CN113487264B - 一种基于异构多无人机的物流配送方法及*** - Google Patents

一种基于异构多无人机的物流配送方法及*** Download PDF

Info

Publication number
CN113487264B
CN113487264B CN202110817056.6A CN202110817056A CN113487264B CN 113487264 B CN113487264 B CN 113487264B CN 202110817056 A CN202110817056 A CN 202110817056A CN 113487264 B CN113487264 B CN 113487264B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
solution
small unmanned
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110817056.6A
Other languages
English (en)
Other versions
CN113487264A (zh
Inventor
伍国华
文旭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110817056.6A priority Critical patent/CN113487264B/zh
Publication of CN113487264A publication Critical patent/CN113487264A/zh
Application granted granted Critical
Publication of CN113487264B publication Critical patent/CN113487264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/004—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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于异构多无人机的物流配送方法及***，所述方法包括运用改进的模糊C均值聚类算法进行配送任务点聚类；采用多种算法结合进行大型无人机路径规划；对每个聚类中的配送任务点采用动态规划算法进行小型无人机的路径规划；构建异构多无人机的总成本目标函数，计算最优解，生成最优调度方案并执行；大型无人机按照预先规划路径将装有包裹的若干架小型无人机送到指定的放飞点放飞后返航，小型无人完成所属聚类的所有配送任务后由自动机场回收进行充电。本发明基于大型无人机携带多架小型无人机的配送模式，克服了地面交通条件约束而使得配送过程受阻的问题，增强了物流配送的灵活性和机动性，降低了配送成本，提高了物流配送效率。

Description

一种基于异构多无人机的物流配送方法及***
技术领域
本发明属于物流配送领域，具体涉及一种基于异构多无人机的物流配送方法及***。
背景技术
得益于电子商务的快速发展，近年来我国快递业务量增幅明显，面对数目日益庞大的快递量，只有依托科技发展，研发和使用降低配送成本、提高效率的新技术，才能处理。目前，快递配送的很多环节，比如仓储、运输、分拣等，都实现了无人化。而与此同时，对提升物流服务质量有关键作用的“最后一公里”所产生的庞大的人力成本如何降低的问题也变得越来越突出，有待解决。
在降低“最后一公里”配送成本的探索上，已经有了一些较好的成果，快递柜就是其中之一。快递柜是从解决快递员和收货者时间不同步的问题出发发明的，不但为快递员节省了时间，还增加了快递投递过程的安全性。根据有关的统计数据发现，使用快递柜后，一件快递只需要30秒，大幅度节约了快递员的时间，提高了工作效率。
尽管快递柜已经为降低末端配送成本提供了很大的帮助，想要进一步降低人力成本，还必须实现“最后一公里”配送环节无人化在目前的无人机物流研究领域，车与无人机协同物流配送是近年来的研究热点。但在实际生产中存在效率低下的问题有待解决。因为车辆在运输中通常需要考虑如行驶里程和负载能力、路况条件等的约束。使用车辆运输会造成大气污染以及交通堵塞问题，不符合绿色低碳环保的消费理念。随着无人机技术的成熟，许多研究团队和企业开始对无人机配送表现出极大的兴趣，试图用无人机来解决配送难题。首先，无人机能够垂直起飞降落，占用的场地空间小，灵活性强；其次，无人机能够替代人进入到困难作业区域完成高难度任务；此外，无人机造价低，能够降低配送成本，具有多方面的优势，能够有效解决现代物流中的痛点问题。国外诸多物流企业，如亚马逊等企业已经开始研发有关配送包裹的无人机，用无人机解决物流运送问题已经是当前我国物流行业发展的必然趋势。
在以往的研究成果中，涉及多无人机的路径规划的问题一般都是作为一个整体来解决的，但这可能会降低解决效率，特别是对于大规模的问题。为了克服这一问题，在解决复杂路径规划问题时，一些研究团队开始把关注点放在求解框架的创新上。例如，Deng等人提出了异构对地观测资源的两阶段协调规划方法，包括区域目标分解和任务分配两个阶段；Ren等人建立了由底层的个体机器人和高层的管理者组成的层次结构框架，并通过与其他算法的比较验证了其有效性；Hu等人将层次结构应用于多无人机任务调度中。实验表明，层次结构中引入的算法能够很好地在求解质量和计算复杂度之间进行权衡与传统的物流配送方式相比，无人机配送具有明显的优势。
在现有的无人机配送研究成果中，多无人机的路径规划问题主要是作为一个整体来解决的，然而对于大规模的问题求解时间往往难以接受。为了克服这一问题，在解决复杂路径规划问题时，一些研究把关注点放在求解框架的创新上。Deng等人提出了异构对地观测资源的两阶段协调规划方法，包括区域目标分解阶段和任务分配阶段。Ren等人建立了由底层的个体机器人和高层的管理者组成的层次结构框架，并通过与其他算法的比较验证了其有效性。Cao等人和Hu等人将层次结构应用于多无人机任务调度中。实验表明，层次结构中引入的算法能够很好地在求解质量和计算复杂度之间进行权衡。
发明内容
本发明的第一目的在于提供一种基于异构多无人机的物流配送方法，包括以下步骤：
采用改进的模糊C均值聚类算法进行配送任务点聚类，对异构多无人机物流配送中的配送子任务进行划分；
确定大型无人机航迹点，采用带有禁忌列表的模拟退火算法结合变邻域搜素算法进行大型无人机的路径规划，大型无人机是指载重量在50Kg以上的无人机；
对每个聚类中的配送任务点采用动态规划算法进行小型无人机的路径规划，小型无人机，是指载重量在20kg以下的无人机；
以运输成本最小化为目标，构建异构多无人机的总成本目标函数，通过计算最优解，执行最优调度方案；
根据最优调度方案，大型无人机按照预先规划路径将装有包裹的若干架小型无人机送到指定的放飞点放飞后返航，小型无人机根据配送方案完成所属聚类的所有配送任务后由自动机场回收进行充电,自动机场是指能够发射、回收小型无人机，为小型无人机充电，具有存储货物、流转货物功能的固定装置。
具体地，配送任务点聚类过程包括初始化任务聚类和聚类任务调整：
初始化任务聚类的步骤为：
随机初始化k个聚类中心，计算每个客户到每个聚类中心的距离；
计算隶属度矩阵,隶属度计算公式为
Figure GDA0003754823380000031
其中xi表示第i个客户点，vj表示第j个聚类中心；
计算新的聚类中心，计算公式为
Figure GDA0003754823380000032
其中uij为步骤202隶属度，n为客户点数量，m为模糊因子；
判断客户点与聚类中心的距离是否大于小型无人机航程，调整聚类中心数量；
计算FCM(模糊C均值)目标函数值J，计算公式为
Figure GDA0003754823380000041
判断聚类目标函数值是否达到收敛的要求。
聚类任务调整的过程为：
判断每个聚类中所有客户点的配送距离是否满足小型无人机的约束条件。
移除算子调整：移除某个客户点,***到其他类所属的线路中；
交换算子调整：交换两个类中的客户点；
克隆算子调整：克隆历史最好解作为当前解；
输出任务点聚类图。
更进一步地，大型无人机的路径规划包括以下步骤：
建立大型无人机的路径规划模型；
确定大型无人机航迹点。大型无人机的航迹点即大型无人机对小型无人机的放飞点，采用聚类中心点；
使用变邻域搜索算法生成大型无人机主路径，舍弃不可行解；
根据目标函数的变化值，与模拟退火算法的规则，判断是否更新当前解；
根据禁忌搜索算法规则，更新禁忌列表；
输出大型无人机的路径规划图。
更进一步地，变邻域搜索算法包括以下步骤：
定义邻域结构集Nk(k＝1,…,kmax)和停止准则,设置k＝1，并给出初始解x；
在x的第k个邻域结构中随机产生x′，x′∈Nk(x)；
以x′为初始解,通过局部搜索获得的局部最优解x*；
判断局部最优解是否优于当前最优解，是则设置x＝x*，k＝1，否则设置k＝k+1；
从产生x′开始重复上述步骤。
模拟退火算法包括以下步骤：
随机产生初始解S，并定始温度T、每个T值的迭代次数L和终止温度T′；
通过扰动计算新解S′，并计算对应的目标函数；
计算新解与初始解所对应的目标函数的差，并用Metropolis准则判断新解S′是否接受新解，如果接受则更新初始解；
判断是否达到迭代次数和终止温度T′，如果满足则返回结果并结束，如果不满足则降低温度，从通过扰动计算新解S′起重复执行上述步骤。
具体地，禁忌搜索算法包括以下步骤：
步骤701，随机产生初始解，禁忌列表置为空；
步骤702，判断算法终止条件是否满足，满足则结束算法并输出优化结果，不满足则继续执行；
步骤703，通过当前解的邻域函数产生所有邻域解，并从中确定候选解；
步骤704，判断候选解是否满足藐视准则，若满足，用藐视准则的最佳状态替换当前解，并用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，若不满足，选择候选解集中非禁忌对象对应的最佳对象为当前解，用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，藐视准则的候选解是当前最佳解；
步骤705，跳转步骤702。
小型无人机的路径规划包括以下步骤：
建立小型无人机路径规划模型，
小型无人机的回收点确定；
使用动态规划方法，快速规划小型无人机配送路径；
输出小型无人机路径规划图。
本发明的第二目的在于提供一种基于异构多无人机的物流配送***，所述物流配送***包括大无人机、小无人机和自动机场，所述的大无人机用于运载小无人机，且能放飞小无人机，所述的小无人机用于携带配送货物，所述的自动机场用于接收和放飞小无人机，且提供无人机充电功能和货物存储流转功能，所述的物流配送***采用上述的物流配送方法。
优选地，所述大型无人机采用固定翼、多旋翼的无人机或者低空飞行的飞艇；所述大型无人机能源消耗形式以燃油为主，包括油电混合动力型。
优选地，所述小型无人机采用具有多个旋翼的无人机，包括三旋翼、四旋翼、六旋翼、八旋翼。
本发明一种基于异构多无人机的物流配送方法及***，基于一种大型无人机携带多架小型无人机的配送模式，一架小型无人机可以携带多个包裹在一次飞行中完成配送，且完成配送任务后不是返回大型无人机，而是由自动机场回收。通过这种方式，不但节约资源，而且可以克服无人机飞行时间的限制，不会因为地面交通条件约束而使得配送过程受阻，增强了物流配送的灵活性和机动性，进而实现降低配送成本，提高配送效率的目标。本发明通过构建异构多无人机分而治之的分层框架，将问题分解为任务聚类和大、小型无人机路径规划子问题，通过这种分解方式，将该VRP-D问题转换成了n个TSP子问题，该方法在处理大规模的多无人机路径规划问题时有较好的性能。
附图说明
图1为本发明中一种基于异构多无人机的物流配送方法的流程示意图；
图2是本发明中的初始化任务聚类流程示例图；
图3是本发明中的聚类任务调整流程示例图；
图4是本发明中的大型无人机路径规划方法流程示例图；
图5是本发明中的小型无人机路径规划方法流程示意图；
图6是本发明中的任务点聚类结果示例图；
图7是本发明中的大型无人机路径规划结果示例图；
图8是本发明中的小型无人机路径规划结果示意图；
图9是本发明实施例长沙市地图50个客户点位置分布示意图；
图10是本发明实施例两种计算方法下相关指标结果示意图；
图11是本发明与车+无人机两种配送模式成本对比示意图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
作为本发明的实施例1，参阅图1所示，为本发明实施例一种基于异构多无人机的物流配送方法的流程示意图。一种基于异构多无人机的物流配送方法，包括：
步骤1，采用改进的模糊C均值聚类算法进行配送任务点聚类，对异构多无人机物流配送中的配送子任务进行划分；
步骤2，确定大型无人机航迹点，采用带有禁忌列表的模拟退火算法结合变邻域搜素算法进行大型无人机的路径规划，大型无人机是指载重量在50Kg以上的无人机；
步骤3，对每个聚类中的配送任务点采用动态规划算法进行小型无人机的路径规划，小型无人机，是指载重量在20kg以下的无人机；
步骤4，以运输成本最小化为目标，构建异构多无人机的总成本目标函数，通过计算最优解，执行最优调度方案；
步骤5，根据最优调度方案，大型无人机按照预先规划路径将装有包裹的若干架小型无人机送到指定的放飞点放飞后返航，小型无人机根据配送方案完成所属聚类的所有配送任务后由自动机场回收进行充电,自动机场，是指能够发射、回收小型无人机，为小型无人机充电，具有存储货物、流转货物功能的固定装置。
进一步的，将配送任务点聚类过程包括初始化任务聚类和聚类任务调整，
参阅图2，初始化任务聚类的步骤为：
步骤201，随机初始化k个聚类中心，计算每个客户点到每个聚类中心的距离；
步骤202，计算隶属度矩阵,隶属度计算公式为
Figure GDA0003754823380000081
其中xi表示第i个客户点，vj表示第j个聚类中心；
步骤203，计算新的聚类中心，计算公式为
Figure GDA0003754823380000082
其中uij为步骤202隶属度；
步骤204，判断客户点与聚类中心的距离是否大于其航程，调整聚类中心数量；
步骤205，计算FCM目标函数值J，计算公式为
Figure GDA0003754823380000083
判断聚类目标函数值是否达到收敛的要求。
为了降低分配给不同无人机的任务数的差异，需要限制分配给每架小型无人机的任务数量。此外，从地图中得到的客户点坐标为经纬度坐标，需要转换为直角坐标形式再进行运算。
参阅图3，聚类任务调整的过程为：
步骤301，判断每个聚类中所有客户点的配送距离是否满足小型无人机的约束条件，每一架小型无人机分配的配送任务为某一类所有客户点，考虑到小型无人机的航程和载重量有限，分配到的客户点需要满足：
(1)客户点与放飞点的最大聚类不能大于小型无人机最大航程的一半
Figure GDA0003754823380000091
|Dk-Dl|<η,k,l∈U,k≠l (2)
其中，公式(1)表示同一聚类中两个点距离不能超过小型无人机最大续航里程的一半。公式(2)表示聚类任务的航程应尽量相近，如果差距过大则应该进行调整。
(2)该类客户点总的配送重量不能大于小型无人机的最大载重量
步骤302，移除算子调整：移除某个客户点,***到其他类所属的线路中；
步骤303，交换算子调整：交换两个类中的客户点；
步骤304，克隆算子调整：克隆历史最好解作为当前解；
步骤305，输出任务点聚类图。
进一步的，参阅如图4，大型无人机路径的规划包括以下步骤：
步骤401，建立大型无人机的路径规划模型，包括建立大型无人机的路径规划的目标函数与约束条件。
大型无人机的路径规划的目标函数为最小航程：
Figure GDA0003754823380000092
大型无人机的路径规划的约束条件为：
Figure GDA0003754823380000093
Figure GDA0003754823380000094
Figure GDA0003754823380000095
其中，公式(4)和(5)表示每个聚类大型无人机只访问一次。公式(6)表示大型无人机必须访问完所有聚类。
步骤402，确定大型无人机航迹点。大型无人机的航迹点即大型无人机对小型无人机的放飞点，采用聚类中心点；
步骤403，使用变邻域搜索算法生成大型无人机主路径，舍弃不可行解；
步骤404，根据目标函数的变化值，与模拟退火算法的规则，判断是否更新当前解；
步骤405，根据禁忌搜索算法规则，更新禁忌列表；
步骤406，输出大型无人机的路径规划图。
进一步的，变邻域搜索算法包括以下步骤：
步骤501，定义邻域结构集Nk(k＝1,…,kmax)和停止准则,设置k＝1，并给出初始解x；
步骤502，在x的第k个邻域结构中随机产生x′(x′∈Nk(x))；
步骤503，以x′为初始解,通过局部搜索获得的局部最优解x*；
步骤504，判断局部最优解是否优于当前最优解，是则设置x＝x*，k＝1，否则设置k＝k+1；
步骤505，跳转到步骤502。
进一步的，模拟退火算法包括以下步骤：
步骤601，随机产生初始解S，并定始温度T、每个T值的迭代次数L和终止温度T′；
步骤602，通过扰动计算新解S′，并计算对应的目标函数；
步骤603，计算新解与初始解所对应的目标函数的差，并用Metropolis准则判断新解S′是否接受新解，如果接受则更新初始解；
步骤604，判断是否达到迭代次数和终止温度T′，如果满足则返回结果并结束，如果不满足则降低温度，跳转到步骤502。
进一步的，禁忌搜索算法包括以下步骤：
步骤701，随机产生初始解，禁忌列表置为空；
步骤702，判断算法终止条件是否满足，满足则结束算法并输出优化结果，不满足则继续执行；
步骤703，通过当前解的邻域函数产生所有邻域解，并从中确定候选解；
步骤704，判断候选解是否满足藐视准则，若满足，用藐视准则的最佳状态替换当前解，并用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，若不满足，选择候选解集中非禁忌对象对应的最佳对象为当前解，用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，藐视准则为候选解是当前最佳解；
步骤705，跳转步骤702。
进一步的，参阅图5，小型无人机的路径规划包括以下步骤：
步骤801，建立小型无人机路径规划模型，建立小型无人机路径规划的目标函数与约束条件。
小型无人机路径规划的目标函数为单个小型无人机执行配送任务的最小航程：
Figure GDA0003754823380000111
小型无人机路径规划的约束条件为：
Figure GDA0003754823380000112
Figure GDA0003754823380000113
Figure GDA0003754823380000121
Figure GDA0003754823380000122
Figure GDA0003754823380000123
其中，公式(8)和(9)表示每个客户点只访问一次。公式(10)表示小型无人机总航程不能超过最大航程。公式(11)表示小型无人机携带货物总重不能超过最大载重。公式(12)表示小型无人机配送货物消耗的电量不能超过最大储电量。
步骤802，小型无人机的回收点确定，小型无人机在自动机场充电后再由大型无人机回收目标函数：
Figure GDA0003754823380000124
大型无人机的路径规划航程最小的总目标函数：
Figure GDA0003754823380000125
其中，公式(13)表示小型无人机回收阶段的目标函数。公式(14)表示大型无人机的路径规划的总目标函数。
步骤803，使用动态规划方法，快速规划小型无人机配送路径；
步骤804，输出小型无人机路径规划图。
作为本发明的实施例2，一种基于异构多无人机***的物流配送***，所述物流配送***包括大无人机、小无人机和自动机场，所述的大无人机用于运载小无人机，且能放飞小无人机，所述的小无人机用于携带配送货物，所述的自动机场用于接收和放飞小无人机，且提供无人机充电功能和货物存储流转功能，所述的物流配送***采用前述的物流配送方法。
进一步地，所述大型无人机采用固定翼、多旋翼的无人机或者低空飞行的飞艇；所述大型无人机能源消耗形式以燃油为主，包括油电混合动力型。
进一步地，所述小型无人机采用具有多个旋翼的无人机，包括三旋翼、四旋翼、六旋翼、八旋翼。
本发明的实施例中，通过异构多无人机协同配送的实际应用场景，对本发明的聚类算法、大、小无人机路径规划求解算法的有效性进行验证，其次生成20个随机算例分别用异构多无人机协同算法和Gurobi求解器求解并对结果进行对比，最后用相同的算例分别用货车与无人机协同配送模式与本发明进行计算和对比。
1、参数设置
实验参数的设置会对最后计算的目标函数值产生直接影响，无论是判别算法性能的好坏，还是确认配送模式是否有效，均需要通过比较所计算的目标函数值来判断，因此，进行实验时需要设置合适的参数值来保证方案的目标值的合理性。本实施例采用Deville等人在为最小费用TSP-D问题设计优化算法时的参数设置，假设大无人机单位行驶距离费用是无人机的25倍，无人机单位行驶距离成本为0.2。二者在行驶速度方面根据实际设定，大无人机平均行驶速度为50公里/时，无人机速度设为70公里/时。
2、数据集
(1)真实配送算例数据
以长沙市实际路网为例，在长沙市地图中选择50个坐标点作为配送客户点进行仿真实验，如图9所示。
(2)随机生成算例数据
模拟实际配送距离，随机生成20个算例数据。每个算例包含50个客户点，使用本发明提出的异构多无人机配送形式进行仿真实验。
3、对比方法
对比本发明的有效性的核心问题是确定该算法求解出的结果是否与最优结果差距过大，若过大则表示该算法效果不佳，所规划出的路径方案在实际中并不会显著降低配送成本。故在实验对比中，一是将随机生成的20个算例分别通过本问题的算法和Gurobi求解器进行求解，得到两种算法计算的运输成对比。二是对两种计算方法下大无人机路径长度相差比率、小无人机路径长度相差比率、配送成本相差比率进行比较。三是分别计算异构多无人机协同物流配送模式与货车+无人机配送模式在随机生成的20个算例下的配送成本，其中货车+无人机配送成本计算参考了以往研究货车+无人机协同运送包裹问题设计的算法，将二者结果进行对比，验证前者是否能降低配送成本，
4、评估方法
(1)通过聚类目标函数值、大、小型无人机的路径规划目标函数值是否快速收敛来判断聚类算法的有效性；
(2)通过本发明运用的算法和Gurobi求解器求解进行运输成本、大型无人机路径长度相差比率、小型无人机路径长度相差比率、配送成本相差比率进行比较，判断本发明求解出的结果是否与最优结果差距过大，若过大则表示该算法效果不佳，所规划出的路径方案在实际中并不会显著降低配送成本。
(3)对比本发明的物流配送模式与货车+无人机配送模式的配送成本，将二者结果进行对比，验证前者是否能降低配送成本。
5、评价
聚类实验结果如图6所示，大无人机路径规划结果如图7所示，小型无人机规划结果如图8所示，目标函数值均能够快速收敛，证明了本发明算法的有效性。
本法明和Gurobi求解器进行求解得到两种算法计算的运输成本如表1所示，大型无人机路径长度相差比率、小型无人机路径长度相差比率、配送成本相差比率如图10所示，根据实验结果分析，针对20个算例使用两种方式分别求解，在规划大型无人机路径时两个计算方法平均相差比率为1.575％；在规划小型无人机路径时两个计算方法平均相差比率为1.394％，最终配送成本相差比率为1.542％。经对比分析可知，本发明算法得出的结果优于Gorubi求解器，与最优解差距较小，且计算每个算例仅需1至2秒。使用Gorubi求解器难以直接对涉及较多节点的问题进行求解，且计算时每个算例花费时间均较长，时间代价较大。
表1两种计算方法配送成本对比
Figure GDA0003754823380000151
本发明的配送方法与货车+无人机的配送方法两种方法的成本比较如表2和图11所示，从实验结果可知，相比货车+无人机配送模式，本发明的配送方法平均减少配送成本19.36％，标准差为0.024，降低成本效果非常显著。
表2两种配送方法成本比较
Figure GDA0003754823380000161
综上所述，本发明一种基于异构多无人机的物流配送方法，无人机不受路网环境限制，在实际飞行时的飞行距离往往较货车短，从而消耗的成本就少，相比以往的配送形式具有明显的优势。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (8)

1.一种基于异构多无人机的物流配送方法,其特征在于，包含以下步骤：
步骤1，采用改进的模糊C均值聚类算法进行配送任务点聚类，对异构多无人机物流配送中的配送子任务进行划分；
步骤2，确定大型无人机航迹点，采用带有禁忌列表的模拟退火算法结合变邻域搜素算法进行大型无人机的路径规划，所述大型无人机是指载重量在50Kg以上的无人机；
步骤3，对每个聚类中的配送任务点采用动态规划算法进行小型无人机的路径规划，所述小型无人机，是指载重量在20kg以下的无人机；
步骤4，以运输成本最小化为目标，构建异构多无人机的总成本目标函数，通过计算最优解，执行最优调度方案；
步骤5，根据最优调度方案，所述大型无人机按照预先规划路径将装有包裹的若干架小型无人机送到指定的放飞点放飞后返航，所述小型无人机根据配送方案完成所属聚类的所有配送任务后由自动机场回收进行充电,所述自动机场，是指能够发射、回收小型无人机，为小型无人机充电，具有存储货物、流转货物功能的固定装置；
所述大型无人机的路径规划,包括以下步骤：
步骤401，建立大型无人机的路径规划模型，所述的大型无人机的路径规划模型的目标函数为最小航程，约束条件包括：每个聚类大型无人机只访问一次，每次放飞一架小型无人机，大型无人机必须访问完所有聚类；
步骤402，确定大型无人机航迹点，大型无人机的航迹点即大型无人机对小型无人机的放飞点，采用聚类中心点；
步骤403，使用变邻域搜索算法生成大型无人机主路径，舍弃不可行解；
步骤404，根据目标函数的变化值，与模拟退火算法的规则，判断是否更新当前解；
步骤405，根据禁忌搜索算法规则，更新禁忌列表；
步骤406，输出大型无人机的路径规划图；
所述小型无人机的路径规划包括以下步骤：
步骤801，建立小型无人机路径规划模型，所述的小型无人机路径规划模型的目标函数为单个小型无人机执行配送任务的最小航程，约束条件包括：每个客户点只访问一次，小型无人机总航程不能超过最大航程，小型无人机携带货物总重不能超过最大载重，小型无人机配送货物消耗的电量不能超过最大储电量；
步骤802，小型无人机的回收点确定，小型无人机在自动机场充电后再由大型无人机回收；
步骤803，使用动态规划方法，快速规划小型无人机配送路径；
步骤804，输出小型无人机路径规划图。
2.根据权利要求1所述基于异构多无人机的物流配送方法，其特征在于，所述配送任务点聚类过程包括初始化任务聚类和聚类任务调整，
初始化任务聚类的步骤为：
步骤201，随机初始化k个聚类中心，计算每个客户点到每个聚类中心的距离；
步骤202，计算隶属度矩阵,隶属度计算公式为：
Figure FDA0003725464990000021
其中xi表示第i个客户点，vj表示第j个聚类中心；
步骤203，计算新的聚类中心，计算公式为
Figure FDA0003725464990000022
其中uij为步骤202所述隶属度，n为客户点数量，m为模糊因子；
步骤204，判断客户点与聚类中心的距离是否大于小型无人机航程，调整聚类中心数量；
步骤205，计算FCM目标函数值J，计算公式为
Figure FDA0003725464990000031
判断聚类目标函数值是否达到收敛的要求；
所述聚类任务调整的过程为：
步骤301，判断每个聚类中所有客户点的配送距离是否满足小型无人机的约束条件；
步骤302，移除算子调整：移除某个客户点,***到其他类所属的线路中；
步骤303，交换算子调整：交换两个类中的客户点；
步骤304，克隆算子调整：克隆历史最好解作为当前解；
步骤305，输出任务点聚类图。
3.根据权利要求1所述基于异构多无人机的物流配送方法，所述变邻域搜索算法包括以下步骤：
步骤501，定义邻域结构集Nk和停止准则,k＝1,…,kmax，设置k＝1，并给出初始解x；
步骤502，在x的第k个邻域结构中随机产生x′,x′∈Nk(x)；
步骤503，以x′为初始解,通过局部搜索获得的局部最优解x*；
步骤504，判断局部最优解是否优于当前最优解，是则设置x＝x*，k＝1，否则设置k＝k+1；
步骤505，跳转到步骤502。
4.根据权利要求1所述基于异构多无人机的物流配送方法，所述模拟退火算法包括以下步骤：
步骤601，随机产生初始解S，并定始温度T、每个T值的迭代次数L和终止温度T′；
步骤602，通过扰动计算新解S′，并计算对应的目标函数；
步骤603，计算新解与初始解所对应的目标函数的差，并用Metropolis准则判断新解S′是否接受新解，如果接受则更新初始解；
步骤604，判断是否达到迭代次数和终止温度T′，如果满足则返回结果并结束，如果不满足则降低温度，跳转到步骤502。
5.根据权利要求4所述基于异构多无人机的物流配送方法，所述禁忌搜索算法包括以下步骤：
步骤701，随机产生初始解，禁忌列表置为空；
步骤702，判断算法终止条件是否满足，满足则结束算法并输出优化结果，不满足则继续执行；
步骤703，通过当前解的邻域函数产生所有邻域解，并从中确定候选解；
步骤704，判断候选解是否满足藐视准则，若满足，用藐视准则的最佳状态替换当前解，并用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，若不满足，选择候选解集中非禁忌对象对应的最佳对象为当前解，用与之对应的禁忌对象替换最早进入禁忌表的禁忌对象，满足藐视准则的候选解是当前最佳解；
步骤705，跳转步骤702。
6.一种基于异构多无人机***的物流配送***，其特征在于，所述物流配送***包括大无人机、小无人机和自动机场，所述的大无人机用于运载小无人机，且能放飞小无人机，所述的小无人机用于携带配送货物，所述的自动机场用于接收和放飞小无人机，且提供无人机充电功能和货物存储流转功能，所述的物流配送***采用权利要求1-5任一所述的物流配送方法。
7.根据权利要求6所述的一种基于异构多无人机***的物流配送***，所述大型无人机采用固定翼、多旋翼的无人机或者低空飞行的飞艇；所述大型无人机能源消耗形式以燃油为主，包括油电混合动力型。
8.根据权利要求6所述的一种基于异构多无人机***的物流配送***，所述小型无人机采用具有多个旋翼的无人机，包括三旋翼、四旋翼、六旋翼、八旋翼。
CN202110817056.6A 2021-07-20 2021-07-20 一种基于异构多无人机的物流配送方法及*** Active CN113487264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110817056.6A CN113487264B (zh) 2021-07-20 2021-07-20 一种基于异构多无人机的物流配送方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110817056.6A CN113487264B (zh) 2021-07-20 2021-07-20 一种基于异构多无人机的物流配送方法及***

Publications (2)

Publication Number Publication Date
CN113487264A CN113487264A (zh) 2021-10-08
CN113487264B true CN113487264B (zh) 2022-09-02

Family

ID=77941538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110817056.6A Active CN113487264B (zh) 2021-07-20 2021-07-20 一种基于异构多无人机的物流配送方法及***

Country Status (1)

Country Link
CN (1) CN113487264B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115185303B (zh) * 2022-09-14 2023-03-24 南开大学 用于国家公园及自然保护地的无人机巡护路径规划方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106969778A (zh) * 2017-02-28 2017-07-21 南京航空航天大学 一种多无人机协同施药的路径规划方法
CN110046857A (zh) * 2019-04-23 2019-07-23 南京邮电大学 一种基于遗传算法的无人机物流***及配送方法
CN110580606A (zh) * 2019-09-12 2019-12-17 东方钢铁电子商务有限公司 铁路运输数据的匹配方法
CN111882099A (zh) * 2020-05-11 2020-11-03 武汉理工大学 一种基于变邻域并行退火算法的物流配送路径规划方法
CN112016812A (zh) * 2020-08-06 2020-12-01 中南大学 多无人机任务调度方法、***及存储介质
CN112071122A (zh) * 2020-07-17 2020-12-11 西安爱生无人机技术有限公司 一种用于信息采集的无人机群路径规划方法
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN112733272A (zh) * 2021-01-13 2021-04-30 南昌航空大学 一种解决带软时间窗的车辆路径问题的方法
CN113112031A (zh) * 2021-03-03 2021-07-13 河北科技大学 一种基于模拟退火算法的无人机任务分配方法
WO2022077954A1 (zh) * 2020-10-14 2022-04-21 国防科技大学 一种基于双充电模式的无人机路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984347B2 (en) * 2014-12-30 2018-05-29 Frank Dreano, JR. System and method for enhancing distribution logistics and increasing surveillance ranges with unmanned aerial vehicles and a dock network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106969778A (zh) * 2017-02-28 2017-07-21 南京航空航天大学 一种多无人机协同施药的路径规划方法
CN110046857A (zh) * 2019-04-23 2019-07-23 南京邮电大学 一种基于遗传算法的无人机物流***及配送方法
CN110580606A (zh) * 2019-09-12 2019-12-17 东方钢铁电子商务有限公司 铁路运输数据的匹配方法
CN111882099A (zh) * 2020-05-11 2020-11-03 武汉理工大学 一种基于变邻域并行退火算法的物流配送路径规划方法
CN112071122A (zh) * 2020-07-17 2020-12-11 西安爱生无人机技术有限公司 一种用于信息采集的无人机群路径规划方法
CN112016812A (zh) * 2020-08-06 2020-12-01 中南大学 多无人机任务调度方法、***及存储介质
WO2022077954A1 (zh) * 2020-10-14 2022-04-21 国防科技大学 一种基于双充电模式的无人机路径规划方法
CN112560921A (zh) * 2020-12-10 2021-03-26 百维金科(上海)信息科技有限公司 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法
CN112733272A (zh) * 2021-01-13 2021-04-30 南昌航空大学 一种解决带软时间窗的车辆路径问题的方法
CN113112031A (zh) * 2021-03-03 2021-07-13 河北科技大学 一种基于模拟退火算法的无人机任务分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卡车和无人机联合运输下的末端配送算法研究;承琦等;《物流工程与管理》;20200315(第03期);第68-71页 *
基于禁忌搜索算法的物流***车辆路径优化;郝群茹等;《科学技术与工程》;20191208(第34期);第404-410页 *

Also Published As

Publication number Publication date
CN113487264A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Macrina et al. Drone-aided routing: A literature review
Schermer et al. A b ranch‐and‐cut approach and alternative formulations for the traveling salesman problem with drone
CN110428111A (zh) Uav/ugv协同长时多任务作业轨迹规划方法
Adamo et al. Path and speed optimization for conflict-free pickup and delivery under time windows
CN113592248B (zh) 航空货运网络的规划方法、***、电子设备及存储介质
Remer et al. The multi-objective dynamic traveling salesman problem: Last mile delivery with unmanned aerial vehicles assistance
CN113487264B (zh) 一种基于异构多无人机的物流配送方法及***
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及***
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
CN114971043B (zh) 一种基于非欧拉回路的邮递员问题路径优化方法
CN114911255A (zh) 一种面向通信中继保障的异构多无人机协同航迹规划方法
CN115079701A (zh) 一种无人车与无人机协同的路径规划方法
Yang et al. Multi-base multi-UAV cooperative patrol route planning novel method
Luo et al. Multi-objective optimization algorithm with adaptive resource allocation for truck-drone collaborative delivery and pick-up services
Du et al. AI-based energy-efficient path planning of multiple logistics UAVs in intelligent transportation systems
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***
CN113706081A (zh) 基于城市屋顶自动快递装置的无人机取送货***和方法
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
CN117032298A (zh) 卡车无人机同步运行协同配送模式下的无人机任务分配规划方法
Xi et al. Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing
Ni et al. An Improved Cooperative Control Method for Hybrid Unmanned Aerial‐Ground System in Multitasks
Zhang et al. Joint Optimization of Deployment and Flight Planning of Multi-UAVs for Long-distance Data Collection from Large-scale IoT Devices
Zhang et al. Cooperative Route Planning for Fuel-constrained UGV-UAV Exploration
Deng et al. Multi-Drone Parcel Delivery via Public Vehicles: A Joint Optimization Approach
CN114020027A (zh) 一种动态服务时间的无人机联合配送路径优化方法

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
GR01 Patent grant
GR01 Patent grant