流无人机m在飞行过程中需要电池组动力支撑，因此物流无人机m在连续执行配送任务时，其总飞行时间要满足其最大工作时长的要求。
2.4：由于物流无人机m电量耗尽后需要充电，因此物流无人机m在电量不足时，其充电时间要满足其电池组充电时长的要求。
在2.1-2.4的约束条件限制下，物流无人机配送满足运输任务要求。
作为优选方案，所述物流无人机运输任务分配模型，具体如下：
其中，表示物流无人机m在执行配送任务时，从i到j配送路线的距离，Tα为时间成本系数，/>表示第m个无人机从i到j配送时的当前时间，Dβ为风险成本系数，Dδ为机动成本系数，Fm表示无人机配送时的机动次数，xi为无人机i充电情况，yi为备用电池i使用情况。
作为优选方案，所述物流无人机运输任务分配模型的约束条件，具体如下：
其中，lij表示从i到j配送路线的距离，表示最大续航里程，wk表示无人机携带的第k件包裹的重量，/>表示最大有效载重，J表示需求点的集合，Tm表示最大工作时间，hm表示无人机飞行高度，Hmax表示最大飞行高度，Hmin表示最小飞行高度，m表示无人机，M表示无人机集合，a1表示在正常情况下的时间成本系数，t1，t2表示高峰时间的开始与结束，t3表示周期函数循环一次的周期，k1,k2,b1,b2表示各时间段的时间成本影响因子，/>表示时间成本类似随着时间/>变化呈指数变化形式，Dβ ij表示各配送路线的无人机成本系数，k3,k4,b3,b4表示各时间段的风险成本影响因子，/>表示风险成本类似随着时间/>变化呈指数变化形式，w1,w2,...,wn表示不同的无人机载重量，c1,c2,...,cn表示不同无人机载重量时的不同机动成本系数。
作为优选方案，所述步骤4，包括：
步骤4.1：获取飞行环境信息中空域限制数据，配送任务数据的配送点、需求点和物流任务包裹量。
步骤4.2：利用A*算法建立可行的最短配送路线。
步骤4.3：将空域限制数据、配送点、需求点、物流任务包裹量和可行的最短配送路线输入无人机运输任务分配模型产生随机的物流无人机的配送方案。
步骤4.4：对物流无人机的配送方案的包裹数据进行分析，若包裹量大于零，则进一步判断物流无人机的工作时间、电池电量是否满足配送要求，若均满足要求则取包裹进行配送，同时记录数据，随着配送的逐渐进行，包裹量不断更新，直到包裹量为零时，该需求点配送完毕，转入配送下一个需求点，重新进行如上操作，直到所有需求点均完成配送任务时，记录配送总成本。
步骤4.5：使用模拟退火算法的性质施加扰动，得到一个在配送方案上优于之前的更好方案，重复进行步骤4.4，得到新的配送总成本。
步骤4.6：比较步骤4.4得到的配送总成本与步骤4.5得到的配送总成本，若步骤4.5得到的配送总成本更优则取代步骤4.4得到的配送总成本，若步骤4.4得到的配送总成本更优，则依模拟退火算法中的指数函数计算随机概率，以决定是否保留步骤4.4得到的配送总成本，如不满足随机概率，则跳转至步骤4.5；如满足随机概率，则进入步骤4.7。
步骤4.7：当达到模拟退火算法要求的最低温度或达到规定的迭代次数时，运算停止，此时得到的最优解，即为配送最低总成本。
步骤4.8：获取配送最低总成本对应的配送最佳无人机数量，备用电池数量，工作时长与充电时长。
有益效果：本发明提供的一种基于模拟退火的低空城区物流无人机需求预测方法，通过考虑低空城区物流无人机运行的空域环境影响因素、物流运输任务特点以及物流无人机运输性能等限制条件，建立低空城区物流无人机任务分配模型，并设计模拟退火求解配送最低总成本，由此得出配送时的最佳无人机数量，电池数量，工作时长与充电时长。
本发明一方面在物流无人机配送模型中增加了空域限制等因素，使得该任务分配更贴合实际；另一方面，使用模拟退火求解无人机需求，避开局部最优解，显著提高求解速度与求解精度。同时加入动态分配使得在物流无人机或空域信息改变的条件下，也能够计算出当前条件下的配送最低总成本，得出此时的配送最佳无人机数量，备用电池数量，工作时长与充电时长。
附图说明
图1为本发明提供的基于模拟退火的低空城区物流无人机需求预测方法流程图。
图2为模拟退火流程图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
如图1所示，本发明提供的一种基于模拟退火的低空城区物流无人机需求预测方法，包括以下步骤：
步骤1：获取城区低空空域物流无人机的飞行环境信息，根据飞行环境信息明确物流无人机可行的飞行空域范围。飞行环境信息包括：禁飞区、限制区和隔离区。
步骤2：获取物流无人机运输性能参数，运输性能参数包括：最远航程、载重限制、飞行速度、工作时长、充电时长。
步骤3：考虑物流无人机在城区低空空域飞行空域范围的限制和运输任务要求，建立物流无人机运输任务分配模型。
步骤4：考虑物流无人机飞行环境信息、物流无人机运输性能和配送任务数据，使用模拟退火算法求解物流无人机运输任务分配模型，预测配送总成本最低时，物流无人机需求，得出此时的配送最佳无人机数量，备用电池数量，工作时长与充电时长。
进一步的，所述物流无人机在城区低空空域飞行空域范围的限制，具体如下：
1.1：物流无人机m在每个工作时段i内连续执行配送任务的总距离不能超过其最大续航里程的限制，用公式表示为：
式中：M表示无人机的集合；表示无人机m在第i工作时段内连续执行配送任务次数，N*为正整数的集合；/>表示无人机m在第i工作时段内连续执行第n次任务时飞行的距离。Im是无人机m每天工作时段的集合，Im∈N，N为自然数的集合。
1.2：物流无人机m在执行一次配送任务时所载包裹的总重量不能超过其最大有效载重的约束，用公式表示为：
式中：表示无人机m在工作时段i内执行第n次任务时，所携带的第k件包裹的重量；/>表示无人机m在工作时段i内执行第n次任务时，所携带的包裹总数量。N为自然数的集合。
1.3：物流无人机m在连续执行配送任务时，其总飞行时间要满足其最大工作时间的要求，用公式表示为：
式中：表示无人机m在工作时段i内连续执行第n次任务时所用的飞行时间。
1.4：物流无人机m在低空空域飞行，飞行高度hm要满足空域允许的最大、最小飞行高度Hmax、Hmin，用公式表示为：
1.5：物流无人机m在低空空域飞行，飞行速度vm要满足空域允许的最大、最小飞行速度Vmax、Vmin，用公式表示为：
1.6：由于物流无人机的电量限制和备用电池组的数量限制，因此无人机m在执行运输时，要满足电池续航时间的飞行限制条件，用公式表示为：
在1.1-1.6的约束条件限制下，物流无人机满足飞行空域范围的限制。
进一步的，所述运输任务要求，具体如下：
2.1：物流无人机m在执行配送任务时，应该将全部的包裹送到需求点手中，即由无人机运送的包裹量应该与需求点需要送达的包裹量相等，用公式表示为：
式中：Qc表示第c个需求点的包裹量，C表示需求点的集合。
2.2：物流无人机m在执行配送任务时，要在指定的时间内完成配送任务，用公式表示为：
表示物流无人机m实际将包裹k送达的时间；/>表示包裹k要求送达的最晚时间；/>表示物流无人机m实际领取包裹k的时间；/>表示物流无人机m应该领取包裹k的时间；P表示包裹的集合。
2.3：由于物流无人机m在飞行过程中需要电池组动力支撑，因此物流无人机m在连续执行配送任务时，其总飞行时间要满足其最大工作时长的要求。
2.4：由于物流无人机m电量耗尽后需要充电，因此物流无人机m在电量不足时，其充电时间要满足其电池组充电时长的要求。
在2.1-2.4的约束条件限制下，物流无人机配送满足运输任务要求。
进一步的，所述物流无人机运输任务分配模型，具体如下：
3.1：物流无人机运输任务分配模型的目标是在任务全部完成的条件下，计算配送最低总成本，因此目标函数是最小化总工作成本，为了方便表述时间因子，增加了时间成本系数Tα来描述时间成本代价，具体表述如下：
假设时间成本系数Tα为周期函数，周期记为Tt。考虑高峰时间影响，将时间成本近似为指数函数形式，用公式表示为：
式中：a1表示在正常情况下的时间成本系数；其他表示高峰时间下的时间成本系数，表示第m个无人机从i到j配送时的当前时间，t1，t2表示高峰时间的开始与结束，t3表示周期函数循环一次的周期，k1,k2,b1,b2表示各时间段的时间成本影响因子，/>指时间成本类似随着时间/>变化呈指数变化形式。
3.2：增加了风险成本系数Dβ来描述风险成本代价，具体表述如下：
用Dβ表示无人机运输过程的风险成本系数，风险成本系数与运输距离和高峰时间有关。则无人机风险成本系数计算公式如下：
一方面，无人机风险成本系数与配送距离有关，配送距离越长，则越有可能发生风险，因此风险成本系数随着配送距离而上升。令Lt表示网络总的路线数，则：
la表示每条配送路线的平均距离，lij表示从i到j配送路线的距离，A表示配送路线起始点集合，J表示配送路线终结点集合。
令ca表示la距离对应的风险成本系数，则各配送路线的无人机成本系数为：
另一方面，无人机风险成本系数与高峰时间有关，在配送繁忙的高峰小时内，由于存在车辆，行人等影响因素，风险成本系数同样上升，本文假设安全成本系数Dβ为周期函数，周期记为Tt。则：
这里的t1，t2，t3与(11)中t1，t2，t3为同一值，表示第m个无人机从i到j配送时的当前时间，t1，t2表示高峰时间的开始与结束，t3表示周期函数循环一次的周期，k3,k4,b3,b4表示各时间段的风险成本影响因子，/>指风险成本类似随着时间/>变化呈指数变化形式。
3.3：增加了机动成本系数Dδ来描述机动成本代价，具体表述如下：
用Dδ表示无人机m运输过程的机动成本系数，无人机m每出动开始配送任务，均会产生机动成本。机动成本系数与无人机的载重量有关，无人机载重量wk越高，机动成本系数越大。Dδ表示该次配送时的机动成本系数。机动成本系数计算公式如下，其中w1,w2,...,wn为不同的无人机载重量，c1,c2,...,cn为不同无人机载重量时的不同机动成本系数：
3.4：建立目标函数，最小化任务完成时的总成本Z可以表示为：
综上所述，建立物流无人机运输任务分配模型如下，其中，表示物流无人机m在执行配送任务时，从i到j配送路线的距离，Fm表示无人机配送时的机动次数。
如图2所示，步骤4包括根据步骤3得出的物流无人机运输任务分配模型，考虑物流无人机飞行环境信息要求和物流无人机运输性能，使用模拟退火算法进行求解，完成物流无人机运输任务分配。提高模型求解速度和求解精度，预测物流无人机需求的配送最低总成本。
使用真实物流数据进行仿真，最终求解结果为：配送最低总成本为1589.69元。配送时的最佳无人机数量为70架，备用电池20个，工作时长30min，充电时长1.5h，配送时间为5小时33分21秒。
进一步的，所述步骤4，具体如下：
步骤4.1：获取飞行环境信息中空域限制数据，配送任务数据。配送任务数据，包括配送点、需求点和物流任务包裹量。
步骤4.2：利用A*算法建立可行的最短配送路线，并将数据存储并导入物流无人机运输任务分配模型中。
步骤4.3：通过得到的空域限制数据、配送点、需求点和物流任务包裹量和可行的最短配送路线，为无人机运输任务分配模型提供可靠数据，针对该模型，首先产生随机初始解，具体表现为产生随机的物流无人机的配送方案。
步骤4.4：对此时物流无人机的配送方案的包裹数据进行分析，若包裹量大于零，则进一步判断物流无人机的工作时间、电池电量是否满足配送要求，若均满足要求则取包裹进行配送，同时记录数据，随着配送的逐渐进行，包裹量不断更新，直到包裹量为零时，该需求点配送完毕，转入配送下一个需求点，重新进行如上操作，即对每架无人机进行动态分配。最终，所有需求点均完成配送任务时，记录此时的配送总成本。
步骤4.5：使用模拟退火算法的性质施加扰动，得到一个在配送方案上优于之前的更好方案，重复进行步骤4.4，得到新的配送总成本。
步骤4.6：比较步骤4.4得到的配送总成本与步骤4.5得到的配送总成本，若步骤4.5得到的配送总成本更优则取代步骤4.4得到的配送总成本，若步骤4.4得到的配送总成本更优，则依模拟退火算法中的指数函数计算随机概率，以决定是否保留步骤4.4得到的配送总成本，如不满足随机概率，则跳转至步骤4.5；如满足随机概率，则进入步骤4.7。
步骤4.7：当达到模拟退火算法要求的最低温度或达到规定的迭代次数时，运算停止，此时得到的最优解，即为配送最低总成本。
步骤4.8：获取配送最低总成本对应的配送最佳无人机数量，备用电池数量，工作时长与充电时长。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于模拟退火的低空城区物流无人机需求预测方法，其特征在于：包括如下步骤：
步骤1：获取城区低空空域物流无人机的飞行环境信息，根据飞行环境信息明确物流无人机可行的飞行空域范围；
步骤2：获取物流无人机运输性能；
步骤3：考虑物流无人机在城区低空空域飞行空域范围的限制和运输任务要求，建立物流无人机运输任务分配模型；
步骤4：考虑物流无人机飞行环境信息、物流无人机运输性能和配送任务数据，使用模拟退火算法求解物流无人机运输任务分配模型，预测配送总成本最低时，物流无人机需求，得出此时的最佳配送物流无人机数量，备用电池数量，工作时长与充电时长；
所述物流无人机运输任务分配模型，具体如下：
其中，表示物流无人机m在执行配送任务时，从i到j配送路线的距离，Tα为时间成本系数，/>表示物流无人机m从i到j配送时的当前时间，Dβ为风险成本系数，Dδ为机动成本系数，Fm表示物流无人机m配送时的机动次数，xm为物流无人机m充电情况，yi′为备用电池i′使用情况；
所述物流无人机在城区低空空域飞行空域范围的限制，具体如下：
1.1：物流无人机m从i到j配送路线的距离不能超过其最大续航里程的限制，用公式表示为：
1.2：物流无人机m在执行一次配送任务时携带的第k件包裹的重量不能超过其最大有效载重的约束，用公式表示为：
1.3：物流无人机m从i到j配送时的当前时间要满足其最大工作时间的要求，用公式表示为：
1.4：物流无人机m在城区低空空域飞行，物流无人机m飞行高度hm满足空域允许的最大飞行高度Hmax和最小飞行高度Hmin，用公式表示为：
1.5：物流无人机m在城区低空空域飞行，物流无人机m飞行速度vm满足空域允许的最大飞行速度Vmax和最小飞行速度Vmin，用公式表示为：
1.6：物流无人机m在执行运输时，要满足电池续航时间的飞行限制条件，xm为物流无人机m充电情况，yi′为备用电池i＇使用情况，用公式表示为：
所述物流无人机运输任务分配模型的约束条件，具体如下：
其中，a1表示在正常情况下的时间成本系数，t1，t2表示高峰时间的开始时间与结束时间，t3表示周期函数循环一次的周期时间，k1,k2,b1,b2表示各时间段的时间成本影响因子，表示时间成本随着时间/>变化呈指数变化形式，Dβ ij表示各配送路线的物流无人机成本系数，k3,k4,b3,b4表示各时间段的风险成本影响因子，/>表示风险成本随着时间/>变化呈指数变化形式，w1,w2,...,wm表示不同的物流无人机的载重，c1,c2,...,cm表示不同物流无人机载重时的不同机动成本系数；
所述步骤4，包括：
步骤4.1：获取飞行环境信息中空域限制数据，配送任务数据的配送点、需求点和物流任务包裹量；
步骤4.2：利用A*算法建立可行的最短配送路线；
步骤4.3：将空域限制数据、配送点、需求点、物流任务包裹量和可行的最短配送路线输入物流无人机运输任务分配模型产生随机的物流无人机的配送方案；
步骤4.4：对物流无人机的配送方案的包裹数据进行分析，若包裹量大于零，则判断物流无人机的工作时间和电池电量是否满足配送要求，若均满足要求则取包裹进行配送，同时记录数据，直到包裹量为零时，该需求点配送完毕，转入配送下一个需求点，重新进行如上操作，直到所有需求点均完成配送任务时，记录配送总成本；
步骤4.5：基于模拟退火算法的性质施加扰动后，重复进行步骤4.4，得到新的配送总成本；
步骤4.6：比较步骤4.4得到的配送总成本与步骤4.5得到的新的配送总成本，若步骤4.5得到的配送总成本更优则取代步骤4.4得到的配送总成本，若步骤4.4得到的配送总成本更优，则依据模拟退火算法中的指数函数计算随机概率，以决定是否保留步骤4.4得到的配送总成本，如不满足随机概率，则跳转至步骤4.5；如满足随机概率，则进入步骤4.7；
步骤4.7：当达到模拟退火算法要求的最低温度或达到规定的迭代次数时，运算停止，此时得到的最优解，即为配送最低总成本；
步骤4.8：获取配送最低总成本对应的配送最佳物流无人机数量，备用电池数量，工作时长与充电时长。
2.根据权利要求1所述的一种基于模拟退火的低空城区物流无人机需求预测方法，其特征在于：所述飞行环境信息包括：禁飞区、限制区和隔离区。
3.根据权利要求1所述的一种基于模拟退火的低空城区物流无人机需求预测方法，其特征在于：物流无人机运输性能的参数包括：最远航程、载重限制、飞行速度、工作时长和充电时长。
4.根据权利要求1所述的一种基于模拟退火的低空城区物流无人机需求预测方法，其特征在于：所述运输任务要求，具体如下：
2.1：物流无人机m在执行配送任务时，将全部的包裹送到需求点手中，即由物流无人机运送的包裹量与需求点需要送达的包裹量相等，用公式表示为：
式中：Qc表示第c个需求点的包裹量，C表示需求点的集合；表示物流无人机m在工作时段i″内执行第n次任务时，所携带的包裹总数量；
2.2：物流无人机m在执行配送任务时，要在指定的时间内完成配送任务，用公式表示为：
表示物流无人机m实际将包裹k送达的时间；/>表示包裹k要求送达的最晚时间；/>表示物流无人机m实际领取包裹k的时间；/>表示物流无人机m领取包裹k的时间；P表示包裹的集合；
2.3：物流无人机m在连续执行配送任务时，其总飞行时间要满足其最大工作时长的要求；
2.4：物流无人机m在电量不足时，其充电时间要满足其电池组充电时长的要求。
CN202211598581.4A 2022-12-13 2022-12-13 一种基于模拟退火的低空城区物流无人机需求预测方法 Active CN116362368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211598581.4A CN116362368B (zh) 2022-12-13 2022-12-13 一种基于模拟退火的低空城区物流无人机需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211598581.4A CN116362368B (zh) 2022-12-13 2022-12-13 一种基于模拟退火的低空城区物流无人机需求预测方法

Publications (2)

Publication Number Publication Date
CN116362368A CN116362368A (zh) 2023-06-30
CN116362368B true CN116362368B (zh) 2023-12-19

Family

ID=86940489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211598581.4A Active CN116362368B (zh) 2022-12-13 2022-12-13 一种基于模拟退火的低空城区物流无人机需求预测方法

Country Status (1)

Country Link
CN (1) CN116362368B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101938356B1 (ko) * 2017-11-20 2019-01-14 메타빌드 주식회사 드론을 이용한 물품운송시스템 및 이를 이용한 드론을 이용한 물품운송방법
CN113159519A (zh) * 2021-03-25 2021-07-23 重庆大学 一种复用运输无人机的城市感知运输协同调度方法
CN113222277A (zh) * 2021-05-27 2021-08-06 南京航空航天大学 基于动态分配算法的城市区域物流无人机需求预测方法
CN114492981A (zh) * 2022-01-24 2022-05-13 企知眼数据科技(浙江)有限公司 一种基于多无人机协同的物流配送方法及设备
CN115115132A (zh) * 2022-07-20 2022-09-27 西华大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915932A (zh) * 2020-07-29 2020-11-10 北京航空航天大学 一种多目标约束的低空无人机航路规划设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101938356B1 (ko) * 2017-11-20 2019-01-14 메타빌드 주식회사 드론을 이용한 물품운송시스템 및 이를 이용한 드론을 이용한 물품운송방법
CN113159519A (zh) * 2021-03-25 2021-07-23 重庆大学 一种复用运输无人机的城市感知运输协同调度方法
CN113222277A (zh) * 2021-05-27 2021-08-06 南京航空航天大学 基于动态分配算法的城市区域物流无人机需求预测方法
CN114492981A (zh) * 2022-01-24 2022-05-13 企知眼数据科技(浙江)有限公司 一种基于多无人机协同的物流配送方法及设备
CN115115132A (zh) * 2022-07-20 2022-09-27 西华大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无人机续航可靠性验证技术初探;毛德强 等;质量与认证(第12期);第61-63页 *
物流无人机配送网络布局规划与安全性分析研究;李新飞;《中国优秀硕士学位论文全文数据库》;第07期;第23-62页 *

Also Published As

Publication number Publication date
CN116362368A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Liu An optimization-driven dynamic vehicle routing algorithm for on-demand meal delivery using drones
CN113283623A (zh) 兼容储能充电桩的电动运载工具电量路径规划方法
CN111882215B (zh) 一种含有agv的个性化定制柔性作业车间调度方法
CN108196574B (zh) 无人机续航判断方法、装置和计算机储存介质
CN108229886A (zh) 无人机配送管理方法、装置和计算机储存介质
CN107862403A (zh) 一种无人机待配送货物的出库序列调度方法及系统
US20210078438A1 (en) Information processing system
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
CN117391564B (zh) 一种新能源物流车辆补能调度数据模型及调度优化方法
CN116362368B (zh) 一种基于模拟退火的低空城区物流无人机需求预测方法
Yu et al. Electric van-based robot deliveries with en-route charging
CN116822912B (zh) 一种电动车辆干线长途运输充换电智能调度方法及装置
CN117032298A (zh) 卡车无人机同步运行协同配送模式下的无人机任务分配规划方法
Wang et al. Multi-task dispatch of shared autonomous electric vehicles for Mobility-on-Demand services–combination of deep reinforcement learning and combinatorial optimization method
CN110263976B (zh) 一种在多种充电方式并存环境下的电动汽车充电路径规划方法
CN113222248B (zh) 一种自动驾驶出租车充电桩选择方法
Li et al. Route Optimization of Electric Vehicles Based on Re-insertion Genetic Algorithm
CN114118724A (zh) 考虑需求匹配度的电动汽车充电调度方法
CN113300392B (zh) 考虑余电上网的光储充一体化电站优化控制方法
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
CN112684790A (zh) 一种可实现避障的自导向电动物流车辆路径规划方法
CN116300990B (zh) 用于低空环境的直升机和无人机协同搜救时间规划方法
Tangpattanakul et al. Optimal Scheduling for Flying Taxi Operation.
Huang et al. A Joint Routing and Charging Management for Drones
CN113869545A (zh) 预测无人驾驶有轨电车的耗电量的方法和系统

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
GR01 Patent grant
GR01 Patent grant