CN116739126A - 一种城市区域多级物流无人机起降场点布局规划方法 - Google Patents
一种城市区域多级物流无人机起降场点布局规划方法 Download PDFInfo
- Publication number
- CN116739126A CN116739126A CN202211648990.0A CN202211648990A CN116739126A CN 116739126 A CN116739126 A CN 116739126A CN 202211648990 A CN202211648990 A CN 202211648990A CN 116739126 A CN116739126 A CN 116739126A
- Authority
- CN
- China
- Prior art keywords
- take
- aerial vehicle
- unmanned aerial
- logistics
- landing
- 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.)
- Withdrawn
Links
- 238000013439 planning Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000013016 learning Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 25
- 241000282414 Homo sapiens Species 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 18
- 230000009326 social learning Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市区域多级物流无人机起降场点布局规划方法,包括以下步骤:步骤一:将物流无人机起降点等级划分为三级;步骤二:获取某无人机物流试验区的相关数据;步骤三:面向城市全域的大规模物流需求场景,考虑多约束条件,从经济效用和时间效用的角度出发,建立城市物流无人机多级起降场点的布局规划模型;步骤四:定义种群个体编码方式和适应度函数,提出基于“环绕数”的空域限制判断算法,设计人类学习优化算法进行求解,确定物流无人机起降点布局规划。本发明采用的一种城市区域多级物流无人机起降场点布局规划方法,同时提高了物流运输效率,减少了资源浪费,保证了未来发展的可持续性。
Description
技术领域
本发明涉及起降点布局规划技术领域,尤其是涉及一种城市区域多级物流无人机起降场点布局规划方法。
背景技术
伴随着城市空中交通概念的兴起与“后疫情”时代的到来,未来能够在城市区域内提供安全、可靠、绿色、高效的点对点的载货乃至载人的航空运输服务是非常必要的。
城区多级物流无人机起降场点布局规划面向高密度、短运距、高重复性、分布较为不均的城市全域末端物流配送需求,旨在完成对城市区域内具有物流集散属性的起降场点布局规划,实现末端物流配送需求的精准覆盖。
伴随着我国低空空域的进一步开放,在城市密集区,城市“最后一公里”难以送达或者配送效率低下的问题尤为突出;另外,现阶段无人机物流中成本居高不下,无法精准配送,也是需要解决的问题。
发明内容
本发明的目的是提供一种城市区域多级物流无人机起降场点布局规划方法,解决了背景技术中的问题,同时提高了物流运输效率,减少了资源浪费,保证了未来发展的可持续性。
为实现上述目的,本发明提供了一种城市区域多级物流无人机起降场点布局规划方法,包括以下步骤:
步骤一:将物流无人机起降点等级划分为三级;
步骤二:获取某无人机物流试验区的相关数据;
步骤三:面向城市全域的大规模物流需求场景,考虑约束条件,从经济效用和时间效用的角度出发,建立城市物流无人机多级起降场点的布局规划模型,定义种群个体编码方式和适应度函数;
步骤四:提出基于“环绕数”的空域限制判断算法,设计人类学习优化算法进行求解,确定物流无人机起降点布局规划。
优选的,所述物流无人机起降点等级包括起降中心、起降场和起降点,所述起降中心为一级,承担大规模物流需求区域的物流配送任务,所述起降场为二级,承担中等规模物流需求区域的物流配送任务,所述起降点为三级,承担小规模物流需求区域的物流配送任务。
优选的,所述相关数据包括需求点分布、需求量分布、无人机起降中心、起降场和起降点场址集合。
优选的,所述多约束条件包括起降场点数量约束、供需点匹配约束、容需匹配约束、禁飞区约束、起降场点服务范围约束、物流无人机性能约束、配送关系约束和变量取值范围约束。
优选的,所述经济效用为成本,所述成本包括固定成本和变动成本,所述固定成本为单位时间内起降场点运行投入的必要固定成本,所述变动成本为单位时间内起降场点运营投入的变动成本。
优选的,所述时间效用通过客户满意度作为衡量指标。
优选的,所述种群个体编码方式依赖于城市物流无人机多级起降场点的布局规划模型为0-1整数规划模型。
优选的,所述环绕数的空域限制判断方法为:将配送路径离散化,逐一判断每一离散化的点是否落在禁飞区内,若存在任一离散点位于禁飞区内,则该配送路径跨越禁飞区;否则,配送路径不跨越禁飞区。
优选的,所述人类学习优化算法:通过模仿人的学习行为,设置了三类学习算子,分别为随机学习算子、个体学习算子和社会学习算子,构建了个体知识库与社会知识库。
优选的,所述起降场点数量约束:起降场点布局总数不能超过备选起降场点的数量;
所述供需点匹配约束:对于任意的需求点,有且仅有一个起降场点负责配送,不允许存在需求点不被配送或多起降场点配送的情况;
所述容需匹配约束:对于任意备选起降点,若该点被选中,其容量必须满足需求量即配送业务量;
所述禁飞区约束:对于任意备选起降场点与需求点,若两点之间直线飞行路径跨越禁飞区,则配送关系不成立;
所述起降场点服务范围约束:起降场点仅能配送以起降场点为圆心,半径为的服务范围内的需求点;
所述物流无人机性能约束:物流无人机实际航程不得超过其最大航程,物流配送货物重量不得超过物流无人机最大载重;
所述配送关系约束:当某点被选为起降场点时,起降场点与需求点之间可能存在配送关系;
所述变量取值范围约束:模型中存在0-1决策变量,其取值范围只能是0或1。
因此,本发明采用的一种城市区域多级物流无人机起降场点布局规划方法,解决了背景技术中的问题,同时提高了物流运输效率,减少了资源浪费,保证了未来发展的可持续性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的流程图;
图2为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的多级物流无人机起降场点布局规划示意图;
图3为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的凹凸时间满意度函数;
图4为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的初始种群个体编码方式示意图;
图5为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的“环绕数”跨禁飞区判断方法示意图;
图6为本发明一种城市区域多级物流无人机起降场点布局规划方法实施例的算法性能对比图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例
本发明提供了一种城市区域多级物流无人机起降场点布局规划方法,如图1所示,包括以下步骤:
步骤一:将物流无人机起降点等级划分为三级,如图2所示,依次为起降中心(一级)、起降场(二级)、起降点(三级);
步骤二:获取某无人机物流试验区的相关数据;相关数据包括需求点分布、需求量分布、无人机起降中心、起降场和起降点场址集合;
步骤三:面向城市全域的大规模物流需求场景,考虑多约束条件,从经济效用和时间效用的角度出发,建立城市物流无人机多级起降场点的布局规划模型,定义种群个体编码方式和适应度函数;
步骤四:提出基于“环绕数”的空域限制判断算法,设计人类学习优化算法进行求解,确定物流无人机起降点布局规划。
物流无人机起降点等级包括起降中心、起降场和起降点。起降中心设为一级,承担大规模物流需求区域的物流配送任务,起降场设为二级,承担中等规模物流需求区域的物流配送任务,起降点设为三级,承担小规模物流需求区域的物流配送任务。
上述方法考虑大型城区物流无人机起降场点分级的基础上,针对多级物流无人机起降场点布局规划问题,综合考虑起降点建设经济成本和客户满意度,构建三级布局规划模型,提出基于“环绕数”的空域限制判断算法,设计人类学习优化算法进行求解,最终完成对城市区域内具有物流集散属性的起降场点布局规划,实现末端物流配送需求的精准覆盖。
下表为本实施例中所涉及的符号所表述的意义:
一、约束条件:
多约束条件包括起降场点数量约束、供需点匹配约束、容需匹配约束、禁飞区约束、起降场点服务范围约束、物流无人机性能约束、配送关系约束和变量取值范围约束。
1、起降场点数量约束
起降场点布局总数不能超过备选起降场点的数量,表示为下式:
对于任意备选起降场点i,不允许设置多个级别的起降场点,表示为下式:
2、供需点匹配约束
需求点与起降场点的配送方式为一对一,对于任意的需求点j,有且仅有一个起降场点负责配送,不允许存在需求点不被配送或多起降场点配送的情况,表示为下式:
3、容需匹配约束
对于任意备选起降点i,若i被选中,其容量必须满足需求量即配送业务量,表示为下式:
4、禁飞区约束
对于任意备选起降场点i与需求点j,若两点之间直线飞行路径跨越禁飞区,则配送关系不成立,表示为下式:
5、起降场点服务范围约束
起降场点仅能配送以起降场点为圆心,半径为Rk的服务范围内的需求点,表示为下式:
6、物流无人机性能约束
物流无人机实际航程不得超过其最大航程,表示为下式:
物流配送货物重量不得超过物流无人机最大载重,表示为下式:
7、配送关系约束
当点i被选为起降场点时,起降场点i与需求点j之间可能存在配送关系,表示为下式:
8、变量取值范围约束
模型中0-1变量取值范围约束,表示为下式:
二、目标函数
经济效用是指成本,成本包括固定成本和变动成本,固定成本是指单位时间内起降场点运行投入的必要固定成本,包括场地租赁、无人机租赁费用等;变动成本是指单位时间内起降场点运营投入的变动成本,主要包括物流配送运输成本和货物仓储管理成本等。
时间效用是指客户满意度,以客户满意度作为唯一衡量指标。
1、经济成本函数
经济成本是企业、政府等需考虑的重要因素,而物流无人机起降场点布局规划具备一定的社会公益性,初期成本投入较大、投资回报率较低,故暂不考虑物流无人机起降场点盈利属性,以成本作为经济效用衡量的唯一指标,以无人机起降场点建设固定成本投入和变动成本投入之和最小为优化目标,表示为下式:
minCost=Cf+Cv
其中,Cf代表固定成本,指单位时间内起降场点运行投入的必要固定成本,包括场地租赁、无人机租赁费用等,计算方式表示为下式:
Cv代表变动成本,指单位时间内起降场点运营所投入的变动成本,主要包括物流配送运输成本和货物仓储管理成本等,计算方式表示为下式:
2、客户满意度函数
时间效用是指客户满意度,以客户满意度作为唯一衡量指标,物流快递作为服务类行业,其配送时长(速度)很大程度上影响着客户的满意度,随着物流配送时长的增加,客户满意度将逐步降低。为较好地反映配送的时间效用,本发明参考了客户时间满意度的思想,客户时间满意度计算思路为:根据某单快递的配送距离和负责配送的无人机性能求解配送时长,由客户时间满意度-配送时间函数曲线求得该快递的具体满意度数值,以此量化配送时间效用。因此,以全体客户满意度最高为优化目标,表示为下式:
其中,Nj表示需求点j的物流需求量(快递单数)。tij表示物流无人机完成从起降场点i至物流需求点j配送任务所用时间,即配送时间,其计算方式表示为下式:
S(tij)表示时间满意度,取值范围为[0,1],客户满意度计算方式方面,主要考虑时间满意度函数,包含凹凸时间满意度函数、余弦时间满意度函数和离散时间满意度函数等,如图3所示,根据时间满意度函数曲线图可知,当配送时长小于阈值tL时,客户时间满意度为1,即绝对满意,符合客户对物流可接受配送时长的预期;当配送时长大于tL且小于tU时,时间满意度逐渐降低,即相对满意,当配送时长大于tU时,客户满意度归零,即绝对不满意。
本发明选择凹凸时间满意度函数计算客户时间满意度,表示为下式:
城市物流无人机多级起降场点布局规划模型如下:
三、模型求解处理:
如图4所示,为城市物流无人机多级起降场点布局规划模型求解个体编码方式;种群个体编码方式依赖于城市物流无人机多级起降场点的布局规划模型为0-1整数规划模型。
编码的具体可以如下:
由于城市物流无人机起降场点等级划分为三级,分别承担大规模物流需求区域、中等规模物流需求区域、小规模物流需求区域的物流配送任务,故初始种群编码方式如下式:
X={xikr|i=1,2LN;k=1,2,3;r=1,2LM;xik∈{0,1}}
其中,X表示初始种群,N代表解的维数,M代表群体规模,k=1,2,3表示起降场点等级。已知起降场点布局,根据最短路径配送原则,需求点与供给点的配送关系随之确定。
适应度函数设置的具体可以如下:
本发明所建立布局规划模型包含最小化经济成本目标与最大化客户满意度目标,为求解模型总目标函数值,现对目标函数作归一化处理,表示为下式:
其中,经济成本C作为逆向目标,值越小越优,maxC表示所有备选起降点均建立一级起降点时的总成本,为经济总成本最大值;minC表示不建设任何起降点的总成本,即为0,为经济总成本最小值,Cs∈[0,1)。
其中,满意度S作为正向目标,值越大越优,maxS表示每单快递的时间满意度均达到1时的总客户满意度,为总客户时间满意度最大值;minS表示每单快递的时间满意度均为0时的总客户满意度,为总客户时间满意度最小值,Ss∈[0,1]。
综上,本模型的总目标函数计算公式表示为下式:
F(x)=ω1Cs+ω2Ss
其中,ω1ω2分别表示目标函数一与目标函数二的权重,且F(x)∈[0,1)。
若存在任意约束条件不满足,则令适应度函数G(x)=0;若所有约束条件均被满足,则G(x)=F(x)。
如图5所示,针对在实际环境中可能存在非凸多边型禁飞区,提出基于“环绕数”的空域限制判断方法,将配送路径离散化,逐一判断所有离散化的点是否落在禁飞区内,若存在任一离散点位于禁飞区内,则该配送路径跨越禁飞区;否则,配送路径不跨越禁飞区。
一种基于“环绕数”的空域限制判断方法的具体可以如下:
首先定义两种类型的“环绕数”,若某边向量自上而下穿过射线,定义为正边;某边向量自下而上穿过射线,定义为反边。
Step1:将平面上的路径点P引出一条平行于x轴的射线Ray,设定点P的初始环绕数Wp=0;
Step2:计算点P的环绕数Wp。对于该平面内的任意多边形,若该多边形的边向量自上而下穿过射线Ray,则Wp+1;若该多边形的边向量/>自下而上穿过射线Ray,则Wp-1。
Step3:判断点P是否落在禁飞区内,若Wp=0,则路径点P不落在禁飞区内,否则,落在禁飞区内。
人类学习优化算法,通过模仿人的学习行为,设置了三类学习算子,分别为随机学习算子、个体学习算子、社会学习算子,构建了个体知识库与社会知识库。其学习机制的具体可以如下:
随机学习算子:人类学习过程包含一定的随机性,尤其是针对于新问题的学习之初,由于缺乏可以复制的经验,人类会通过随机学习来探索新领域,人类随机学习行为是整个社会群体进步保证且不可避免。因此,提出随机学习算子,表示为下式:
其中,rand()表示在0和1区间内取随机数,即当随机数在[0,0.5]区间时,令该个体的第r个基因为0;当随机数在(0.5,1]区间时,令该个体的第r个基因1。
个体学习算子:人类学习过程中通常会积累经验,构建个人的知识库,表示为下式:
从而依靠自身学习经验和先验知识来避开错误答案。因此,提出个体学习算子,表示为下式:
其中,χ(IKD)表示个体知识数据库,用于存储个体最佳经验,表示第r个个体的个人知识数据库,/>表示第r个个体在知识元素ik处所对应的第p个最佳个人经验,P为已有个人解决方案总数。
社会学习算子:除了随机学习和个体学习外,人类在学习过程中会从社会集体中汲取经验,即构建社会知识数据库,表示为下式:
从数据库中参考学习先进社会知识,达到快速充实个人知识的目的,社会学习的存在使得人类学习过程变得更加快速、高效。因此,提出社会学习算子,表示为下式:
其中,χ(SKD)表示社会知识数据库,用于存储社会群体最佳个体经验,表示社会群体的第q个最佳个体经验,/>表示知识元素ik处所对应的第q个社会经验,Q为社会群体解决方案数量。
人类学习操作:在已知三种人类学习算子的前提下,依概率执行人类学习操作,不断迭代产生新一代种群,表示为下式:
θ=rand(0,1)
其中,为0和1区间的随机数,pr为随机学习概率,pi-pr为个体学习概率,1-pi为社会学习概率。即当0≤θ≤pr时,执行随机学习操作;当pr≤θ≤pi时,执行个体学习操作,当pi≤θ≤1时,执行社会学习操作。
知识数据库更新:根据设置的适应度函数,评估计算所有个体的适应度值。根据新一轮解的个体适应度值,更新知识数据库。个体知识数据库:若新生成的某个体适应度值优于个体知识数据库中最差的解或数据库存储量小于上限,则该解可被用于更新个体知识数据库。社会知识数据库:若新生成的某个体适应度值优于社会知识数据库中最差的解或数据库存储量小于上限,则该解可被用于更新社会知识数据库。
四、模型求解
如图6所示,算法经过不断迭代后逐渐收敛,人类学习优化算法表现出更快的收敛速度并求得更高适应度值,优势明显,针对该布局规划问题具备明显优越性。
人类学习优化算法的具体可以如下:
Step1:设置HLO算法参数:随机学习概率pr、随机学习与个体学习累积概率pi、解的维数N、群体规模M、个体知识数据库上限P、社会知识数据库上限Q、最大迭代次数iteration;
Step2:根据个体编码方式生成初始种群;
Step3:计算当前所有个体的布局规划结果解的适应度值,并保存最优解Best;
Step3.1:计算当前每个布局规划结果解的目标函数值F(x);
Step3.2:根据空域环境、无人机飞行性能、容需匹配等约束条件限制,判断当前所有布局规划结果解是否符合约束条件限制,根据适应度函数设计,计算个体适应度值G(x);
Step3.3:剔除所有不满足约束条件的布局规划结果解,保存最优解Best;
Step4:执行人类学习操作,生成新一代种群并更新学习算子,更新个人与社会知识数据库;
Step4.1:生成人类学习操作随机数θ∈[0,1];
Step4.2:若θ∈[0,pr),执行随机学习操作,若,执行个体学习操作,若θ∈[pi,1],执行社会学习操作;
Step4.3:根据知识数据库更新方法,对个体知识数据库χ(IKD)和社会知识数据库χ(SKD)执θ∈[pr,pi)行更新操作,保留优秀布局规划个体,同时,GEN=GEN+1;
Step5:判断已迭代次数GEN是否达到最大迭代次数iteration。若存在GEN<iteration,将新生成的种群转向Step3,若有GEN=iteration,则跳出循环,
终止算法;
Step6:输出当前适应度值最高的个体,即当前最优的布局规划结果解。
因此,本发明采用的一种城市区域多级物流无人机起降场点布局规划方法,解决了背景技术中的问题,同时提高了物流运输效率,减少了资源浪费,保证了未来发展的可持续性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳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:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (10)
1.一种城市区域多级物流无人机起降场点布局规划方法,其特征在于,包括以下步骤:
步骤一:将物流无人机起降点等级划分为三级;
步骤二:获取某无人机物流试验区的相关数据;
步骤三:面向城市全域的大规模物流需求场景,考虑约束条件,从经济效用和时间效用的角度出发,建立城市物流无人机多级起降场点的布局规划模型,定义种群个体编码方式和适应度函数;
步骤四:提出基于环绕数的空域限制判断算法,设计人类学习优化算法进行求解,确定物流无人机起降点布局规划。
2.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于:所述物流无人机起降点等级包括起降中心、起降场和起降点,所述起降中心为一级,承担大规模物流需求区域的物流配送任务,所述起降场为二级,承担中等规模物流需求区域的物流配送任务,所述起降点为三级,承担小规模物流需求区域的物流配送任务。
3.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于:所述相关数据包括需求点分布、需求量分布、无人机起降中心、起降场和起降点场址集合。
4.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于:所述多约束条件包括起降场点数量约束、供需点匹配约束、容需匹配约束、禁飞区约束、起降场点服务范围约束、物流无人机性能约束、配送关系约束和变量取值范围约束。
5.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于:所述经济效用为成本,所述成本包括固定成本和变动成本,所述固定成本为单位时间内起降场点运行投入的必要固定成本,所述变动成本为单位时间内起降场点运营投入的变动成本。
6.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于:所述时间效用通过客户满意度作为衡量指标。
7.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于,所述种群个体编码方式依赖于城市物流无人机多级起降场点的布局规划模型为0-1整数规划模型。
8.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于,所述环绕数的空域限制判断方法为:将配送路径离散化,逐一判断每一离散化的点是否落在禁飞区内,若存在任一离散点位于禁飞区内,则该配送路径跨越禁飞区;否则,配送路径不跨越禁飞区。
9.根据权利要求1所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于,所述人类学习优化算法:通过模仿人的学习行为,设置了三类学习算子,分别为随机学习算子、个体学习算子和社会学习算子,构建了个体知识库与社会知识库。
10.根据权利要求4所述的一种城市区域多级物流无人机起降场点布局规划方法,其特征在于,所述起降场点数量约束:起降场点布局总数不能超过备选起降场点的数量;
所述供需点匹配约束:对于任意的需求点,有且仅有一个起降场点负责配送,不允许存在需求点不被配送或多起降场点配送的情况;
所述容需匹配约束:对于任意备选起降点,若该点被选中,其容量必须满足需求量即配送业务量;
所述禁飞区约束:对于任意备选起降场点与需求点,若两点之间直线飞行路径跨越禁飞区,则配送关系不成立;
所述起降场点服务范围约束:起降场点仅能配送以起降场点为圆心,半径为的服务范围内的需求点;
所述物流无人机性能约束:物流无人机实际航程不得超过其最大航程,物流配送货物重量不得超过物流无人机最大载重;
所述配送关系约束:当某点被选为起降场点时,起降场点与需求点之间可能存在配送关系;
所述变量取值范围约束:模型中存在0-1决策变量,其取值范围只能是0或1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648990.0A CN116739126A (zh) | 2022-12-20 | 2022-12-20 | 一种城市区域多级物流无人机起降场点布局规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648990.0A CN116739126A (zh) | 2022-12-20 | 2022-12-20 | 一种城市区域多级物流无人机起降场点布局规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739126A true CN116739126A (zh) | 2023-09-12 |
Family
ID=87915716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211648990.0A Withdrawn CN116739126A (zh) | 2022-12-20 | 2022-12-20 | 一种城市区域多级物流无人机起降场点布局规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739126A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709824A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市快金数据技术服务有限公司 | 物流网络布局优化方法、装置、设备及存储介质 |
-
2022
- 2022-12-20 CN CN202211648990.0A patent/CN116739126A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709824A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市快金数据技术服务有限公司 | 物流网络布局优化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
Ip et al. | Aircraft ground service scheduling problems and their genetic algorithm with hybrid assignment and sequence encoding scheme | |
CN102262702B (zh) | 一种中小跨径混凝土桥梁养护的决策方法 | |
Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
CN110163544A (zh) | 一种基于优化的遗传算法进行货物配送的方法 | |
CN116739126A (zh) | 一种城市区域多级物流无人机起降场点布局规划方法 | |
Ma et al. | A multiobjective route robust optimization model and algorithm for hazmat transportation | |
Zhang et al. | A hybrid genetic algorithm to the vehicle routing problem with fuzzy cost coefficients | |
Pitakaso et al. | Modified differential evolution algorithms for multi-vehicle allocation and route optimization for employee transportation | |
Jiao et al. | A multi-stage heuristic algorithm based on task grouping for vehicle routing problem with energy constraint in disasters | |
Sun et al. | Biobjective emergency logistics scheduling model based on uncertain traffic conditions | |
Gan et al. | A multi-objective evolutionary algorithm for emergency logistics scheduling in large-scale disaster relief | |
Zhang et al. | A fast two-stage hybrid meta-heuristic algorithm for robust corridor allocation problem | |
Duan et al. | Dynamic emergency vehicle path planning and traffic evacuation based on salp swarm algorithm | |
Shamsipoor et al. | Solving Capacitated P-Median Problem by a New Structure of Neural Network. | |
Fallah et al. | A green competitive vehicle routing problem under uncertainty solved by an improved differential evolution algorithm | |
Hou et al. | Multi-objective differential evolution algorithm balancing multiple stakeholders for low-carbon order scheduling in e-waste recycling | |
Xing et al. | Partiele Swarm Optimization Algorithm Based on Different Inertia Weights for Solving the P-Hub Allocation Problem | |
Mingming et al. | Cooperative co-evolution with weighted random grouping for large-scale crossing waypoints locating in air route network | |
An et al. | An auxiliary model of intelligent logistics distribution management for manufacturing industry based on refined supply chain | |
Huo et al. | [Retracted] Research on Solving Postdisaster Material Distribution and Scheduling with Improved NSGA‐II Algorithm | |
CN115330288A (zh) | 考虑时效性与公平性的多供应点应急物资选址优化方法 | |
Shen et al. | Particle swarm optimization in solving vehicle routing problem | |
Zameni et al. | Multimodal transportation p-hub location routing problem with simultaneous pick-ups and deliveries | |
Nakandala et al. | A hybrid optimisation model for pallet loading |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230912 |