CN113177762B - 一种多中心电动车-无人机配送路径优化方法 - Google Patents
一种多中心电动车-无人机配送路径优化方法 Download PDFInfo
- Publication number
- CN113177762B CN113177762B CN202110529218.6A CN202110529218A CN113177762B CN 113177762 B CN113177762 B CN 113177762B CN 202110529218 A CN202110529218 A CN 202110529218A CN 113177762 B CN113177762 B CN 113177762B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned aerial
- aerial vehicle
- electric vehicle
- distribution
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 230000036962 time dependent Effects 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000006378 damage Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 210000000349 chromosome Anatomy 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 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 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种多中心电动车‑无人机配送路径优化方法，包括：基于车辆行驶速度的连续变化构建电动车能耗计算模型；以总配送成本最小化为目标建立时间依赖型多中心电动车‑无人机配协同送路径优化模型；设计遗传大邻域搜索混合算法对所述时间依赖型多中心电动车‑无人机配协同送路径优化模型进行求解，获得配送路径优化方案。本发明对配送区域路网交通信息、无人机最大飞行距离、配送过程中电动车电池的荷电状态，以及车辆行驶速度、载重量等对电动车能耗的影响等充分考虑建立混合整数规划模型，更贴近配送生产活动的实际，拓展与深化了车辆路径问题研究。
Description
技术领域
本发明涉及路径优化技术领域，具体而言，尤其涉及一种多中心电动车- 无人机配送路径优化方法。
背景技术
配送路径优化是现代物流发展的重要一环。在保护环境、减少碳排放的大环境下，电动车逐渐取代燃油车是未来的发展趋势，与此同时无人机配送智能化、效率高、成本低等优点也深受快递、电商等企业的关注。但无人机承载能力小、飞行里程短，同时受空域限制等影响，单独使用无人机无法完成长距离、多客户的配送任务。车辆做无人机的临时仓、停机坪和充、换电平台，与无人机联合配送，既可提高单独使用电动车配送的配送效率、降低配送成本，又能克服无人机配送的缺点。
同时，现有车辆-无人机联合配送路径优化相关研究中配送车辆仅搭载一架无人机，且忽略了配送区域路网对车辆行驶速度的限制，导致车辆与无人机无法很好地协同完成配送任务。
发明内容
根据上述提出的无法协同实现车辆与无人机配送的技术问题，而提供一种多中心电动车-无人机配送路径优化方法。本发明对配送区域路网交通信息、无人机最大飞行距离、配送过程中电动车电池的荷电状态，以及车辆行驶速度、载重量等对电动车能耗的影响等充分考虑建立混合整数规划模型，更贴近配送生产活动的实际，拓展与深化了车辆路径问题研究。
本发明采用的技术手段如下：
一种多中心电动车-无人机配送路径优化方法，包括：
基于车辆行驶速度的连续变化构建电动车能耗计算模型；
以总配送成本最小化为目标建立时间依赖型多中心电动车-无人机配协同送路径优化模型；
设计遗传大邻域搜索混合算法对所述时间依赖型多中心电动车-无人机配协同送路径优化模型进行求解，获得配送路径优化方案。
进一步地，述基于车辆行驶速度的连续变化构建电动车能耗计算模型，包括：
根据预先划分的配送区域路网道路类型，获取电动车的速度函数，所述速度函数随时间连续变化；
计算车辆在平缓公路上克服阻力前进所需的牵引力，并基于牵引力推导电动车电池的输出功率；
根据所述速度函数以及电动车电池的输出功率构建电动车能耗计算模型。
进一步地，所述建立的时间依赖型多中心电动车-无人机配协同送路径优化模型综合考虑配送区域路网交通信息，无人机最大飞行距离、承重能力，配送过程中电动车电池的荷电状态。
进一步地，所述遗传大邻域搜索混合算法为将两组摧毁和重建算子嵌入传统遗传算法而获取的。
进一步地，对所述时间依赖型多中心电动车-无人机配协同送路径优化模型进行求解，包括：
基于构建的车辆与无人机协同配送模型构造初始解，并计算初始解的目标函数值；
对初始解中的每一个父代个体，随机选择各车辆路径中的一个客户进行可行解摧毁，并贪婪***重建可行解以获取子代个体；计算子代个体的目标函数值，当判断父代个体的目标函数值与子代个体的目标函数值满足预设关系时，将子代个体更新为新解；
对更新后的解中的每一个父代个体，选择各车辆配送路径中距离成本最大的客户删除进行可行解摧毁，并贪婪***重建可行解以获取子代个体；计算子代个体的目标函数值，当判断父代个体的目标函数值与子代个体的目标函数值满足预设关系时，将子代个体更新为新解；
循环执行上述可行解摧毁重建步骤，直至达到预设的优化次数后，获取最终配送路径方案。
较现有技术相比，本发明具有以下优点：
1、本发明对配送区域路网交通信息、无人机最大飞行距离、配送过程中电动车电池的荷电状态以及车辆行驶速度、载重量等对电动车能耗的影响等充分考虑建立混合整数规划模型，更贴近配送生产活动的实际，拓展与深化了车辆路径问题研究。
2、本发明设计了遗传大邻域搜索混合算法，在传统遗传算法基础上嵌入两组摧毁和重建算子，有目的的移除、***客户点，能够克服低效耗时问题，保证求解质量的同时可提高算法的收敛速度。
基于上述理由本发明可在智能配送等领域广泛推广。
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做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为实施例中路径优化方法执行流程图。
图2为实施例中车辆行驶速度全天变化趋势。
图3为实施例中多中心车辆-无人机协同配送示意图。
图4为实施例中车辆-无人机协同配送示意图。
图5为实施例中初始解构造示意图。
图6为实施例中移除算子示意图。
图7为实施例中贪婪***算子示意图。
图8为实施例中配送区域路网图。
图9为实施例中车辆速度时间依赖函数。
图10为实施例中算例配送路径图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种多中心电动车-无人机配送路径优化方法，主要包括：
S1、基于车辆行驶速度的连续变化构建电动车能耗计算模型。
具体来说，根据相关研究可知，车辆在平缓公路上克服阻力前进所需的牵引力F为：
可由上式推导出电池的输出功率P为：
本发明划分配送区域路网道路类型，并以多项式函数表示速度随时间的连续变化，如图2所示。结合上式可得到车辆k由节点i行驶至节点j的耗电量 eijk(kW·h)，如下所示：
式中，m为车辆总质量(kg)；g为重力加速度；f为滚动摩擦系数；CD为空气阻力系数；A为车辆正面面积(m2)；δ为车辆旋转质量转换系数；a为车辆加速度(m/s2)；ηT为车辆传动***传递效率；ηV为车辆逆变器的转换效率；ηm为车辆电机效率；v为车辆速度(km/h)。
S2、以总配送成本最小化为目标建立时间依赖型多中心电动车-无人机配协同送路径优化模型。
具体来说，本发明针对的问题是时间依赖型多中心电动车-无人机配协同送路径问题，具体表述如下：由配送区域路网构成完备的有向图G＝(V,E)中，有不同类型的道路，每种类型的道路车辆行驶速度v(t)是连续变化的；节点集合为其中V0为车辆可离开的配送中心集合，V1为客户点集合，/>为车辆可返回的配送中心集合，设为无人机服务的客户点集合， VL＝V0∪V1无人机起飞节点和执行循环配送任务(返回点与起飞点为同一节点) 后返回车辆的节点集合，/>无人机执行非循环配送任务后返回车辆的节点集合；边集合E＝{(i,j)|i,j∈V}，配送中心间无路径连接，lij为车辆在i、j两节点间的行驶距离，/>为无人机在i、j两节点间的飞行距离，考虑到无人机不受路网的限制，假定/>k为可用配送车辆集合K中的任一车辆，离开配送中心的时刻为T0，车辆额定装载质量为Qk，电池容量为B，电池允许的最低荷电状态为ε，车辆k离开配送中心时的电量为B0k，在i、j节点间的耗电量为eijk，单位搭载无人机的车辆(含所配无人机)派遣成本为c1，单位能耗成本为c2；所有车辆配备相同的无人机，ku为车辆k配备的无人机集合U(u∈U)中的任意一架，质量为m，无人机最大飞行距离为lu，承重能力为Qu，飞行速度为v0，放飞前准备时长为t1，返回车辆时降落所需操作时长为t2，单位距离飞行成本为c3；无人机每次执行配送任务的路径为(i,w,j)，表示无人机在节点 i(i∈VL)离开车辆前往w(w∈VU,i≠w)执行配送任务，执行完配送任务后由节点 j(j∈VR,w≠j)返回到车辆，当无人机起飞点与返回点相同时，无人机配送路径为 (i,w,i)。客户点i的需求量为di，服务时长为th；车辆k到达节点i的时刻为/>离开时刻为/>车辆k搭载的无人机ku在节点i的准备放飞执行配送任务的时刻为/>车辆k搭载的无人机ku准备离开(包括执行完循环配送任务后无人机准备放飞执行非循环配送任务，以及搭载车辆离开)节点i的时刻为/>
决策变量xijk表示车辆k是否从节点i到节点j，节点i与j为车辆k路线中相邻的两个节点，是为1，否为0；决策变量表示在节点i车辆k搭载的无人机ku是否执行(i,w,j)操作，是为1，否为0；决策变量zijk表示节点i是否在节点 j之前被车辆k访问，节点i与j可以为车辆k路线中不相邻的两个节点，是为1，否为0；决策变量nik为下限为0的整数变量，表示节点i在车辆k路线中的位置；决策变量/>表示无人机ku是否在车辆k到达节点i之前在节点a起飞为节点w执行配送任务，并在车辆k到达节点j之后在后续节点p返回车辆k，是为1，否为0；决策变量/>车辆k搭载的无人机ku是否可在节点i安排配送任务，是为1，否为0。
以图3为例，车辆与无人机的协同配送步骤如下：
(1)车辆1、2、3携带多架无人机分别由配送中心1、1、2出发；
(2)车辆到达某客户点时为客户提供配送服务的同时可以放飞多架无人机去其他客户点执行配送任务，车辆可在当前节点等待无人机执行完配送任务后返回车辆，也可前往后续客户点执行配送任务，无人机完成配送任务后追随车辆在后续节点与车辆集合。车辆k搭载的无人机ku由节点i放飞为客户m执行配送服务后返回车辆的几种情况如图4所示；
(3)完成配送任务后车辆返回就近配送中心，如图中车辆1、2、3分别返回配送中心2、1、1。
本发明建模前作出如下假设：
(1)配送车辆、无人机型号相同，各项性能一致，卡车能够同时放飞和收回无人机，且无人机返回车辆无需人工操作。
(2)无人机只能在各节点(包括配送中心)放飞、收回，且放飞时只携带一件包裹。
(3)车辆到达客户点后先为当前节点提供配送服务，再为无人机换电、配载，完成无人机放飞。
在无人机车辆路径优化相关研究基础上，以总配送成本最小化为目标建立本发明所提问题的混合整数规划模型，如下：
目标函数为：
对以上优化模型中各式的简要说明如下：其中，变量定义如下：
目标函数式表示最小化配送成本，第一项为搭载无人机车辆的派遣成本，第二项为电动车耗电成本，第三项为无人机运输成本；式(1)约束车辆k及其搭载无人机所服务的客户点的需求量之和不超过车辆的最大装载质量；式(2) 表示无人机所服务客户点的需求量在无人机承重能力之内；式(3)表示车辆只能从配送中心离开一次，完成任务后回到配送中心，且始末配送中心可以不相同；式(4)表示对于任何一个配送中心返回的车辆数等于从该配送中心离开的车辆数；式(5)为配送过程中车辆最低荷电状态约束；式(6)约束无人机执行配送任务的路径长度不超过其最大飞行距离；式(7)表示访问客户点的车辆执行完配送任务后必须离开该客户点；式(8)表示客户点w(w∈VU)只允许车辆或无人机访问一次；式(9)保证非无人机访问的客户点有且仅能由一辆车访问；式 (10)为无人机由配送中心放飞时与车辆之间的协同约束，表示无人机ku可以不从车辆离开的配送中心放飞，若无人机ku从配送中心放飞，无人机ku所属的车辆k必须到达无人机执行完配送任务的返回点j；式(11)表示如果无人机执行非循环(i≠j)路径(i,w,j)的配送任务，车辆必须访问节点i和节点j，保证无人机顺利放飞和返回；式(12)表示只有车辆访问节点i时，无人机才可以在该点执行循环(i＝j)路径(i,w,i)的配送任务；式(13)表示决策变量xijk与车辆k路径中节点i和节点j的位置之间的关系；式(14)表示决策变量与车辆k路径中节点 i和节点j的位置之间的关系；式(15)表示决策变量xijk与决策变量zijk之间的关系，若节点i和节点j是车辆k路径中相邻的两个节点，该约束保证了策变量xijk与决策变量zijk之间的强耦合；式(16)和式(17)表示决策变量zijk与决策变量nik、 njk之间的关系；式(18)和式(19)表示决策变量/>与决策变量/>zijk之间的关系，由决策变量/>zijk的值确定决策变量/>的值；式(20)和式(21)表示当车辆k从i点行驶至j点时，车辆到达节点j的时刻，同时也可以避免车辆k的路径形成子回路，其中tij可由车辆离开节点i的时刻、lij以及v(t)求积分上限得到， M是一个无穷大的正数；式(22)表示车辆k离开客户点i的时刻和到达客户点i 的时刻之间的关系；式(23)表示无人机ku在节点j的放飞时刻与其离开节点i的时刻之间的关系；式(24)表示如果无人机ku在节点i执行循环配送任务时无人机ku离开节点i的最早时刻；式(25)约束车辆必须等待其搭载的无人机在节点i 完成所有操作后再离开；式(26)约束执行非循环配送任务的无人机在节点j返回车辆时应在车辆k到达节点j之后到达；式(27)表示车辆k离开节点j的时刻不早于完成该节点配送任务的时刻和其搭载的无人机ku在该节点完成降落的时刻；式(28)-(30)确保车辆由节点i至节点j期间，车辆k搭载的无人机ku安排可执行次数的配送任务，M是一个无穷大的正数；式(28)表示如果车辆k搭载的无人机u执行了节点i、j周边的操作，决策变量/>取值为0，即无人机ku不可在节点i安排配送任务，相反决策变量/>取值为1，可在节点i安排配送任务；式(39)和(30)表示有且仅当无人机ku可用时才可以安排其执行配送任务；式(31)-(33)为决策变量nik、pijk取值定义；式(34)-(38)为决策变量属性。
S3、设计遗传大邻域搜索混合算法对所述时间依赖型多中心电动车-无人机配协同送路径优化模型进行求解，获得配送路径优化方案。具体包括：
S310、构造初始解。其包括：
S311、采用整数编码方式随机生成初始种群，对种群中的每条染色体进行S312、-S315操作。
S312、对图5(a)所示的染色体，筛选移除无人机承重能力之内的客户节点，并判断所选客户节点集合内的客户到未移除客户节点的最小往返距离是否超过无人机最大飞行距离，若超过无人机最大飞行距离，则将其移至染色体尾部，移除部分客户后的染色体如图5(b)所示。
S313、在可用车辆中选配一辆车从虚拟配送中心0出发为未移除的客户提供配送服务，由染色体中未移除的第一个客户起依次检验车辆载重质量以及电动车电池的荷电状态(初始时假设电动车满载出发)能否为当前客户提供配送服务，当对下一个客户进行检验发现当前车辆载重质量或电池的荷电状态不能满足要求时，新派车辆为该客户提供服务并在足检验要求的最后一个客户后和不能满足检验要求的客户前***虚拟配送中心0，以此类推直到未移除的最后一个客户检验完成，在整条染色体首部及未移除的最后一个客户点后***配送中心0，完成该条染色体的划分。以图5(b)所示，从染色体中未移除的第一个客户点3开始累加计算各客户需求量及电池能耗量，假设在客户10位置处不能满足约束条件，记录客户10并在客户2后和客户10前分别***虚拟配送中心0，在记录的客户位置重新安排车辆，重复上述过程，最后在客户3前及13后***虚拟配送中心0，完成该条染色体的划分，划分后的染色体如图5(c)所示。
S314、选择距离车辆服务的第一个客户最近的配送中心作为车辆出发的配送中心，同时在车辆返回各配送中心数量平衡的基础上选择距离车辆服务的最后一个客户最近的配送中心作为车辆返回的配送中心。
S315、根据确定的车辆路径，将移除的客户按照距离最小原则依次聚类到无人机放飞节点，依据由近及远原则顺序排列在当前路径尾部并在上方标注无人机起飞节点，操作后的染色体如图5(d)所示。
S316、依次判断车辆路径中无人机起飞节点需放飞的无人机次数n是否超过车辆搭载的无人机数量|D|，若超过，则执行前n-|D|个客户配送任务的无人机的路径为循环路径，执行后|D|个客户配送任务的无人机，选择在飞行距离以内且下一有无人机放飞执行配送任务的节点(配送中心)之前车辆等待时间最短的节点作为返回点，按照无人机到达返回节点的时刻由小到大对后|D| 个客户进行重新排序，判断满足未超过所有无人机最大飞行距离的节点集合Vm，并由后|D|个客户第一个客户按照车辆等待时间最短为原则在Vm中确定无人机的返回节点，对应放置无人机配送客户节点的下方，每确定一无人机返回节点后，需更新车辆到达后续节点的时刻，重复上述操作，得到初始解S0，如图5(e)所示。
S320、计算初始解S0的目标函数值obj(S0)。
S330、对S0中的每一个个体，随机选择当前解各车辆配送路径中一个客户进行删除，将路径中移除和原无人机服务的不满足无人机最大承载能力和最大飞行距离的客户在满足所有约束的前提下以最小成本增量***到车辆路径中，若当前所有车辆路径中没有满足的所有约束的***点，则新派车辆安排一条新的配送路径。客户m***到客户i和客户j之间的***成本增量ΔCim＝Cim-Ci0，其中Ci0为客户m***前的路径成本，Cim为客户m***之间后的路径成本。以图6为例，当前解如图6(a)所示，随机移除车辆配送路径中的客户5、10，并与所有无人机服务的客户一同放置到该条染色体尾部，并将所有配送中心以虚拟配送中心0替代，摧毁后的可行解如图6(b)所示，按照规则修复后的染色体如图7(a)所示。完成该操作后，得到新解Si，若 obj(Si)≤obj(S0)，则更新S0。
S340、对S0中的每一个个体，首先选择当前解各车辆配送路径中距离成本最大的客户删除，客户k的距离成本Dk＝lik+lkj，lik是客户k与当前车辆访问的前一客户点i之间的距离，lkj是客户k与当前车辆访问的下一客户点j之间的距离，然后Step3中所述***方法进行***。如图6(c)所示，移除车辆配送路径中的客户6、2，并与所有无人机服务的客户一同放置到该条染色体尾部，并将所有配送中心以虚拟配送中心0替代，按照规则修复后的染色体如图7(b) 所示。完成该操作后，得到新解Si，若obj(Si)≤obj(S0)，则更新S0。
S350、判断gen是否大于等于Maxgen，若是则结束程序，否则令gen＝gen+1，并进入S330-S340循环。
下面通过具体的应用实例对本发明的方案和效果做进一步阐述。
由于本发明考虑因素较多，目前没有通用的算例集，根据问题的特点改进MDVRP标准算例P07得到本文算例。配送区域内有4个配送中心和100 个客户，配送中心与客户点的坐标数据由P07的数据缩小一倍得到，客户需求量在0～50kg内随机生成，使60％的客户需求量在0～5kg内，客户所需服务时长th＝2min。车辆搭载两架无人机在8:00时满电离开配送中心为客户执行配送服务，在i、j两节点间的行驶距离车辆整备质量为3t，最大载重质量为1.5t，电池容量为86KWh，电动车电池允许的最低荷电状态为20％，单位车辆派遣成本为500元，单位电价为0.6元/KWh，车辆能耗估算模型其他相关参数A＝4m2、δ＝1.04、ηT＝0.9、ηV＝0.92、ηm＝0.9。无人机由节点 i飞行至节点j的距离为/>无人机最大飞行距离为19km，承重能力为5kg，飞行速度为80km/h，放飞前准备时长为1min，返回车辆时降落所需操作时长为0.5min，单位距离飞行成本为0.3元/km。配送区域路网中有两种类型的道路，道路类型划分如图8所示，其中黑色线干道，未画出的路线表示支路，两种类型道路的车辆行驶速度的全天变化情况如图9所示。
为验证所设计算法求解本问题的稳定性，采用对比算法求解10次本文问题，求解结果如表1所示，其中n为派遣的车辆数，m为车辆搭载的无人机数量，T_cost为总配送成本，T_time为总配送时长，CPU为算法运行时长， Gap为优化结果较平均值的偏差。由表2可以看出，10次求解结果中，最优方案的总配送成本为2183.27元，总配送时长为15.61h，对应的配送方案如表2所示；10次求解结果所需派遣的车辆数均为4，平均配送成本为2187.58 元，平均总配送时长为15.72h，配送成本与配送时长的方差分别为9.58、0.10。由于本文问题考虑车辆行驶速度的平滑变化，通过求积分计算车辆在两节点间的行驶时间和电量消耗等，算法运行时间相较于求解传统VRP的耗时略长，算法运行时间在12min左右。可以看出，对于本文问题，所提算法能够稳定地收敛到较优解，且求解速度在可接受范围之内。
表1GA_LNS求解本文问题10次的运算结果
表2 10次运算结果中最优解对应的配送方案
注：黑色加粗字体为无人服务的客户点；[]内路径为无人机停留车辆上行驶的路径
为保证算例客户规模的多样性，分别求解了不同客户规模下的配送方案，不同规模的算例由上述问题随机选择相应的客户数量生成，采用本文所设计的算法求解10次，10次运算结果的平均派遣车辆数以及最优解、平均值、平均求解时间的统计结果如表3所示。由表3可以看出，相同客户规模下，客户位置分布及其需求量对配送方案的制定有着重要影响，如算例25-1、25-2 以及50-1、50-2在相同客户规模下，因客户位置分布及其需求量不同，所需派遣的车辆数不同，派遣成本也有明显差别。此外，随着客户规模的增大，算法求解耗时明显增长。算例50-1的配送路径如图10所示，其中实线、折线和点线为车辆、UAV1、UAV2配送路径。
表3GA_LNS求解不同客户规模算例的运算结果
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (4)
1.一种多中心电动车-无人机配送路径优化方法，其特征在于，包括：
S1、基于车辆行驶速度的连续变化构建电动车能耗计算模型，所述电动车能耗计算模型为：
其中，eijk为车辆k由节点i行驶至节点j的耗电量；m为车辆总质量，kg；g为重力加速度；f为滚动摩擦系数；CD为空气阻力系数；A为车辆正面面积，m2；δ为车辆旋转质量转换系数；a为车辆加速度，m/s2；ηT为车辆传动***传递效率；ηV为车辆逆变器的转换效率；ηm为车辆电机效率；v为车辆速度，km/h；P为电池的输出功率；
S2、以总配送成本最小化为目标建立时间依赖型多中心电动车-无人机协同配送路径优化模型，所述时间依赖型多中心电动车-无人机协同配送路径优化模型的目标函数为：
其中，决策变量xijk表示车辆k是否从节点i到节点j，节点i与j为车辆k路线中相邻的两个节点，是为1，否为0；c1为单位搭载无人机的车辆的派遣成本；c2为单位能耗成本；c3为单位距离飞行成本；为无人机每次执行配送任务的路径为(i,w,j)时，在i、j两节点间的飞行距离，决策变量/>表示在节点i车辆k搭载的无人机ku是否执行(i,w,j)操作，是为1，否为0；VL＝V0UV1为无人机起飞节点和执行循环配送任务后返回车辆的节点集合，为无人机执行非循环配送任务后返回车辆的节点集合，V0为车辆可离开的配送中心集合，V1为客户点集合，/>为无人机服务的客户点集合，V0 +为车辆可返回的配送中心集合，K为可用配送车辆集合，U为无人机集合；
S3、设计遗传大邻域搜索混合算法对所述时间依赖型多中心电动车-无人机协同配送路径优化模型进行求解，获得配送路径优化方案，包括：
基于构建的车辆与无人机协同配送模型构造初始解，并计算初始解的目标函数值，
对初始解中的每一个父代个体，随机选择各车辆路径中的一个客户进行可行解摧毁，并贪婪***重建可行解以获取子代个体；计算子代个体的目标函数值，当判断父代个体的目标函数值与子代个体的目标函数值满足预设关系时，将子代个体更新为新解，
对更新后的解中的每一个父代个体，选择各车辆配送路径中距离成本最大的客户删除进行可行解摧毁，并贪婪***重建可行解以获取子代个体；计算子代个体的目标函数值，当判断父代个体的目标函数值与子代个体的目标函数值满足预设关系时，将子代个体更新为新解，
循环执行可行解摧毁重建步骤，直至达到预设的优化次数后，获取最终配送路径方案。
2.根据权利要求1所述的多中心电动车-无人机配送路径优化方法，其特征在于，所述基于车辆行驶速度的连续变化构建电动车能耗计算模型，包括：
根据预先划分的配送区域路网道路类型，获取电动车的速度函数，所述速度函数随时间连续变化；
计算车辆在平缓公路上克服阻力前进所需的牵引力，并基于牵引力推导电动车电池的输出功率；
根据所述速度函数以及电动车电池的输出功率构建电动车能耗计算模型。
3.根据权利要求1所述的多中心电动车-无人机配送路径优化方法，其特征在于，所述建立的时间依赖型多中心电动车-无人机协同配送路径优化模型综合考虑配送区域路网交通信息，无人机最大飞行距离、承重能力，配送过程中电动车电池的荷电状态。
4.根据权利要求1所述的多中心电动车-无人机配送路径优化方法，其特征在于，所述遗传大邻域搜索混合算法为将两组摧毁和重建算子嵌入传统遗传算法而获取的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110529218.6A CN113177762B (zh) | 2021-05-14 | 2021-05-14 | 一种多中心电动车-无人机配送路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110529218.6A CN113177762B (zh) | 2021-05-14 | 2021-05-14 | 一种多中心电动车-无人机配送路径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177762A CN113177762A (zh) | 2021-07-27 |
| CN113177762B true CN113177762B (zh) | 2024-01-05 |
Family
ID=76929005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110529218.6A Active CN113177762B (zh) | 2021-05-14 | 2021-05-14 | 一种多中心电动车-无人机配送路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177762B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723675B (zh) * | 2021-08-20 | 2024-03-26 | 深圳依时货拉拉科技有限公司 | 一种零担揽件自动调度方法和计算机设备 |
| CN113723804B (zh) * | 2021-08-30 | 2023-08-22 | 合肥工业大学 | 考虑多无人机站点的车机协同配送方法及*** |
| CN114819785A (zh) * | 2022-01-25 | 2022-07-29 | 重庆邮电大学 | 一种基于强化学习的陆空联合轨迹优化与资源分配方法 |
| CN114881558B (zh) * | 2022-04-29 | 2023-04-18 | 清华大学 | 基于无人机与车辆协同的快递配送方法、装置及电子设备 |
| CN116645027B (zh) * | 2023-04-26 | 2024-01-30 | 中国民用航空飞行学院 | 基于alns框架的配送车-无人机协同配送路径规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782086A (zh) * | 2019-10-24 | 2020-02-11 | 山东师范大学 | 一种用于救援的带无人机车辆配送路径优化方法及*** |
| CN110956317A (zh) * | 2019-11-22 | 2020-04-03 | 东南大学 | 一种针对无人车和燃油车混合配送模式的建模与求解方法 |
| CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10692385B2 (en) * | 2017-03-14 | 2020-06-23 | Tata Consultancy Services Limited | Distance and communication costs based aerial path planning |
-
2021
- 2021-05-14 CN CN202110529218.6A patent/CN113177762B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
| CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
| CN110782086A (zh) * | 2019-10-24 | 2020-02-11 | 山东师范大学 | 一种用于救援的带无人机车辆配送路径优化方法及*** |
| CN110956317A (zh) * | 2019-11-22 | 2020-04-03 | 东南大学 | 一种针对无人车和燃油车混合配送模式的建模与求解方法 |
Non-Patent Citations (2)
| Title |
|---|
| An adaptive large neighborhood search heuristic for dynamic vehicle routing problems;Chen Shifeng, et al;COMPUTERS & ELECTRICAL ENGINEERINGCOMPUTERS & ELECTRICAL ENGINEERING;第67卷;第596-607页 * |
| 模糊需求与时间窗的车辆路径问题及混合遗传算法求解;范厚明;吴嘉鑫;耿静;李阳;;***管理学报(01);第107-118页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177762A (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113177762B (zh) | 一种多中心电动车-无人机配送路径优化方法 | |
| James et al. | Autonomous vehicle logistic system: Joint routing and charging strategy | |
| US10360519B2 (en) | Planning method of electric vehicle fast charging stations on the expressway | |
| Luo et al. | A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips | |
| Alesiani et al. | Optimization of charging stops for fleet of electric vehicles: A genetic approach | |
| CN112257999B (zh) | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 | |
| CN110751314A (zh) | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 | |
| He et al. | An adaptive variable neighborhood search ant colony algorithm for vehicle routing problem with soft time windows | |
| Erdelić et al. | Electric vehicle routing problem with single or multiple recharges | |
| CN107067136A (zh) | 电动汽车充电分配方法及装置 | |
| CN109934382A (zh) | 一种基于轴幅式布局的多级地铁货运网络***及建构方法 | |
| CN113593228A (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
| Wang et al. | Properties of train traffic flow in a moving block system | |
| 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*** | |
| 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 | |
| CN114971043B (zh) | 一种基于非欧拉回路的邮递员问题路径优化方法 | |
| Gallet et al. | Developing a large-scale microscopic model of electric public bus operation and charging | |
| Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
| Liu et al. | Electric vehicle routing problem with variable vehicle speed and soft time windows for perishable product delivery | |
| Bansal et al. | Performance evaluation and optimization of design parameters for electric vehicle-sharing platforms by considering vehicle dynamics | |
| WO2021144577A1 (en) | Vehicle routing | |
| Zhang et al. | Dynamic memory memetic algorithm for VRPPD with multiple arrival time and traffic congestion constraints | |
| Dalla Chiara et al. | Electrifying Buses for Public Transport: Boundaries with a Performance Analysis Based on Method and Experience | |
| CN115731748A (zh) | 航班跑道排序方法及存储介质 | |
| CN113487264B (zh) | 一种基于异构多无人机的物流配送方法及*** |
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 |