CN117035598A - 区域限制下的车机协同路径规划方法和系统 - Google Patents
区域限制下的车机协同路径规划方法和系统 Download PDFInfo
- Publication number
- CN117035598A CN117035598A CN202310770124.7A CN202310770124A CN117035598A CN 117035598 A CN117035598 A CN 117035598A CN 202310770124 A CN202310770124 A CN 202310770124A CN 117035598 A CN117035598 A CN 117035598A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned aerial
- aerial vehicle
- node
- customer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013439 planning Methods 0.000 title claims abstract description 38
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000002922 simulated annealing Methods 0.000 claims abstract description 25
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000008685 targeting Effects 0.000 claims description 4
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/08—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
- 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供一种区域限制下的车机协同路径规划方法和系统，涉及路径规划技术领域。本发明研究区域限制场景下车辆和无人机协同配送的路径优化问题，包括：获取顾客节点的需求，以及车机组合资源；根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0‑1整数规划模型；根据所述顾客节点的类型对限制区域进行了划分，结合所述0‑1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。通过将无人机的多架次多投递模型扩展到区域限制场景下，完善了区域限制下的车机协同配送问题，使得解决方案更加高效。
Description
技术领域
本发明涉及路径规划技术领域，具体涉及一种区域限制下的车机协同路径规划方法和系统。
背景技术
车机协同路径规划是指由车辆和无人机一同完成货物的配送任务，在配送的过程中车辆可以充当无人机起飞和降落的平台。使用车机协同来配送货物，不仅可以有效地提升效率，还可以降低配送成本。限制区域是指车辆或者无人机不能顺利通行的区域，例如由于存在无人机交通管制，会导致无人机存在禁飞区。同时由于存在道路维修等原因，导致车辆存在限行区。
针对区域限制下的车机协同配送问题，原有两种技术方案：一是建立车辆搭载无人机的单投递模型(颜瑞,陈立双,朱晓宁,等.考虑区域限制的卡车搭载无人机车辆路径问题研究[J].中国管理科学,2022,30(5):144–155.)，利用禁忌搜索算法进行求解。二是建立一车搭载多架无人机的模型(杨雷博,周俊.限制区下货车联合无人机配送路径问题研究[J/OL].计算机工程与应用:1-11[2023-05-08])，利用改进的混合蚁群和模拟退火算法进行求解。
然而，现有技术并没有考虑无人机的发展，随着无人机行业的进步，无人机已经可以实现在一次起飞过程中完成多个客户的服务访问。不论是上述哪种技术方案均不能充分地发挥无人机的性能，致使完成相同的任务时，无人机过多起飞。这不仅增加了能源的消耗成本，还增加了无人机损坏的可能、
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种区域限制下的车机协同路径规划方法和系统，解决了未考虑无人机一次起飞过程中可实现对多个顾客节点的访问的技术问题。
(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：
一种区域限制下的车机协同路径规划方法，包括：
S1、获取顾客节点的需求，以及车机组合资源；
S2、根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
S3、根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
优选的，所述S2中的0-1整数规划模型包括：
以车辆和无人机的总配送时间最短以目标的目标函数：
其中，定义VC为顾客节点集合；V0为仓库节点集合，包括出发点0(s)与返回点0(e)；V＝VC∪V0为全部节点集合；KT＝{1，2，...，|KT|}为同质车辆集合；VT为车辆服务节点集合；VD为无人机服务节点集合；VL为无人机起飞节点集合；VR为无人机降落节点集合；RK为无人机架次集合；
公式(1)为目标函数，MinZ表示最小化车辆和无人机的总配送时间Z；
为0-1变量，当车辆k从节点i行驶到节点j时值为1，否则为0；
表示车辆k经过弧(i，j)的运行时间；
表示车辆k与其搭载的无人机在i点交互时的等待时间。
优选的，所述S2中的0-1整数规划模型还包括：
约束条件：
其中，公式(2)为顾客节点的流量平衡约束，表示每个顾客节点只能被提供一次服务，即无人机和车辆给同一个顾客的送货次数为1；为0-1变量，当车辆k搭载的无人机在第p个架次中从节点i行驶到节点j时值为1，否则为0；
公式(3)为车辆仓库节点的流量平衡约束，表示从仓库节点出发的车辆数不能超过给定的车辆总数；
公式(4)为车辆顾客节点的流量平衡约束；
公式(5)(6)为无人机起飞节点和降落节点的流量平衡约束；
公式(7)(8)为无人机在提供服务的顾客节点的流量平衡约束；
公式(9)为车辆容量约束，表示车辆服务的顾客以及车辆搭载的无人机服务的顾客的需求量总和不超过车辆容量限制；Di为节点i需求量；Q为车辆最大载重；
公式(10)为无人机架次容量约束，表示在任意一个架次中，无人机服务的顾客的需求量总和不超过无人机容量限制；q为无人机最大载重；
公式(11)为无人机架次续航约束，表示无人机在任意架次中行驶时间不能超过无人机的续航时间；LD为无人机单次起飞最大续航时间；为车辆k搭载的无人机经过弧(i，j)的运行时间；/>为车辆k与其搭载的无人机在i点交互时的等待时间；
公式(12)为车辆子路径消除约束，表示车辆路径中不允许出现子回路；
公式(13)为无人机子路径消除约束，表示无人机路径中不允许出现子回路；
公式(14)(15)为时间同步约束，表示将车辆和无人机在起飞和降落时的用时调整到相同；
公式(16)(17)为车辆与无人机的配送时间不等式，表示无人机的起飞和降落需要消耗一个单位时间，该时间分别被添加到车辆与无人机的配送时间中；为车辆k完成节点i服务后的累计时间；M为足够大的正数；/>为车辆k搭载的无人机到达节点i的累计时间；
公式(18)(19)为变量的取值约束。
优选的，所述S3中采用启发式算法获取一个初始解，包括：
S311、将顾客节点集合VC分为禁飞区内的点集PA、限行区内的点集PB和限制区外的点集PC，初始化顾客节点集合VC之间的距离矩阵disij；选择待选点集P1＝PA∪PC，基于最近邻算法的思想，以仓库0(s)为出发点，生成不考虑无人机的初始路径；
S312、选择待选点集P2＝PB∪PC，根据所述0-1整数规划模型，计算P2中点i插入到初始路径中节省的最大时间成本maxi；按照maxi排序，将点i插入到初始路径中，获取所述初始解。
优选的，在所述S3中获取初始解后，还进行编码获取初始种群；其中编码规则为：
采用整数编码方式，一个解最多包含|KT|条染色体，一条染色体表示组合使用的车辆和无人机的一条配送路径；其中，每个基因位置存放一个整数，代表服务的顾客节点的编号，基因序列表示车辆和无人机的访问顾客节点的顺序；在染色体中重复出现的基因是车辆与无人机的交互节点，第一个重复的基因i表示无人机在顾客节点di上从车辆起飞，第二个重复的基因j表示无人机在顾客节点dj上降落到车辆上。
优选的，所述S3中的改进的混合遗传模拟退火算法包括：
S321、设置所述改进的混合遗传模拟退火算法的参数：种群规模P、最大迭代次数N、终止温度Te、当前温度Tn、退火速率α、进化种群占比γ；
S322、从所述初始种群中选择最优个体作为全局最优解Optg，以α的退火速率开始降温；
S323、当前温度Tn大于终止温度Te时，在每个温度下都进行N次迭代；
S324、每次迭代中，从种群中选择γ·P个个体作为进化种群；
S325、依次从进化种群中选择个体Optj，i≤γ·P，通过轮盘赌策略选择邻域搜索算子进行进化，生成当前个体的邻域解Optj；其中，邻域搜索算子包括顾客节点变异算子和顾客节点交叉算子；
S326、如果Optj优于全局最优解Optg，则将Optj作为新的全局最优解Optg；
如果Optj不优于全局最优解Optg，但是优于当前个体Opti，则用当前个体的邻域解Optj替换掉当前个体Opti；
如果Optj均不优于全局最优解Optg和当前个体Opti，利用Metropolis准则判断是否接受邻域解Optj；
S327、直到温度降低到终止温度Te以下，终止算法，将全局最优解Optg作为结果输出。
优选的，根据交换节点类型的不同，所述S325中的顾客节点变异算子包括：
(1)Truck-Crossover算子
Truck-Crossover算子通过将一条染色体上的一段长度为n的车辆服务节点孤与另一条染色体上的一段长度同样为n的车辆服务节点弧/>进行交换，生成邻域解；
(2)Drone-Crossover算子
Drone-Crossover算子通过将一条染色体上的无人机架次孤与另一条染色体上的无人机架次弧/>进行交换，生成邻域解。
优选的，根据交换节点类型的不同，所述S325中的顾客节点交叉算子包括：
(1)Truck-Mutation算子
Truck-Mutation算子分为Truck-Mutation(s)算子和Truck-Mutation(r)算子，Truck-Mutation(s)算子通过将同一条车机组合路径上的两个不同车辆服务节点进行交换，如将点di和点dj进行交换，来生成邻域解；Truck-Mutation(r)算子通过将同一条车机组合路径中一段车辆服务节点弧进行逆序操作，生成邻域解；
(2)Combination-Mutation算子
Combination-Mutation算子通过将同一条车机组合路径中的无人机服务节点和车辆服务节点进行交换，Combination-Mutation(i-j)算子表示选中i,i≤2个车辆节点和j,j≤2个无人机节点，将其进行交换来得到新的邻域解；
(3)Drone-Mutation算子
Drone-Mutation算子通过将无人机架次的起飞节点di向后推移到下一个点di+1或者是将无人机架次的降落节点提前到上一个点di-1，生成邻域解。
一种区域限制下的车机协同路径规划系统，包括：
获取模块，用于获取顾客节点的需求，以及车机组合资源；
构建模块，用于根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
求解模块，用于根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
(三)有益效果
本发明提供了一种区域限制下的车机协同路径规划方法和系统。与现有技术相比，具备以下有益效果：
本发明研究区域限制场景下车辆和无人机协同配送的路径优化问题，包括：获取顾客节点的需求，以及车机组合资源；根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。通过将无人机的多架次多投递模型扩展到区域限制场景下，完善了区域限制下的车机协同配送问题，使得解决方案更加高效。
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为本发明实施例提供的一种MR-VRPD配送路线示意图；
图2为本发明实施例提供的一种区域限制下的车机协同路径规划方法的方框图；
图3为本发明实施例提供的一条染色体示意图；
图4为本发明实施例提供的一种Truck-Crossover算子操作示意图；
图5为本发明实施例提供的一种Drone-Crossover算子操作示意图；
图6为本发明实施例提供的一种Truck-Mutation算子操作示意图；
图7为本发明实施例提供的一种Combination-Mutation算子操作示意图；
图8为本发明实施例提供的一种Drone-Mutation算子操作示意图。
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区域限制下的车机协同路径规划方法和系统，解决了未考虑无人机一次起飞过程中可实现对多个顾客节点的访问的技术问题。
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：
本发明实施例研究了“区域限制下车机协同多投递配送路径优化问题”(multipledrops in vehicle routing problem with drones in restricted area，MR-VRPD)，扩展到了城市末端配送中考虑区域限制的车机同步模式。建立了以总配送时间最短为目标的整数规划模型，并提出了改进的混合遗传模拟退火算法(Hybrid GeneticAlgorithm and Simulated Annealing，HGS)对问题进行求解。基于模型特点，改进了算子，提升了算法性能。最后，通过与CPLEX对比实验以及较大规模下的数值的实验结果证明了算法的有效性。
MR-VRPD可以概括为：多个车机组合从仓库出发往多个顾客节点配送货物，顾客节点的位置和需求已知。无人机从车辆上起飞，配送完顾客节点后，降落到车辆上进行货物的装配以等待下一架次的配送。若顾客点位于禁飞区内，由车辆完成该点的配送。若顾客点位于限行区内，由无人机完成该点的配送。MR-VRPD问题以整体配送时间最短为目标，允许无人机在一次起飞过程中完成多次投递，图1为其示意图。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例：
如图2所示，本发明实施例提供了一种区域限制下的车机协同路径规划方法，包括：
S1、获取顾客节点的需求，以及车机组合资源；
S2、根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
S3、根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
本发明实施例通过将无人机的多架次多投递模型扩展到区域限制场景下，完善了区域限制下的车机协同配送问题，使得解决方案更加高效。
接下来将详细介绍上述方案的各个步骤：
首先需要说明书的是，为建模需要，本发明实施例做出如下合理假设：
(1)每辆车搭载一架无人机，无人机从该车辆起飞后必须回到同一车辆；
(2)无人机由最大续航限制，且最大续航限制已知；
(3)任意节点间距离已知且满足三角形不等式，与限制区不相交时设定为欧氏距离；
(4)无人机只能在顾客节点进行起降，如果无人机晚于车辆到达，车辆必须等待无人机到达后才能继续出发；
(5)无人机的行驶速度快于车辆；
(6)不考虑电池更换、电池充电以及无人机和车辆的装卸货时间在步骤S1中，获取顾客节点的需求，以及车机组合资源。
参见表1，所述顾客节点的需求和车机组合资源，即与后续步骤建模有关的符号及其含义为：
表1
在步骤S2中，根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型。
所述0-1整数规划模型包括：
以车辆和无人机的总配送时间最短以目标的目标函数：
其中，公式(1)为目标函数，MinZ表示最小化车辆和无人机的总配送时间Z；
以及约束条件：
其中，公式(2)为顾客节点的流量平衡约束，表示每个顾客节点只能被提供一次服务，即无人机和车辆给同一个顾客的送货次数为1；
公式(3)为车辆仓库节点的流量平衡约束，表示从仓库节点出发的车辆数不能超过给定的车辆总数；
公式(4)为车辆顾客节点的流量平衡约束；
公式(5)(6)为无人机起飞节点和降落节点的流量平衡约束；
公式(7)(8)为无人机在提供服务的顾客节点的流量平衡约束；
公式(9)为车辆容量约束，表示车辆服务的顾客以及车辆搭载的无人机服务的顾客的需求量总和不超过车辆容量限制；
公式(10)为无人机架次容量约束，表示在任意一个架次中，无人机服务的顾客的需求量总和不超过无人机容量限制；
公式(11)为无人机架次续航约束，表示无人机在任意架次中行驶时间不能超过无人机的续航时间；
公式(12)为车辆子路径消除约束，表示车辆路径中不允许出现子回路；
公式(13)为无人机子路径消除约束，表示无人机路径中不允许出现子回路；
公式(14)(15)为时间同步约束，表示将车辆和无人机在起飞和降落时的用时调整到相同；
公式(16)(17)为车辆与无人机的配送时间不等式，表示无人机的起飞和降落需要消耗一个单位时间，该时间分别被添加到车辆与无人机的配送时间中；
公式(18)(19)为变量的取值约束。
在步骤S3中，根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
本步骤中设计了一个两阶段算法对问题进行求解，其中：
第一阶段基于最近邻思想构造了一种启发式算法来生成MR-VRPD问题的初始解，通过将初始解的第一个点进行扰动从而生成初始种群。
第二阶段是利用HGS算法来对初始种群进行迭代和进化。利用遗传算法的进化机制来保证收敛，同时引入模拟退火算法的劣解接受准则来避免陷入局部最优。通过改进了交叉算子和变异算子，提高了算法的效率。
在第一阶段，基于最近邻思想来生成初始解，通过两个子步骤来完成构建初始解。第一步是构造仅车辆的初始路径，第二步是在此基础上构造考虑无人机的完整路径，具体如下：
S311、将顾客节点集合VC分为禁飞区内的点集PA、限行区内的点集PB和限制区外的点集PC，初始化顾客节点集合VC之间的距离矩阵disij；选择待选点集P1＝PA∪PC，基于最近邻算法的思想，以仓库0(s)为出发点，生成不考虑无人机的初始路径；
S312、选择待选点集P2＝PB∪PC，根据所述0-1整数规划模型，计算P2中点i插入到初始路径中节省的最大时间成本maxi；按照maxi排序，将点i插入到初始路径中，获取所述初始解。
得到初始解后，在利用混合遗传模拟退火算法对解进行优化前，将初始解进行编码获取初始种群；其中编码规则为：
如图3所示，采用整数编码方式，一个解最多包含|KT|条染色体，一条染色体表示组合使用的车辆和无人机的一条配送路径；其中，每个基因位置存放一个整数，代表服务的顾客节点的编号，基因序列表示车辆和无人机的访问顾客节点的顺序；在染色体中重复出现的基因是车辆与无人机的交互节点，第一个重复的基因i表示无人机在顾客节点di上从车辆起飞，第二个重复的基因j表示无人机在顾客节点dj上降落到车辆上。
相应的，染色体的解码操作是相反的流程，首先获取到一条完整的染色体，读取上面的基因序列。然后找出重复出现的顾客节点，第一个重复的顾客节点是无人机的起飞点，第二个重复的顾客节点是无人机的降落点，按照此规律依次识别无人机架次的起降点。
在第二阶段，即利用混合遗传模拟退火算法对解进行优化，算法包括：
S321、设置所述改进的混合遗传模拟退火算法的参数：种群规模P、最大迭代次数N、终止温度Te、当前温度Tn、退火速率α、进化种群占比γ；
S322、从所述初始种群中选择最优个体作为全局最优解Optg，以α的退火速率开始降温；
S323、当前温度Tn大于终止温度Te时，在每个温度下都进行N次迭代；
S324、每次迭代中，从种群中选择γ·P个个体作为进化种群；
S325、依次从进化种群中选择个体Optj，i≤γ·P，通过轮盘赌策略选择邻域搜索算子进行进化，生成当前个体的邻域解Optj；其中，邻域搜索算子包括顾客节点变异算子和顾客节点交叉算子；
S326、如果Optj优于全局最优解Optg，则将Optj作为新的全局最优解Optg；
如果Optj不优于全局最优解Optg，但是优于当前个体Opti，则用当前个体的邻域解Optj替换掉当前个体Opti；
如果Optj均不优于全局最优解optg和当前个体Opti，利用Metropolis准则判断是否接受邻域解Optj；
S327、直到温度降低到终止温度Te以下，终止算法，将全局最优解Optg作为结果输出。
本发明实施例设计了改进的混合遗传模拟退火算法，该算法通过将模拟退火机制和遗传算法相结合来提高算法全局寻优的能力，同时也避免了陷入局部最优的可能性。
特别的，本发明实施例针对MR-VRPD问题的特点，共设计了两类算子来构造邻域解——顾客节点变异算子和顾客节点交叉算子。其中：
顾客节点变异算子用于对同一条车机组合路径上的车辆服务节点与无人机服务节点之间的相互和各自交换。
顾客节点交叉算子用于对两条车机组合路径之间的顾客节点的交换。顾客节点交叉算子是针对同一个解中两条不同染色体之间的车辆服务节点与无人机服务节点进行外部交换，通过控制交换顾客节点的类型与数量关系来生成可行的邻域解。
具体的，根据交换节点类型的不同，所述顾客节点变异算子包括：
(1)Truck-Crossover算子
Truck-Crossover算子通过将一条染色体上的一段长度为n的车辆服务节点弧与另一条染色体上的一段长度同样为n的车辆服务节点弧/>进行交换，生成邻域解；图4为Truck-Crossover算子的示意图。
(2)Drone-Crossover算子
Drone-Crossover算子通过将一条染色体上的无人机架次弧与另一条染色体上的无人机架次弧/>进行交换，生成邻域解；图5为Drone-Crossover算子的示意图。
由于顾客节点变异算子是针对同一条染色体中的车辆服务节点与无人机服务节点进行内部交换，通过控制交换顾客节点的类型与数量关系来生成可行的邻域解。因此，同样根据交换节点类型的不同，所述S325中的顾客节点交叉算子包括：
(1)Truck-Mutation算子
Truck-Mutation算子分为Truck-Mutation(s)算子和Truck-Mutation(r)算子，Truck-Mutation(s)算子通过将同一条车机组合路径上的两个不同车辆服务节点进行交换，如将点di和点dj进行交换，来生成邻域解；Truck-Mutation(r)算子通过将同一条车机组合路径中一段车辆服务节点弧进行逆序操作，生成邻域解；图6为Truck-Mutation算子的示意图。
(2)Combination-Mutation算子
Combination-Mutation算子通过将同一条车机组合路径中的无人机服务节点和车辆服务节点进行交换，Combination-Mutation(i-j)算子表示选中i,i≤2个车辆节点和j,j≤2个无人机节点，将其进行交换来得到新的邻域解；进行交换的顾客节点均可以被无人机和车辆共同访问，如图7展示了Combination-Mutation(1-1)算子的操作过程。
(3)Drone-Mutation算子
Drone-Mutation算子通过将无人机架次的起飞节点di向后推移到下一个点di+1或者是将无人机架次的降落节点提前到上一个点di-1，生成邻域解；进行交换的顾客节点均可以被无人机和车辆共同访问，如图8所示，通过将无人机架次的起飞点从顾客节点1向后推移到顾客节点2，得到一个新的邻域解。
本发明实施例改进了交叉算子和变异算子，提升了算法执行的效率。通过自行设计和改进，共使用了5种邻域搜索算子。算子的使用，提高了算法的全局寻优能力，能更好地求解问题。
本发明实施例提供了一种区域限制下的车机协同路径规划系统，包括：
获取模块，用于获取顾客节点的需求，以及车机组合资源；
构建模块，用于根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
求解模块，用于根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
可理解的是，本发明实施例提供的区域限制下的车机协同路径规划系统与本发明实施例提供的区域限制下的车机协同路径规划方法相对应，其有关内容的解释、举例和有益效果等部分可以参考车机协同路径规划方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明研究区域限制场景下车辆和无人机协同配送的路径优化问题，包括：获取顾客节点的需求，以及车机组合资源；根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。通过将无人机的多架次多投递模型扩展到区域限制场景下，完善了区域限制下的车机协同配送问题，使得解决方案更加高效。
2、本发明实施例设计了改进的混合遗传模拟退火算法，该算法通过将模拟退火机制和遗传算法相结合来提高算法全局寻优的能力，同时也避免了陷入局部最优的可能性。
3、本发明实施例改进了交叉算子和变异算子，提升了算法执行的效率。本专利通过自行设计和改进，共使用了5种邻域搜索算子。算子的使用，提高了算法的全局寻优能力，能更好地求解问题。
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。
Claims (9)
1.一种区域限制下的车机协同路径规划方法，其特征在于，包括：
S1、获取顾客节点的需求，以及车机组合资源；
S2、根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
S3、根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
2.如权利要求1所述的车机协同路径规划方法，其特征在于，所述S2中的0-1整数规划模型包括：
以车辆和无人机的总配送时间最短以目标的目标函数：
其中，定义VC为顾客节点集合；V0为仓库节点集合，包括出发点0(s)与返回点0(e)；V＝VC∪V0为全部节点集合；KT＝{1，2，...，|KT|}为同质车辆集合；VT为车辆服务节点集合；VD为无人机服务节点集合；VL为无人机起飞节点集合；VR为无人机降落节点集合；RK为无人机架次集合；
公式(1)为目标函数，MinZ表示最小化车辆和无人机的总配送时间Z；
为0-1变量，当车辆k从节点i行驶到节点j时值为1，否则为0；
表示车辆k经过弧(i，j)的运行时间；
表示车辆k与其搭载的无人机在i点交互时的等待时间。
3.如权利要求2所述的车机协同路径规划方法，其特征在于，所述S2中的0-1整数规划模型还包括：
约束条件：
其中，公式(2)为顾客节点的流量平衡约束，表示每个顾客节点只能被提供一次服务，即无人机和车辆给同一个顾客的送货次数为1；为0-1变量，当车辆k搭载的无人机在第p个架次中从节点i行驶到节点j时值为1，否则为0；
公式(3)为车辆仓库节点的流量平衡约束，表示从仓库节点出发的车辆数不能超过给定的车辆总数；
公式(4)为车辆顾客节点的流量平衡约束；
公式(5)(6)为无人机起飞节点和降落节点的流量平衡约束；
公式(7)(8)为无人机在提供服务的顾客节点的流量平衡约束；
公式(9)为车辆容量约束，表示车辆服务的顾客以及车辆搭载的无人机服务的顾客的需求量总和不超过车辆容量限制；Di为节点i需求量；Q为车辆最大载重；
公式(10)为无人机架次容量约束，表示在任意一个架次中，无人机服务的顾客的需求量总和不超过无人机容量限制；q为无人机最大载重；
公式(11)为无人机架次续航约束，表示无人机在任意架次中行驶时间不能超过无人机的续航时间；LD为无人机单次起飞最大续航时间；为车辆k搭载的无人机经过弧(i，j)的运行时间；/>为车辆k与其搭载的无人机在i点交互时的等待时间；
公式(12)为车辆子路径消除约束，表示车辆路径中不允许出现子回路；
公式(13)为无人机子路径消除约束，表示无人机路径中不允许出现子回路；
公式(14)(15)为时间同步约束，表示将车辆和无人机在起飞和降落时的用时调整到相同；
公式(16)(17)为车辆与无人机的配送时间不等式，表示无人机的起飞和降落需要消耗一个单位时间，该时间分别被添加到车辆与无人机的配送时间中；为车辆k完成节点i服务后的累计时间；M为足够大的正数；/>为车辆k搭载的无人机到达节点i的累计时间；
公式(18)(19)为变量的取值约束。
4.如权利要求1所述的车机协同路径规划方法，其特征在于，所述S3中采用启发式算法获取一个初始解，包括：
S311、将顾客节点集合VC分为禁飞区内的点集PA、限行区内的点集PB和限制区外的点集PC，初始化顾客节点集合VC之间的距离矩阵disij；选择待选点集P1＝PA∪PC，基于最近邻算法的思想，以仓库0(s)为出发点，生成不考虑无人机的初始路径；
S312、选择待选点集P2＝PB∪PC，根据所述0-1整数规划模型，计算P2中点i插入到初始路径中节省的最大时间成本maxi；按照maxi排序，将点i插入到初始路径中，获取所述初始解。
5.如权利要求1所述的车机协同路径规划方法，其特征在于，在所述S3中获取初始解后，还进行编码获取初始种群；其中编码规则为：
采用整数编码方式，一个解最多包含|KT|条染色体，一条染色体表示组合使用的车辆和无人机的一条配送路径；其中，每个基因位置存放一个整数，代表服务的顾客节点的编号，基因序列表示车辆和无人机的访问顾客节点的顺序；在染色体中重复出现的基因是车辆与无人机的交互节点，第一个重复的基因i表示无人机在顾客节点di上从车辆起飞，第二个重复的基因j表示无人机在顾客节点dj上降落到车辆上。
6.如权利要求5所述的车机协同路径规划方法，其特征在于，所述S3中的改进的混合遗传模拟退火算法包括：
S321、设置所述改进的混合遗传模拟退火算法的参数：种群规模P、最大迭代次数N、终止温度Te、当前温度Tn、退火速率α、进化种群占比γ；
S322、从所述初始种群中选择最优个体作为全局最优解Optg，以α的退火速率开始降温；
S323、当前温度Tn大于终止温度Te时，在每个温度下都进行N次迭代；
S324、每次迭代中，从种群中选择γ·P个个体作为进化种群；
S325、依次从进化种群中选择个体Optj，i≤γ·P，通过轮盘赌策略选择邻域搜索算子进行进化，生成当前个体的邻域解Optj；其中，邻域搜索算子包括顾客节点变异算子和顾客节点交叉算子；
S326、如果Optj优于全局最优解Optg，则将Optj作为新的全局最优解Optg；
如果Optj不优于全局最优解Optg，但是优于当前个体Opti，则用当前个体的邻域解Optj替换掉当前个体Opti；
如果Optj均不优于全局最优解Optg和当前个体Opti，利用Metropolis准则判断是否接受邻域解Optj；
S327、直到温度降低到终止温度Te以下，终止算法，将全局最优解Optg作为结果输出。
7.如权利要求6所述的车机协同路径规划方法，其特征在于，根据交换节点类型的不同，所述S325中的顾客节点变异算子包括：
(1)Truck-Crossover算子
Truck-Crossover算子通过将一条染色体上的一段长度为n的车辆服务节点弧与另一条染色体上的一段长度同样为n的车辆服务节点弧/>进行交换，生成邻域解；
(2)Drone-Crossover算子
Drone-Crossover算子通过将一条染色体上的无人机架次弧与另一条染色体上的无人机架次弧/>进行交换，生成邻域解。
8.如权利要求6所述的车机协同路径规划方法，其特征在于，根据交换节点类型的不同，所述S325中的顾客节点交叉算子包括：
(1)Truck-Mutation算子
Truck-Mutation算子分为Truck-Mutation(s)算子和Truck-Mutation(r)算子，Truck-Mutation(s)算子通过将同一条车机组合路径上的两个不同车辆服务节点进行交换，如将点di和点dj进行交换，来生成邻域解；Truck-Mutation(r)算子通过将同一条车机组合路径中一段车辆服务节点弧进行逆序操作，生成邻域解；
(2)Combination-Mutation算子
Combination-Mutation算子通过将同一条车机组合路径中的无人机服务节点和车辆服务节点进行交换，Combination-Mutation(i-j)算子表示选中i，i≤2个车辆节点和j，j≤2个无人机节点，将其进行交换来得到新的邻域解；
(3)Drone-Mutation算子
Drone-Mutation算子通过将无人机架次的起飞节点di向后推移到下一个点di+1或者是将无人机架次的降落节点提前到上一个点di-1，生成邻域解。
9.一种区域限制下的车机协同路径规划系统，其特征在于，包括：
获取模块，用于获取顾客节点的需求，以及车机组合资源；
构建模块，用于根据所述顾客节点的需求和车机组合资源，以车辆和无人机的总配送时间最短以目标，建立0-1整数规划模型；
求解模块，用于根据所述顾客节点的类型对限制区域进行了划分，结合所述0-1整数规划模型，获取初始解；并根据各个所述初始解，采用改进的混合遗传模拟退火算法，获取车机协同路径规划方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770124.7A CN117035598A (zh) | 2023-06-26 | 2023-06-26 | 区域限制下的车机协同路径规划方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770124.7A CN117035598A (zh) | 2023-06-26 | 2023-06-26 | 区域限制下的车机协同路径规划方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117035598A true CN117035598A (zh) | 2023-11-10 |
Family
ID=88640161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310770124.7A Pending CN117035598A (zh) | 2023-06-26 | 2023-06-26 | 区域限制下的车机协同路径规划方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035598A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522253A (zh) * | 2024-01-05 | 2024-02-06 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
| 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 |
-
2023
- 2023-06-26 CN CN202310770124.7A patent/CN117035598A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522253A (zh) * | 2024-01-05 | 2024-02-06 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
| CN117522253B (zh) * | 2024-01-05 | 2024-04-19 | 湘江实验室 | 一种卡车无人机协同配送路径规划方法及装置 |
| 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 |
|---|---|---|
| CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
| CN117035598A (zh) | 区域限制下的车机协同路径规划方法和系统 | |
| CN111325409B (zh) | 一种换电站选址与混合车队路径规划方法及系统 | |
| Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
| Ma et al. | Distribution path robust optimization of electric vehicle with multiple distribution centers | |
| Ma et al. | Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics | |
| An et al. | Optimal scheduling of electric vehicle charging operations considering real-time traffic condition and travel distance | |
| Zhou et al. | Multi-objective optimization of electric vehicle routing problem with battery swap and mixed time windows | |
| Li et al. | Joint Optimization of Regular Charging Electric Bus Transit Network Schedule and Stationary Charger Deployment considering Partial Charging Policy and Time‐of‐Use Electricity Prices | |
| CN112356721A (zh) | 基于云平台的电动汽车充电引导方法及系统 | |
| He et al. | An adaptive variable neighborhood search ant colony algorithm for vehicle routing problem with soft time windows | |
| CN115576343B (zh) | 一种结合无人机配送的多目标车辆路径优化方法 | |
| CN112801347B (zh) | 基于移动中转站及众包的多目标城市两级配送规划方法 | |
| Tao et al. | Data-driven on-demand energy supplement planning for electric vehicles considering multi-charging/swapping services | |
| 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 | |
| CN110084520A (zh) | 基于公交线路与网格化ap算法的充电站选址方法及装置 | |
| Liu et al. | Charging-expense minimization through assignment rescheduling of movable charging stations in electric vehicle networks | |
| CN115577886A (zh) | 一种多无人机站的组合配送方法及系统 | |
| CN115577833A (zh) | 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 | |
| CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 | |
| Ma et al. | The location routing problem of the car-sharing system with autonomous electric vehicles | |
| CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
| Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
| Cui et al. | A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm | |
| CN114254822A (zh) | 一种基于物联网技术的无人机配送网络优化模型及其求解算法 |
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 |