CN117522253A - 一种卡车无人机协同配送路径规划方法及装置 - Google Patents
一种卡车无人机协同配送路径规划方法及装置 Download PDFInfo
- Publication number
- CN117522253A CN117522253A CN202410016326.7A CN202410016326A CN117522253A CN 117522253 A CN117522253 A CN 117522253A CN 202410016326 A CN202410016326 A CN 202410016326A CN 117522253 A CN117522253 A CN 117522253A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- information
- individual
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011084 recovery Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 55
- 238000005265 energy consumption Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 241000283153 Cetacea Species 0.000 description 21
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002195 synergetic 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/60—UAVs specially adapted for particular uses or applications for transporting passengers; for transporting goods other than weapons
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种卡车无人机协同配送路径规划方法、装置、存储介质及电子装置,涉及卡车无人机协同技术的技术领域。其方法包括:获取客户信息、无人机发射回收信息以及配送信息;基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。通过本发明,解决了路线规划不合理导致的物流配送不符合用户需求的问题,进而达到了提高导航卡车无人机协同配送路径规划精度和效率的效果。
Description
技术领域
本发明实施例涉及卡车无人机协同技术领域,具体而言,涉及一种卡车无人机协同配送路径规划方法及装置。
背景技术
在日常物流配送环节中无人机的应用不仅能够降低物流配送的成本,提高配送效率,而且在面临突发事件时,无人机配送可以利用其可以跨地形与无需人工的特点来应对这些情况的发生。卡车-无人机的协同配送模式很好的将无人机配送的特点与卡车配送结合起来,是物流现代化的一个重要发展方向。
现阶段卡车-无人机协同配送的研究主要集中在不考虑时间窗,无人机有固定的距离限制,且只为客户提供送货服务的情况。但在城市物流配送中,顾客有等待的时间窗限制,会因配送不及时而产生时间惩罚成本,无人机的能耗也会随荷载的变化而变化所以配送距离限制并不固定,从而导致物流配送结果不能完全符合用户需求。
发明内容
本发明实施例提供了一种卡车无人机协同配送路径规划方法及装置,以至少解决相关技术中路线规划不合理导致的物流配送不符合用户需求的问题。
根据本发明的一个实施例,提供了一种卡车无人机协同配送路径规划方法,包括:
获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。
在一个示例性实施例中,获取无人机能耗信息包括:
获取无人机机体信息;
通过预设的功率算法对所述无人机机体信息进行功率计算,以得到所述无人机能耗信息。
在一个示例性实施例中,获取所述基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息包括:
获取无人机第一配送点到卡车配送的第一客户点的第一距离以及无人机从无人机第一配送点抵达卡车配送的第二客户点和第三客户点的第一时间,其中,所述第一客户点包括所述第二客户点和第三客户点,所述第一时间包括卡车离开所述第二客户点的第二时间、卡车离开第三客户点的第三时间、无人机离开无人机第一配送点的第四时间、无人机在所述无人机第一配送点与所述第二客户点之间的第一飞行时间以及无人机在所述无人机第一配送点与所述第三客户点之间的第二飞行时间;
基于所述第一时间以及第一距离,确定所述无人机发射点信息以及所述无人机回收点信息。
在一个示例性实施例中,所述基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型包括:
基于所述无人机发射回收信息以及所述配送信息,确定模型参数定义;
根据所述模型参数定义以及预设的目标函数,确定模型约束条件,其中,所述配送路径模型至少包括所述模型参数定义、所述目标函数以及所述模型约束条件。
在一个示例性实施例中,所述通过预设的第一算法对所述配送路径模型求解,以得到目标模型解包括:
通过整数编码算法对所述客户信息进行随机编码计算,以得到初始种群信息;
基于个体信息以及卡车载重信息,确定卡车与客户点的配送关系,其中,所述初始种群信息包括所述个体信息;
基于所述配送关系,判断无人机的飞行能耗是否满足能耗条件,其中,所述能耗条件包括所述飞行能耗小于无人机的最大能耗;
在所述飞行能耗满足能耗条件的情况下,对所述个体执行交叉操作;
基于所述交叉操作结果,按照预设的比例对所述初始种群信息进行个体选择,以得到第一个体集合以及第二个体集合;
对所述第一个体集合执行变邻域搜索操作,并对所述第二个体集合进行局部搜索操作;
根据变邻域搜索操作结果以及局部搜索操作结果,执行重新组合操作,以得到目标种群;并对所述目标种群中所包含的目标个体执行目标函数值计算,以得到所述目标模型解以及所述目标模型解对应的目标个体。
在一个示例性实施例中,所述交叉操作包括以下至少之一:
随机选择第一个体中位于第一位置上的第一元素、第二个体中位于第一位置上的第二元素、第一个体中位于第二位置上的第三元素、第二个体中位于第二位置上的第四元素以及第一个体中位于第三位置的第五元素,其中,所述第二元素的函数值与所述第三元素的函数值相同,所述第四元素的函数值与第五元素的函数值相同,所述第一位置、第二位置、第三位置组成位置环;保留所述第一个体中的所述第一位置、第二位置、第三位置上的元素,并用所述第二个体中除所述第一位置、第二位置、第三位置以外的其他位置的元素一一对应的填充至第一个体中除所述第一位置、第二位置、第三位置以外的其他位置,以得到第一子个体,同时保留第二个体中所述第一位置、第二位置、第三位置上的元素,并用所述第一个体中除所述第一位置、第二位置、第三位置以外的其他位置上的元素意义对应的填充至所述第二个体,以得到第二子个体;
或,
随机选择第一个体中的第一组元素,并确定所述第二个体中与所述第一组元素的函数值相同的第二组元素对应的第一位置;保留所述第一组元素和所述第二组元素,并将其他位置的元素一一对应的进行交换,以得到所述第一个体对应的第三子个体以及所述第二个体对应的第四子个体。
在一个示例性实施例中,所述对所述第一个体集合执行变邻域搜索操作包括:
对所述第一个体集合中的第三个体进行第一次数的交换操作,以得到第四个体;
在所述第四个体的目标函数值大于第三个体的目标函数值的情况下,对所述第三个体进行第二次数的逆转操作,以得到第五个体;
在所述第五个体的目标函数值大于所述第三个体的目标函数值的情况下,对所述第三个体进行第三次数的插入操作,以得到第六个体;
在所述第六个体的目标函数值大于第三个体的目标函数值的情况下,调整迭代值,并在所述迭代值小于预设迭代值的情况下,重复依次执行所述交换操作、所述逆转操作以及所述插入操作;或在所述迭代值大于预设迭代值的情况下,对所述第一个体集合中的其他个体执行重复依次执行所述交换操作、所述逆转操作以及所述插入操作,并将最终得到的第三个体以及所述第一个体集合中的其他个体的操作结果加入至目标个体集合,其中,所述变邻域搜索操作包括所述目标个体集合。
根据本发明的另一个实施例,提供了一种卡车无人机协同配送路径规划装置,包括:
信息采集模块,用于获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
模型生成模块,用于基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
路径确定模块,用于通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于通过对客户信息等构建适应于实际情况的路径配送模型,并基于客户信息对相关路径模型进行求解,从而使得最终规划的配送路径符合客户实际要求,并提高配送车辆的装载率,降低经济成本,因此,可以解决导航卡车无人机协同配送路径规划不符合客户需求的问题,达到提高导航卡车无人机协同配送路径规划精度和效率的效果。
附图说明
图1是根据本发明实施例一种卡车无人机协同配送路径规划方法的移动终端的硬件结构框图;
图2根据本发明实施例的一种卡车无人机协同配送路径规划方法的流程图;
图3是根据本发明具体实施例的无人机线性能耗曲线与非线性能耗曲线模拟图;
图4是根据本发明实施例的无人机-卡车配送原理示意图一;
图5是根据本发明实施例的无人机-卡车配送原理示意图二;
图6是根据本发明具体实施例的流程图;
图7是根据本发明实施例的交叉操作原理示意图一;
图8是根据本发明实施例的交叉操作原理示意图二;
图9是根据本发明实施例的一种卡车无人机协同配送路径规划装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种卡车无人机协同配送路径规划方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种卡车无人机协同配送路径规划方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种卡车无人机协同配送路径规划方法,图2是根据本发明实施例的一种卡车无人机协同配送路径规划方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
在本实施例中,获取客户信息、无人机发射回收信息以及配送信息是为了方便计算无人机和卡车进行配送时所耗费的时间和能耗,从而方便更好的规划配送路径,最大化的提高经济效益。
步骤S202,基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
在本实施例中,根据无人机发射回收信息以及所述配送信息构建配送路径模型,以使最终的模型解能够适应实际的配送信息以及无人机的配送情况,避免出现配送能力与客户需求不匹配的情况。
步骤S203,通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。
在本实施例中,在得到模型解之后,再根据模型解进行路径规划,从而保证规划的路径符合客户需求。
通过上述步骤,由于通过对客户信息等构建适应于实际情况的路径配送模型,并基于客户信息对相关路径模型进行求解,从而使得最终规划的配送路径符合客户实际要求,并提高配送车辆的装载率,降低经济成本,解决了导航卡车无人机协同配送路径规划不符合客户需求的问题,提高了导航卡车无人机协同配送路径规划精度以及效率。
其中,上述步骤的执行主体可以为基站、终端等,但不限于此。
在一个可选的实施例中,获取无人机能耗信息包括:
步骤S2011,获取无人机机体信息;
步骤S2012,通过预设的功率算法对所述无人机机体信息进行功率计算,以得到所述无人机能耗信息。
在本实施例中,获取无人机机体信息是为了确定无人机的各项参数,从而方便进行能耗计算。
其中,无人机机体信息包括(但不限于)飞行速度、旋片的面积、空气的流体密度、有效荷载、框架重量等,具体的功率计算是根据以下公式1实现的:
公式(1)
其中,为无人机的功率(/>)、/>为无人机的框架重量(/>)、/>为无人机离开i点时的有效荷载(/>)、/>为重力加速度(/>)、/>为空气流体密度(/>)、/>为旋转叶片面积(m2)、n为无人机的旋翼数量。
通过无人机的功率方程得到一个非线性的无人机的能耗模型(单位:KWh),具体如以下公式2所示:
公式(2)
其中,为无人机的能耗,/>是环境影响参数/>,/>为卡车k的无人机在道路(i,j)上的飞行时间。
非线性能耗模型能够更加真实的模拟无人机在整个配送过程中的能量消耗情况。如图3所示,图3为参考无人机线性能耗曲线与非线性能耗曲线的对比,实线为非线性的能耗曲线,虚线为线性能耗曲线,可以看出随着无人机载重变大,无人机的能耗增量会逐渐变大,所以使用线性能耗模型不符合实际情况,本发明中无人机的能耗采用非线性能耗模型进行计算,更加贴合实际情况。
在一个可选的实施例中,获取所述基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息包括:
步骤S2013,获取无人机第一配送点到卡车配送的第一客户点的第一距离以及无人机从无人机第一配送点抵达卡车配送的第二客户点和第三客户点的第一时间,其中,所述第一客户点包括所述第二客户点和第三客户点,所述第一时间包括卡车离开所述第二客户点的第二时间、卡车离开第三客户点的第三时间、无人机离开无人机第一配送点的第四时间、无人机在所述无人机第一配送点与所述第二客户点之间的第一飞行时间以及无人机在所述无人机第一配送点与所述第三客户点之间的第二飞行时间;
步骤S2014,基于所述第一时间以及第一距离,确定所述无人机发射点信息以及所述无人机回收点信息。
在本实施例中,确定无人机发射点信息和无人机回收信息是为了确定无人机的飞行时间和飞行距离,从而方便为无人机规划合理的配送路线。
其中,对于无人机发射点信息的确定,首先计算无人机配送点u(对应前述无人机第一配送点)到卡车配送的客户点(i , j ,z)(对应前述第一客户点)的距离(对应前述第一距离),随后选择距离u点最近的客户点为发射点。
对于无人机回收点信息的确定,需要计算无人机从u点抵达卡车配送的j(对应前述第二客户点)、z点(对应前述第三客户点)的时刻(对应前述第一时间)与卡车离开j、z的时刻之间的关系。如图4及图5所示,设(对应前述第二时间)、/>(对应前述第三时间)为卡车K离开j、z点的时刻,/>为卡车k上的无人机离开u点时刻(对应前述第四时间),/>(对应前述第一飞行时间)、/>(对应前述第二飞行时间)为卡车K上的无人机在路段(u,j)、(u,z)飞行的时长。
如果,则选j点为无人机回收点,配送情况如图4所示,虚线为无人机配送路段,实线为卡车配送路段;如果/>,则选z点为无人机回收点,如图5所示。
在一个可选的实施例中,所述基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型包括:
步骤S2021,基于所述无人机发射回收信息以及所述配送信息,确定模型参数定义;
在本实施例中,模型参数的定义按照如下表1进行定义:
表1
步骤S2022,根据所述模型参数定义以及预设的目标函数,确定模型约束条件,其中,所述配送路径模型至少包括所述模型参数定义、所述目标函数以及所述模型约束条件。
在本实施例中,预设的目标函数按照如下公式3进行确定:
公式(3)
其中,表示车辆使用成本,/>表示车辆和无人机的协同成本,/>表示违背时间窗的时间惩罚成本;具体的:
车辆使用成本,车辆在配送过程中将产生使用成本/>,包括卡车的油耗成本、卡车服务期间的时间成本、行驶过程中的时间成本和无人机能耗成本、无人机的使用成本,如下公式(4)所示:
公式(4)
其中是卡车的油耗成本,/>和/>是卡车的车辆服务时间成本和行驶时间成本,/>是卡车的发车成本,/>是无人机能耗成本,/>是无人机的使用成本。
为使车辆油耗量的计算更加符合实际,本发明采用综合模式排放模型(comprehensivemodal emission model, CMEM)计算车辆油耗量:如果车辆在时间段k内在节点i和节点j之间的行驶距离为/>则车辆油耗量的计算如下公式(5)所示
公式(5)
其中为发动机模块系数,/>为速度模块系数,/>为载重模块系数,/>为车辆自重(单位:kg),/>为车辆k在时间段h内行驶在道路(i,j)上的载重量(单位:kg)。
无人机的使用成本参数可以假设为:一架无人机每运送1kg的货物的成本约为2.30元。
协同成本,卡车-无人机在配送过程中,卡车与无人机到达无人机的回收点会出现时间差,从而产生协同成本,如下公式(6)所示:
公式(6)
其中为卡车/>在/>点的等待时间,/>为卡车/>的无人机在/>点的等待时间。
设无人机抵达点时间/>,卡车抵达时间/>
当无人机的抵达时间早于卡车抵达时间时/>时,此时无人机为避免危险发生悬停等待卡车抵达客户点/>,协同时间:/>;
当无人机的抵达时间晚于卡车结束服务时间时/>时,卡车先为客户点服务,协同时间为:/>。
时间惩罚成本,卡车与无人机配送时要求在顾客指定的时间窗/>内完成配送,否则将会产生相应的违背时间窗的惩罚成本。设早到顾客点违背时间窗的惩罚系数为,晚到顾客点违背时间窗的惩罚系数为/>,则违背顾客点时间窗的总的违背时间窗惩罚成本如下公式(7)所示
公式(7)
其中表示的是对卡车或无人机早于顾客的最早配送时间产生的早到惩罚成本,/>表示的是对卡车或无人机晚于顾客的最早配送时间产生的晚到惩罚成本。
模型约束公式如下所示:
公式(8)
公式(9)
公式(10)/>
公式(11)
公式(12)
公式(13)
公式(14)
公式(15)
公式(16)
公式(17)
公式(18)
公式(19)
公式(20)
公式(21)
公式(22)
公式(23)
公式(24)
公式(25)
公式(26)
公式(27)
公式(28)
公式(29)
公式(30)/>
约束公式(8)表示卡车k及其搭载无人机所服务的客户点的需求量之和不超过卡车的最大装载量;约束公式(9)表示无人机所服务客户点的需求量要在无人机承重能力之内;约束公式(10)表示卡车只能从配送中心离开一次,完成任务后回到配送中心;约束公式(11)表示对于配送中心返回的卡车数等于从该配送中心离开的卡车数;约束公式(12)表示访问客户点的卡车执行完配送任务后必须离开该客户点;约束公式(13)表示客户点u()只允许无人机访问一次;约束公式(14)保证非无人机访问的客户点有且仅能由一辆车访问;约束公式(15)表示如果无人机执行路径(i,u,j)(i≠j)的配送任务,卡车必须访问节点i和节点j,保证无人机顺利放飞和返回;约束公式(16)约束若无人机从配送中心起飞,则必在一需求点被卡车收容;约束公式(17)表示确保无人机的配送节点要在无人机的能耗限制之内;约束公式(18)表示决策变量/>与卡车k路径中节点i和节点j的位置之间的关系; 公式(19)表示决策变量/>与卡车k路径中节点i和节点j的位置之间的关系;约束公式(20)与公式(21)表示了卡车k在客户点时到达时间等于出发时间加在途时间;约束公式(22)与公式(23)保证无人机的到达时间等于出发时间加在途时间;约束公式(24)与公式(25)保证无人机的到达时间等于出发时间加在途时间;约束公式(26)表示卡车k对所在路线的第一个客户点服务结束后的卡车装载量;约束公式(27)表示卡车k对所在路线的除无人机回收点的客户点服务结束后的卡车装载量;约束公式(28)表示卡车k的无人机对所在路线的第一个客户点服务结束后的装载量;约束公式(29)表示卡车k对所在路线的无人机回收点服务结束后的卡车装载量;约束公式(30)表示卡车k的无人机对无人机所需要服务的客户点服务结束后的装载量。
在一个可选的实施例中,所述通过预设的第一算法对所述配送路径模型求解,以得到目标模型解包括:
步骤S2031,通过整数编码算法对所述客户信息进行随机编码计算,以得到初始种群信息;
在本实施例中,客户信息是通过对所有数据进行读取得到的,包括(但不限于)客户点的实际经纬坐标、需求时间窗、需求量以及取货量等信息。
其中,进行随机编码计算包括计算种群中个体的目标函数值得到初始化全局最优个体和初始全局最优个体目标函数值/>,并确定种群规模大小,同时迭代次数gen设为1,最大迭代次数设为Maxgen,其中编码解码采用整数排列方法,具体方法如下:
读取到的客户点数为N,编码长度为N+1,每个鲸鱼个体代表一种可行解,如果一个鲸鱼个体为{1,2,3,4,5},表示为一个客户点总数为5的可行解。如要进行解码,首先要根据卡车的最大载重量确定卡车的使用数量,如客户点1,2,3,4客户的需求量之和超过了卡车的最大载重量,而客户点1,2,3的需求量之和少于卡车的最大载重量,则第1条配送路线为0→1→2→3→0,其中0表示配送中心,对于无人机配送路线的解码,先找到配送路线上的无人机配送点,假设客户点2,为无人机配送点,则无人机配送路线为1→2→3卡车配送路线为0→1→3→0。如客户点4,5之的需求量之和少于卡车的最大载重量,且4,5都非无人机配送点则,第2条配送路线为0→4→5→0。在解码时需要找到无人机配送点在鲸鱼个体中的具体位置以便解码。所以该解码得到的配送方案为[0,1,2,3,0,4,5,0,2},其中末尾的第一个“2”表示为无人机配送点在鲸鱼个体中的位置。
步骤S2032,基于个体信息以及卡车载重信息,确定卡车与客户点的配送关系,其中,所述初始种群信息包括所述个体信息;
在本实施例中,对于前述鲸鱼个体,按卡车最大载重量为标准分配配送客户点,其中,配送关系包括分配的具体方案。
步骤S2033,基于所述配送关系,判断无人机的飞行能耗是否满足能耗条件,其中,所述能耗条件包括所述飞行能耗小于无人机的最大能耗;
在本实施例中,在确定配送关系后,再判断无人机配送的客户点离无人机的发射点与回收点的中间的无人机飞行能耗是否超过无人机的最大能耗限制,以保证无人机可以正常发射回收。
步骤S2034,在所述飞行能耗满足能耗条件的情况下,对所述个体执行交叉操作;
步骤S2035,基于所述交叉操作结果,按照预设的比例对所述初始种群信息进行个体选择,以得到第一个体集合以及第二个体集合;
在本实施例中,初始种群经过交叉操作后的个体得到种群(以下都称为集合)R,以R中个体的目标函数值从高到低排序,按一定比例选择出种群的部分个体,分别表示为第一个体集合R1和第二个体集合R2。
步骤S2036,对所述第一个体集合执行变邻域搜索操作,并对所述第二个体集合进行局部搜索操作;
在本实施例中,对第一个体集合为R1进行变邻域搜索操作(VariableNeighborhood Search,VNS),对种群中剩下的个体集合为第二个体集合R2进行局部搜索操作,局部搜索中包括逆转操作以及插入操作,得到新的种群R2.1,并计算种群中的个体的目标函数值;
其中,对第二个体集合R2执行逆转操作包括以下步骤:
Step3.1,对R2中每个个体进行逆转操作,并计算每个个体的目标函数值,对于目标函数值小于的个体替代原位置的鲸鱼个体,得到新种群继续进行Step3.2;
其中逆转操作是逆转鲸鱼个体上两个位置之间的所有元素的排序,假设一条配送路径为S=[0,s(1),s(2),…,s(i),s(i+1),…,s(j-1),s(j),…,0],选择逆转位置为i,j(i≠j),则逆转之后的路径为S=[0,s(1),s(2),…,s(j),s(j-1),…,s(i+1),s(i),…,0]。
Step3.2,对新种群中每个个体进行插入操作,并计算每个个体的目标函数值,对于目标函数值小于的个体替代原位置的鲸鱼个体,得到新种群R2.1;
插入操作是在鲸鱼个体上选择i点和j点的元素,且j>i,将i点元素插入j点之后,假设一条配送路径为S=[0,s(1),…,s(i),s(i+1),…,s(j-1),s(j),…,0],选择插入的元素为i,j则逆转之后的路径为S=[0,s(1),…,s(i+1),…,s(j-1),s(j),s(i),…,0]。
步骤S2037,根据变邻域搜索操作结果以及局部搜索操作结果,执行重新组合操作,以得到目标种群;并对所述目标种群中所包含的目标个体执行目标函数值计算,以得到所述目标模型解以及所述目标模型解对应的目标个体。
在本实施例中,将优化后的第一个体集合的子个体R1.1与第二个体集合的子个体R2.1重新组合得到优化后的种群P(对应前述目标种群),并计算出P中所有个体的目标函数值,输出一个最优解(目标模型解包含最优解/>,其中,/>为目标函数值最小值),以及对应个体/>(目标个体包括个体/>),并对比之前的/>,若/>≤/>,则令/>=/>,/>=/>,否则/>不变,同时迭代次数gen加1;此时若gen≤Maxgen,则跳转至步骤S2031,否则输出P的全局最优解(对应前述目标模型解),具体如图6所示。
在一个可选的实施例中,所述交叉操作包括以下至少之一:
步骤S20351,随机选择第一个体中位于第一位置上的第一元素、第二个体中位于第一位置上的第二元素、第一个体中位于第二位置上的第三元素、第二个体中位于第二位置上的第四元素以及第一个体中位于第三位置的第五元素,其中,所述第二元素的函数值与所述第三元素的函数值相同,所述第四元素的函数值与第五元素的函数值相同,所述第一位置、第二位置、第三位置组成位置环;保留所述第一个体中的所述第一位置、第二位置、第三位置上的元素,并用所述第二个体中除所述第一位置、第二位置、第三位置以外的其他位置的元素一一对应的填充至第一个体中除所述第一位置、第二位置、第三位置以外的其他位置,以得到第一子个体,同时保留第二个体中所述第一位置、第二位置、第三位置上的元素,并用所述第一个体中除所述第一位置、第二位置、第三位置以外的其他位置上的元素意义对应的填充至所述第二个体,以得到第二子个体;
在本实施例中,如图7所示,第一中交叉操作方式包括如下步骤:
首先在个体(对应前述第一个体)中随机选择一个位置/>(对应前述第一位置)上的元素/>(对应前述第一元素,图7中为第一个体中的元素13),其次找到鲸鱼个体/>(对应前述第二个体)中/>位置上的元素/>(对应前述第二元素,图7中为元素9),再回到个体/>找到元素/>(对应前述第三元素,图7中为元素9)所在的/>位置(对应前述第二位置),然后找到个体/>中/>位置上的元素/>(对应前述第四元素,图7中第一个体的元素12),第五元素为图7中第一个体中的元素12。重复先前工作,直至形成一个环(对应前述位置环),环中的所有元素的位置即为最后选中的位置(对应图 7 中步骤 1)。
随后用个体选中的元素生成下一个位置上的个体/>(对应前述第一子个体),并保证位置对应,然后将鲸鱼个体/>中剩余的元素放入/>中(对应图 7 中步骤 2)。
再用个体中选中的元素生成下一个位置上的个体/>(对应前述第二子个体),并保证位置对应,然后将个体/>中剩余的元素放入/>中(对应图 7 中步骤 3)。
或,步骤S20352,随机选择第一个体中的第一组元素,并确定所述第二个体中与所述第一组元素的函数值相同的第二组元素对应的第一位置;保留所述第一组元素和所述第二组元素,并将其他位置的元素一一对应的进行交换,以得到所述第一个体对应的第三子个体以及所述第二个体对应的第四子个体。
在本实施例中,如图8所示,第二种交叉操作方式包括:
首先在个体中随机选择一组元素/>(对应前述第一组元素),其次在个体/>中找到/>中所有元素(对应第二组元素)的位置(对应第一位置)。/>
保持鲸鱼个体和鲸鱼个体/>未选中的元素保持不变,按照选中元素的出现顺序,交换/>和/>中元素的位置,同时生成新的个体/>(对应前述第三子个体)和个体/>(对应前述第四子个体)。
在一个可选的实施例中,所述对所述第一个体集合执行变邻域搜索操作包括:
步骤S20361,对所述第一个体集合中的第三个体进行第一次数的交换操作,以得到第四个体;
在本实施例中,采用VNS对种群R1中的个体(i=1,2,…,R)逐一进行变邻域搜索,以拓展解空间,增加种群的多样性;具体的,将i设为1,并计算/>(对应点数第三个体)的目标函数值/>,并设迭代次数VNSgen为1、邻域操作次数为M、最大迭代次数为VNSgenmax;随后当K=1时,对鲸鱼个体/>进行M次交换操作得到/>(对应前述第四个体),若/>的目标函数值</>,则将/>替换/>,即令将/>,/>=/>,并重复本步骤。
其中,交换操作是交换鲸鱼个体上两个位置上的元素的排序,假设一条配送路径为S=[0,s(1),…,s(i),s(i+1),…,s(j-1),s(j),…,0],选择逆转位置为i,j(i≠j),则逆转之后的路径为S=[0,s(1),s(2),…,s(j),s(i+1),…,s(j-1),s(i),…,0]。
步骤S20362,在所述第四个体的目标函数值大于第三个体的目标函数值的情况下,对所述第三个体进行第二次数的逆转操作,以得到第五个体;
在本实施例中,在本实施例中,若>/>,则当K=2时,对鲸鱼个体/>(对应前述第三个体)进行M次逆转操作,以得到/>(对应前述第五个体);此时若/>目标函数值/><,则将第五个体替换成第三个体,即令/>,/>=/>,并跳至步骤S20361。
步骤S20363,在所述第五个体的目标函数值大于所述第三个体的目标函数值的情况下,对所述第三个体进行第三次数的插入操作,以得到第六个体;
在本实施例中,在本实施例中,若>/>,则当K=3时,对鲸鱼个体/>(对应前述第三个体)进行M次逆转操作得到/>(对应前述第六个体);若/>目标函数值/></>,则将第六个体替换成第三个体,即令/>,/>=/>,并跳至步骤S20361。
步骤S20364,在所述第六个体的目标函数值大于第三个体的目标函数值的情况下,调整迭代值,并在所述迭代值小于预设迭代值的情况下,重复依次执行所述交换操作、所述逆转操作以及所述插入操作;或在所述迭代值大于预设迭代值的情况下,对所述第一个体集合中的其他个体执行重复依次执行所述交换操作、所述逆转操作以及所述插入操作,并将最终得到的第三个体以及所述第一个体集合中的其他个体的操作结果加入至目标个体集合,其中,所述变邻域搜索操作包括所述目标个体集合。
在本实施例中,在本实施例中若</>,将/>,/>=/>,跳转至步骤S20361,若/>>/>,则VNSgen(对应前述迭代值)加1;此时若VNSgen≤VNSgenmax,则跳转至步骤S20361,否则i加1,此时若i≤R,计算/>的目标函数值,并重新设置迭代次数VNSgen为1、邻域操作次数为M、最大迭代次数为VNSgenmax,以继续优化下一鲸鱼个体;若i>R,则表示R条鲸鱼个体均被优化,此时将VNS优化后的R条鲸鱼个体重新组合为前述第一个体集合的子个体R1.1(对应前述目标个体集合)。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种卡车无人机协同配送路径规划装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本发明实施例的一种卡车无人机协同配送路径规划装置的结构框图,如图9所示,该装置包括:
信息采集模块91,用于获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
模型生成模块92,用于基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
路径确定模块93,用于通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种卡车无人机协同配送路径规划方法,其特征在于,包括:
获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。
2.根据权利要求1所述的方法,其特征在于,获取无人机能耗信息包括:
获取无人机机体信息;
通过预设的功率算法对所述无人机机体信息进行功率计算,以得到所述无人机能耗信息。
3.根据权利要求1所述的方法,其特征在于,获取所述基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息包括:
获取无人机第一配送点到卡车配送的第一客户点的第一距离以及无人机从无人机第一配送点抵达卡车配送的第二客户点和第三客户点的第一时间,其中,所述第一客户点包括所述第二客户点和第三客户点,所述第一时间包括卡车离开所述第二客户点的第二时间、卡车离开第三客户点的第三时间、无人机离开无人机第一配送点的第四时间、无人机在所述无人机第一配送点与所述第二客户点之间的第一飞行时间以及无人机在所述无人机第一配送点与所述第三客户点之间的第二飞行时间;
基于所述第一时间以及第一距离,确定所述无人机发射点信息以及所述无人机回收点信息。
4.根据权利要求1所述的方法,其特征在于,所述基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型包括:
基于所述无人机发射回收信息以及所述配送信息,确定模型参数定义;
根据所述模型参数定义以及预设的目标函数,确定模型约束条件,其中,所述配送路径模型至少包括所述模型参数定义、所述目标函数以及所述模型约束条件。
5.根据权利要求1所述的方法,其特征在于,所述通过预设的第一算法对所述配送路径模型求解,以得到目标模型解包括:
通过整数编码算法对所述客户信息进行随机编码计算,以得到初始种群信息;
基于个体信息以及卡车载重信息,确定卡车与客户点的配送关系,其中,所述初始种群信息包括所述个体信息;
基于所述配送关系,判断无人机的飞行能耗是否满足能耗条件,其中,所述能耗条件包括所述飞行能耗小于无人机的最大能耗;
在所述飞行能耗满足能耗条件的情况下,对所述个体执行交叉操作;
基于所述交叉操作结果,按照预设的比例对所述初始种群信息进行个体选择,以得到第一个体集合以及第二个体集合;
对所述第一个体集合执行变邻域搜索操作,并对所述第二个体集合进行局部搜索操作;
根据变邻域搜索操作结果以及局部搜索操作结果,执行重新组合操作,以得到目标种群;并对所述目标种群中所包含的目标个体执行目标函数值计算,以得到所述目标模型解以及所述目标模型解对应的目标个体。
6.根据权利要求5所述的方法,其特征在于,所述交叉操作包括以下至少之一:
随机选择第一个体中位于第一位置上的第一元素、第二个体中位于第一位置上的第二元素、第一个体中位于第二位置上的第三元素、第二个体中位于第二位置上的第四元素以及第一个体中位于第三位置的第五元素,其中,所述第二元素的函数值与所述第三元素的函数值相同,所述第四元素的函数值与第五元素的函数值相同,所述第一位置、第二位置、第三位置组成位置环;保留所述第一个体中的所述第一位置、第二位置、第三位置上的元素,并用所述第二个体中除所述第一位置、第二位置、第三位置以外的其他位置的元素一一对应的填充至第一个体中除所述第一位置、第二位置、第三位置以外的其他位置,以得到第一子个体,同时保留第二个体中所述第一位置、第二位置、第三位置上的元素,并用所述第一个体中除所述第一位置、第二位置、第三位置以外的其他位置上的元素意义对应的填充至所述第二个体,以得到第二子个体;
或,
随机选择第一个体中的第一组元素,并确定所述第二个体中与所述第一组元素的函数值相同的第二组元素对应的第一位置;保留所述第一组元素和所述第二组元素,并将其他位置的元素一一对应的进行交换,以得到所述第一个体对应的第三子个体以及所述第二个体对应的第四子个体。
7.根据权利要求5所述的方法,其特征在于,所述对所述第一个体集合执行变邻域搜索操作包括:
对所述第一个体集合中的第三个体进行第一次数的交换操作,以得到第四个体;
在所述第四个体的目标函数值大于第三个体的目标函数值的情况下,对所述第三个体进行第二次数的逆转操作,以得到第五个体;
在所述第五个体的目标函数值大于所述第三个体的目标函数值的情况下,对所述第三个体进行第三次数的插入操作,以得到第六个体;
在所述第六个体的目标函数值大于第三个体的目标函数值的情况下,调整迭代值,并在所述迭代值小于预设迭代值的情况下,重复依次执行所述交换操作、所述逆转操作以及所述插入操作;或在所述迭代值大于预设迭代值的情况下,对所述第一个体集合中的其他个体执行重复依次执行所述交换操作、所述逆转操作以及所述插入操作,并将最终得到的第三个体以及所述第一个体集合中的其他个体的操作结果加入至目标个体集合,其中,所述变邻域搜索操作包括所述目标个体集合。
8.一种卡车无人机协同配送路径规划装置,其特征在于,包括:
信息采集模块,用于获取客户信息、无人机发射回收信息以及配送信息,其中,所述无人机发射回收信息至少包括无人机能耗信息、基于最小协同时间的无人机发射点信息以及基于最小协同时间的无人机回收点信息,所述客户信息包括需要配送的客户的位置信息;
模型生成模块,用于基于所述无人机发射回收信息以及所述配送信息,确定配送路径模型;
路径确定模块,用于通过预设的第一算法对所述配送路径模型求解,以得到目标模型解,并基于所述目标模型解确定目标路径。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016326.7A CN117522253B (zh) | 2024-01-05 | 2024-01-05 | 一种卡车无人机协同配送路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016326.7A CN117522253B (zh) | 2024-01-05 | 2024-01-05 | 一种卡车无人机协同配送路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117522253A true CN117522253A (zh) | 2024-02-06 |
CN117522253B CN117522253B (zh) | 2024-04-19 |
Family
ID=89751713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016326.7A Active CN117522253B (zh) | 2024-01-05 | 2024-01-05 | 一种卡车无人机协同配送路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522253B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032955A1 (en) * | 2016-08-01 | 2018-02-01 | Sap Se | System and method of minimizing waiting time in vehicle routing and scheduling with narrow time-windows |
JP2020205122A (ja) * | 2020-09-30 | 2020-12-24 | 株式会社ゼンリンデータコム | 運航計画作成装置、運航計画作成方法および運航計画作成プログラム |
CN113741418A (zh) * | 2021-07-23 | 2021-12-03 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN114358675A (zh) * | 2021-12-10 | 2022-04-15 | 浙江建德通用航空研究院 | 一种多无人机-多卡车协同物流配送路径规划方法 |
CN114706386A (zh) * | 2022-03-11 | 2022-07-05 | 合肥工业大学 | 车机协同取送货路径优化方法和系统 |
CN114861971A (zh) * | 2022-03-23 | 2022-08-05 | 合肥工业大学 | 最小化成本为目标的混合车辆路径优化方法和系统 |
CN116167515A (zh) * | 2023-02-15 | 2023-05-26 | 广西七识数字科技有限公司 | 一种agv配送路径规划方法、装置、设备及介质 |
CN116384606A (zh) * | 2023-04-04 | 2023-07-04 | 哈尔滨工业大学(深圳) | 一种基于车辆无人机协同配送的调度优化方法及系统 |
CN116911729A (zh) * | 2023-07-26 | 2023-10-20 | 北京航空航天大学 | 一种考虑电池更换计划的无人机与卡车协同配送方法 |
CN117035598A (zh) * | 2023-06-26 | 2023-11-10 | 合肥工业大学 | 区域限制下的车机协同路径规划方法和系统 |
-
2024
- 2024-01-05 CN CN202410016326.7A patent/CN117522253B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032955A1 (en) * | 2016-08-01 | 2018-02-01 | Sap Se | System and method of minimizing waiting time in vehicle routing and scheduling with narrow time-windows |
JP2020205122A (ja) * | 2020-09-30 | 2020-12-24 | 株式会社ゼンリンデータコム | 運航計画作成装置、運航計画作成方法および運航計画作成プログラム |
CN113741418A (zh) * | 2021-07-23 | 2021-12-03 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN114358675A (zh) * | 2021-12-10 | 2022-04-15 | 浙江建德通用航空研究院 | 一种多无人机-多卡车协同物流配送路径规划方法 |
CN114706386A (zh) * | 2022-03-11 | 2022-07-05 | 合肥工业大学 | 车机协同取送货路径优化方法和系统 |
CN114861971A (zh) * | 2022-03-23 | 2022-08-05 | 合肥工业大学 | 最小化成本为目标的混合车辆路径优化方法和系统 |
CN116167515A (zh) * | 2023-02-15 | 2023-05-26 | 广西七识数字科技有限公司 | 一种agv配送路径规划方法、装置、设备及介质 |
CN116384606A (zh) * | 2023-04-04 | 2023-07-04 | 哈尔滨工业大学(深圳) | 一种基于车辆无人机协同配送的调度优化方法及系统 |
CN117035598A (zh) * | 2023-06-26 | 2023-11-10 | 合肥工业大学 | 区域限制下的车机协同路径规划方法和系统 |
CN116911729A (zh) * | 2023-07-26 | 2023-10-20 | 北京航空航天大学 | 一种考虑电池更换计划的无人机与卡车协同配送方法 |
Non-Patent Citations (3)
Title |
---|
任新惠;岳一笛;尹晓丽;赵嶷飞;: "无人机车辆组合物流配送路径规划探讨", 飞行力学, no. 02, 31 December 2020 (2020-12-31) * |
周爱莲;蒋利;侯夏杰;: "应急物流中无人机配送线路优化", 长沙理工大学学报(自然科学版), no. 02, 28 June 2020 (2020-06-28) * |
承琦;李磊;: "基于卡车和无人机联合运输下的末端配送算法研究", 物流工程与管理, no. 03, 15 March 2020 (2020-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117522253B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416787B2 (en) | Parallel processing for solution space partitions | |
CN109919365B (zh) | 一种基于双策略搜索的电动车辆路径规划方法及系统 | |
Panadero et al. | Maximising reward from a team of surveillance drones: A simheuristic approach to the stochastic team orienteering problem | |
Li et al. | An agent-based simulation for shared automated electric vehicles with vehicle relocation | |
Hahn et al. | Model-based quantification of load shift potentials and optimized charging of electric vehicles | |
CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
Han et al. | Modelling and simulation of hierarchical scheduling of real‐time responsive customised bus | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
CN116989819B (zh) | 一种基于模型解的路径确定方法及装置 | |
CN117522253B (zh) | 一种卡车无人机协同配送路径规划方法及装置 | |
Yang et al. | Stochastic coordination of aggregated electric vehicle charging with on-site wind power at multiple buildings | |
Liu | Routing battery-constrained delivery drones in a depot network: A business model and its optimization–simulation assessment | |
CN116843121A (zh) | 基于等级匹配度的移动群智感知任务分配方法及管理系统 | |
Gholami et al. | Train routing and timetabling via a genetic algorithm | |
CN112149921B (zh) | 大规模电动物流车路径规划方法及系统、充电规划方法 | |
Zhao et al. | Joint design for electric fleet operator and charging service provider: Understanding the non-cooperative nature | |
Tang et al. | Energy-oriented routing strategy of electric vehicle: An end-to-end reinforcement learning approach | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
Ge et al. | Hybrid ant colony optimization algorithm for solving the open vehicle routing problem | |
CN113283827A (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
Moaidi et al. | Demand response application of battery swap station using a stochastic model | |
Gonzalez-R et al. | A bi-criteria approach to the truck-multidrone routing problem | |
Tayachi et al. | Optimising green vehicle routing problem-a real case study | |
CN111415075A (zh) | 一种车辆调度方法及装置 | |
Jiang | Planning of vehicle routing with mixed time windows based on the improved genetic algorithm (IGA) |
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 |