CN113706081A - 基于城市屋顶自动快递装置的无人机取送货***和方法 - Google Patents
基于城市屋顶自动快递装置的无人机取送货***和方法 Download PDFInfo
- Publication number
- CN113706081A CN113706081A CN202111010035.XA CN202111010035A CN113706081A CN 113706081 A CN113706081 A CN 113706081A CN 202111010035 A CN202111010035 A CN 202111010035A CN 113706081 A CN113706081 A CN 113706081A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- warehouse
- aerial vehicle
- task
- points
- 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 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 117
- 238000005457 optimization Methods 0.000 claims description 25
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- QQFBQBDINHJDMN-UHFFFAOYSA-N ethyl 2-trimethylsilylacetate Chemical compound CCOC(=O)C[Si](C)(C)C QQFBQBDINHJDMN-UHFFFAOYSA-N 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0836—Recipient pick-ups
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (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)
Abstract
本发明公开了基于城市屋顶自动快递装置的无人机取送货***和方法,方法包括步骤:获取多仓库、多无人机、多客户点的位置信息和取送货信息;设计多中心、多客户点、多无人机的综合调度问题;给单中心分配初始任务,并根据多种领域算子进行任务重分配;根据多种邻域算子为每个仓库找到完成任务的路径规划方案;不断迭代交互以上步骤,寻找全局最优解,直到直到满足算法终止条件为止;根据全局最优解分配多无人机从多仓库和多客户点进行取送货。本发明充分利用城市的空余空间;无人机途中可直线飞行,取送效率高;避免与传统取送货进行空间积压和排队的竞争;与现有算法相比,本发明可在合理的时间内生成高质量的调度方案。
Description
技术领域
本发明属于物流技术领域,尤其涉及基于城市屋顶自动快递装置的无人机 取送货***和方法。
背景技术
目前无人机应用于包裹配送问题的研究大多聚焦在独立使用无人机或者 卡车+无人机的模式,大多数技术方案聚焦于解决包裹配送问题,但是随着网 上购物的增多,退货、换货等服务导致的逆向物流却缺乏科学的解决方法,很 少有技术方案在考虑包裹配送的同时考虑包裹的取件问题;较多技术方案利用 无人机解决最后一公里的包裹都采用卡车+无人机的模式,未出现本发明所述 的自动存取设备+无人机的形式,且在求解无人机取送包裹问题上相关技术方 案算法都采用整体解决的方式。在求解大规模任务调度问题上,经典启发式算 法和元启发式算法生成的解决方案不令人满意,难以在合理的时间内生成较为 满意的解。
发明内容
有鉴于此,本发明研究了一种全新的模式,它将无人机(UAV)应用到同 时考虑取货和送货的最后一公里物流场景,这种方案将取送货点设置在楼顶, 可以让客户尽可能方便的取件和寄件,提高最后一公里的自动化程度。自动存 储设备的完善和无人机技术的成熟为本发明提供了技术支撑。在这种模式中, 我们利用楼顶设置多个可自动存取包裹的仓库,根据欧式距离将客户点分配到 各个仓库下,再利用无人机群同时完成包裹的取和送,这是一个mutil-drone parallel scheduling traveling salesman problem(mD-PSTSP)。这里可视为考虑航 程、载重等多个约束的多中心、多客户点、多无人机的取送包裹任务调度问题。
本发明构建了多仓库、多无人机、多客户点包裹取送问题的混合整数线性 规划模型,提出了两阶段优化框架帮助解决原问题,最后设计了SATO-SVND 算法,该方法在处理大规模任务分配和路径规划问题上表现出较好的性能。
本发明第一方面公开的基于城市屋顶自动快递装置的无人机取送货***, 其特征在于,自动快递装置设置于城市屋顶,利用城市空余空间,便于无人机 直线飞行,避免与传统取送货***空间积压和排队的竞争,***包括:
数据输入模块,获取多仓库、多无人机、多客户点的位置信息和取送货信 息,所述客户点为设置在屋顶的自动货物快递装置;
调度模块,设计基于无人机包裹取送、无人机载重与航程的多中心、多客 户点、多无人机的综合调度问题;
任务分配模块,给单中心分配初始任务,并根据多种领域算子进行任务重 分配;
路径规划模块,根据多种邻域算子为每个仓库找到完成任务的路径规划方 案;
优化模块,不断迭代调度任务分配模块和路径规划模块,寻找全局最优解, 直到直到满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成 满足约束条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上 再进行局部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索 的结果;
取送货模块,根据全局最优解分配多无人机从多仓库和多客户点进行取 送货。
进一步地,无人机在装卸货物后前往下一个客户点或仓库,或在楼顶自动 更换电池;对于只取货的客户点,安排一架无人机从仓库出发去客户点取货, 然后返回仓库;对于只送货的客户点,安排一架无人机从仓库装载货物出发前 往客户点送货,送货结束后无人机选择前往下一个客户点取货然后返回仓库, 或者选择直接返回就近仓库;对于同时有取货和送货任务的客户点,安排一架 无人机从仓库出发送货,卸货后在该客户点取货,然后返回仓库。
进一步地,任务分配模块根据客户点的任务类型将任务分成三类,把只有 取货需求没有送货需求的任务点存入PICKUP集合内,把只有送货需求且没有 取货需求的任务点存入DROP集合内,把有送货需求且有取货需求的任务点 存入PICK-DROP集合内;任务分类完成后,将PICKUP、DROP和PICK-DROP 集合内的任务点,采用k-means算法生成考虑地理位置的初始任务分配方案。
进一步地,所述邻域算子包括2-exchange、3-exchange、30%-exchange、Relocation、Other-relocation和10%-relocation。
进一步地,所述2-exchange算子操作方法为:在已规划好的路径内随机 选择一个仓库下的两个任务点i,j(i,j∈Pickup),将两个客户点i,j的位置 互换;所述3-exchange算子操作方法为:在已规划好的路径中随机选择一个 仓库下的三个客户点i,j,k(i,j,k∈Pickup),然后将i,j,k三点的位置 随机交换;所述30%-exchange算子具体操作为:在已规划的路径中随机选择 30%的客户点,然后随机打乱这些客户点的顺序。
进一步地,所述Relocation算子具体操作方法是:在a仓库中随机选择一 个客户点i(i∈PICKUP),在b仓库已有的路径规划方案中随机选择一个*** 点,按照模型约束条件,将此客户点i迁移到b仓库路径规划方案中;所述 Other-relocation具体操作方法是:在分配给a仓库的所有任务中选择一个客户 点i(i∈PICKUP∪PICK-DROP),按照模型约束条件,将客户点i随机插 入b仓库的路径调度方案中执行;所述10%-relocation具体的操作方法是:每 次随机选择一个仓库,根据客户点与仓库的距离,迁移距离该仓库最远的客户 点,迁移客户点数量为仓库总客户点的20%。
进一步地,路径规划模块生成初始解S0,具体步骤如下:
生成所有仓库的任务分配方案:对于分配给每个仓库的任务,按照任务的 特点将其分成只取货、只送货、同时有取货和送货任务三类,分别存入Gk-pick、 Gk-drop、Gk-pick&drop三个集合中,初始化集合存储仓库k的任务序 列;随机取出Gk-drop集合内的任务点存入Pk,然后随机取出Gk-pick集合内的 任务点存入Pk,最后将Gk-pick&drop集合内的任务点按顺序存入Pk;所有仓库 的任务序列放在一起得到处理后的任务分配方案;
进行路径规划:在构造初始解时,先把DROP集合和PICK-DROP集合内 的任务点分派给不同的无人机,然后将PICKUP类型的任务点随机分配给已经 分配了DROP任务的无人机或重新分派一台新的无人机执行;基于任务分配 方案构造多个不同的路径规划方案,根据贪婪原则选出最小成本的方案作为初 始解。
进一步地,根据初始解重新规划每个仓库下的无人机路径调度方案,具体 步骤如下:
计算新解的成本如果新解的成本小于初始解的成本cost(s0),则 接受新解否则以一定的概率接受新解同时把赋值给如果不满足 上述两种情况,则把初始解s0赋值给将存入解空间S中,更新s0和cost(s0) 的值;
进一步地,在当前最优调度方案中随机选择一个仓库,对这个仓库的调度 方案进行局部搜索,具体包括以下步骤:
将选中仓库需要执行的客户点进行分类:只取货的客户点归类到s1k-pick; 只送货的客户点归类到s1k-drop;同时有取货和送货任务的客户点归类到 s1k-pick&drop;当s1k-pick和s1k-drop都不是空集时,将s1k-pick内无人机从仓 库出发去客户点取货然后返回仓库的客户点归类到pick1,将s1k-drop集合内无 人机从仓库出发去客户点送货然后返回仓库的客户点归类到drop1;
从pick1和drop1两个集合中分别随机选择一个只取货客户点p1、只送货客 户点d1,将这两个原本分派给两个无人机完成的任务合并,由一架无人机完成。
本发明第二方面公开的基于城市屋顶自动快递装置的无人机取送货方法, 应用于上述的***,包括以下步骤:
获取多仓库、多无人机、多客户点的位置信息和取送货信息;
设计基于无人机包裹取送、无人机载重与航程的多中心、多客户点、多无 人机的综合调度问题;
任务分配阶段:给单中心分配初始任务,并根据多种领域算子进行任务重 分配;
路径规划阶段:根据多种邻域算子为每个仓库找到完成任务的路径规划方 案;
不断迭代交互步骤任务分配阶段和路径规划阶段,寻找全局最优解,直到 直到满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成满足 约束条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上再进 行局部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索的结 果;
根据全局最优解分配多无人机从多仓库和多客户点进行取送货。
本发明的有益效果如下:
充分利用城市的空余空间;
途中可以进行直线飞行,取送效率高;
避免了与传统取送货进行空间积压和排队的竞争;
与6种启发式与非启发式算法相比,本发明在合理的时间内生成高质量的 调度方案,在求解质量和时间效率方面优于其他几种启发式和元启发式算法。
附图说明
图1为本发明的基于两阶段优化和迭代的无人机取送货方法流程图;
图2为本发明的无人机取送货***示意图;
图3为本发明的编码方式;
图4为本发明的2-exchange示意图;
图5为本发明的10%-relocation分配前示意图;
图6为本发明的10%-relocation分配后示意图;
图7为本发明的局部搜索示意图;
图8为不同算法与本发明的SATO-SVND收益对比图;
图9为不同算法的结果图;
图10为不同算法运行时间对比;
图11为本发明使用的测试点地图标记;
图12为本发明的迭代下降曲线图。
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。
如图1所示,本发明公开的基于两阶段优化和迭代的无人机取送货***, 包括以下步骤:
数据输入模块获取多仓库、多无人机、多客户点的位置信息和取送货信息;
调度模块设计基于无人机包裹取送、无人机载重与航程的多中心、多客户 点、多无人机的综合调度问题;
任务分配模块:给单中心分配初始任务,并根据多种领域算子进行任务重 分配;
路径规划模块:根据多种邻域算子为每个仓库找到完成任务的路径规划方 案;
优化模块:不断迭代交互任务分配阶段和路径规划阶段,寻找全局最优解, 直到直到满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成 满足约束条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上 再进行局部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索 的结果;
取送货模块:根据全局最优解分配多无人机从多仓库和多客户点进行取送 货。
以下部分具体说明本发明的原理。
问题假设
面向最后一公里的无人机取送货***由多无人机和多自动存取装置构成。 假设城市里分布多个无人机物流中心,每个中心有多架无人机,每个无人机物 流中心可作为一个仓库。将城市小区楼顶作为货物的投送和取送点,每个取/ 送点视为一个客户点。在楼顶配置自动存储设备和自动货物装卸装置,无人机 可以在仓库装卸货物后前往下一个地点。同时,无人机可以在楼顶自动更换电 池,换下来的电池在楼顶进行充电,从而提高运送效率和无人机航程。
如图2所示,本发明有多个客户点、多个仓库、多个无人机。在图2中, 无人机有多种路线,如无人机可以从仓库装载货物送往客户点,在客户点卸货 后,无人机可选择返回最近的仓库或者前往下一个客户点;无人机可以从仓库 出发前往客户点取货,然后返回仓库;无人机可以从仓库装载货物送往客户点, 假如该客户点有取货的任务,则该无人机在该客户点卸货后再装货,然后返回 仓库。可将该问题视为一个考虑了无人机包裹取送、无人机载重与航程的多中 心、多客户点、多无人机的综合调度问题。在避障方面,非专利文献“Huan Liu. An Autonomous Path Planning Method for Unmanned Aerial VehicleBased on a Tangent Intersection and Target Guidance Strategy”提出了一种无人机自动避障方 法,在遇到障碍时,该方法基于切线相交和目标导引策略在两点之间生成两条路径,并且根据启发式规则选择其中一条,可在不确定环境下近似实时地生成 满意的无碰撞路径。由于本发明里仓库和取送点都设置在城市的楼顶,无人机 受到的障碍较少,因此本发明主要考虑任务分配和路径规划两个方面,具体的 三维避障方法可参考上述方法。针对多中心、多客户点、多无人机的包裹取送 问题,有以下假设:
(1)无人机运送的货物采用统一尺寸的专用盒子包装
(2)无人机更换电池后剩余航程变为最大航程。
(3)无人机直接飞往客户点,不会中途绕路换电池再前往客户点。
(4)无人机一次只能带一个包裹。
(5)无人机以匀速飞行,且不考虑无人机起降的能耗。
目标函数
基本要素描述:Depots set B:{1,2,…,m},UAV set U:{1,2,…,k}, customerpoint set C={1,2,…,c}。为了描述客户只取货、只送货与取送货同时进 行三种不同的任务类型,定义客户点的集合DROP为只送货任务的客户点;定 义客户点的集合PICKUP为只取货的客户点;定义客户点的集合PICK-DROP 为同时有取货任务和送货任务的客户点。为了区分取货和送货两种不同的操作, 我们将客户点集中的每一点都拆分为两个点,一个描述取货任务,一个描述送 货任务,即Cpick={1,2,...,c},Cdrop={c+1,c+2,...,2c}。例如,原来对应点i∈Cpick和点i+c∈Cdrop。h为无人机空载时的最大航程。
表1符号定义
符号 | 描述 |
B | 仓库集合,B={1,2,…,m} |
U | 无人机集合,U={1,2,…,k} |
C | 客户点集合,C={1,2,…,c} |
i,j | 客户索引 |
k | 无人机索引 |
n | 任务索引 |
u<sub>k</sub> | UAV k的飞行成本 |
T<sub>i</sub> | 客户点i的任务类型 |
c<sub>n</sub> | 任务n的权重 |
c<sub>max</sub> | 无人机的最大容量 |
定义整数变量Ti,表示客户点i的任务类型。其中,Ti=-1表示客户点i有 送货任务,Ti=0表示客户点i无送货/取货任务,Ti=1表示客户点i有取货任务。
定义为无人机k装载货物n时的最大航程。无人机的飞行时间随着有效载 荷的增加呈线性递减。故可假设无人机航程与载重之间存在线性相关的关系, 当无人机k从点i飞到点j时,无人机的最大航程会随着此时无人机运载货物重量 的增加而减小,具体表示如下:
有效载荷的大小会影响无人机的能量消耗和飞行范围。无人机电量一定时, 无人机的电量衰减与载重量之间存在线性相关的关系。本发明把货物载重惩罚 系数β具体表示如下:
其中,βmax是惩罚系数最大值,cmax是无人机最大载重量,当无人机空载 时,β=1;当无人机满载时,β=βmax。
模型的优化目标:本发明的第一个目标是保证无人机为所有客户提供服务 并返回仓库的总飞行路程最小;此外,本模型为mD-PSTSP问题,考虑到每启 动一架无人机都会有相应的能量消耗和折旧,因此,模型的第二个优化目标是 使用尽可能少的无人机完成任务。目标函数的目的是最小化无人机总能耗以及 无人机总数量的加权总和。
其中,α,ρ为无人机总行驶距离、无人机启动架数的权重系数。
约束条件:
C1(决策变量):
C2(任务点约束):
C3:无人机必须从仓库出发,最终回到仓库:
C4(服务点约束):
无人机送货后可选择前往下个取货点或仓库;由于无人机每次只能携带一 个包裹,所以无人机在取货后必须立即返回仓库;出于成本最优考虑,有取送 任务同时存在的任务点由一架无人机完成:
C5(航程约束):
当无人机k装载包裹n从客户点i飞到客户点j时,不能超过无人机的最大航 程。
约束条件6:
载重量约束:无人机每次取送货货物重量不能超过无人机的最大载重;
其中,cn为第n个客户点货物的重量。
多中心、多客户点、多无人机的包裹取送问题是一种非常复杂的组合优化 问题。本发明将设计一种两阶段优化方法作为此类问题的解决方法,以期提高 计算能力。
算法框架
随着客户点的增加,mD-PSTSP计算复杂度急剧增加。传统的启发式算法 和元启发式算法难以在较短时间内找到高质量的路径规划方案。因此,本发明 设计了一种两阶段优化方法,并命名为SATO-SVND算法。它将原本的多仓库、 多客户点、多无人机任务调度问题分解成多个简单的单中心任务调度问题,然 后独立的求解各自的路径规划方案。该算法有两阶段组成:将多中心任务调度 问题转化为单中心任务调度问题的任务分配阶段;单中心的路径规划阶段,即 为每个仓库找到完成任务的路径规划方案阶段。为寻找全局最优解,两个阶段 需要不断迭代交互。
在第一阶段进行任务的初分配,根据客户点的任务类型将任务分成三类, 把只有取货需求没有送货需求的任务点存入PICKUP集合内,把只有送货需求 且没有取货需求的任务点存入DROP集合内,最后把有送货需求且有取货需求 的任务点存入PICK-DROP集合内。任务分类完成后,我们把PICKUP、DROP 和PICK-DROP集合内的任务点,采用k-means算法生成考虑地理位置的初始 任务分配方案,多中心任务调度问题转换为单中心任务调度问题。此时,任务 分配到各个仓库的结果是一种无序的状态,无法直接交给无人机执行。因此, 我们需要进行路径规划。
在第二阶段我们根据各个单中心任务分配结果,设计了包含6种邻域算子 的SVND算法,生成满足约束条件的路径规划方案。此时各个中心任务是有序, 各个中心任务调度方案合在一起就是完整的任务调度方案,可交给无人机执行。 为了调整现有方案,得到更好的解决方案,本发明设计了6种算子(2-exchange、 3-exchange、30%-exchange、relocation、other-relocation、10%-relocation)。 2-exchange and 3-exchange、30%-exchange等3个算子是调整一个仓库内的任务 分配方案,一个仓库下两个或三个无人机之间交换任务。relocation and other-relocation、10%-relocation是调整两个仓库的任务分配方案,将分配到一 个仓库点下的任务转移到另外一个仓库下。
两个阶段不断迭代,直到满足算法终止条件为止。算法内设置了两个循环 结构:小循环用变邻域搜索算法来生成满足约束条件的新调度方案。每次循环 都根据metropolis原则判定是否接受新调度方案,若接受则将新的调度方案记 录下来,直到新的调度方案的数量满足预设数量为止,记录下的新的调度方案 构成一个解空间;大循环是在小循环产生的解空间的基础上寻找最优调度方案, 每进行一次循环都进行降温,直到温度达到最低温度为止。为了跳出局部最优, 大循环内设计了局部搜索算法,每次解空间内找到的当前最好解都需要再进行 一次局部搜索,通过Local Search算法破坏现有解结构,形成新的调度方案, 再按照贪婪原则决定是否接受局部搜索的结果。两阶段算法成功将多中心的 mD-PSTSP转换为单中心的mD-PSTSP问题,降低了原问题的求解难度。
表2 SATO-SVND算法伪代码
编码方式
规定每个仓库下的调度方案都是从仓库出发去任务点,最后要回到仓库; 无人机从仓库出发到送货的任务点后可选择直接回到仓库或者去最近的取货 点取货后再回到仓库;由于无人机每次只能携带一个包裹,所以无人机取货后 必须返回仓库。综上,无人机的路径有以下三种情况:1)无人机从仓库出发 前往客户点取货,然后返回仓库;2)无人机从仓库出发前往客户点送货然后 返回仓库;3)无人机从仓库出发前往客户点送货,然后到客户点取货后返回 仓库。
现有技术中,启发式算法和元启发式算法在求解路径问题时,编码往往都 是先不考虑仓库点,只把待访问的客户点进行编码,在后续计算距离成本、适 应度等需要完整路径的情况下再对路径解码,将仓库点加入,形成完整的路径。 本发明考虑到需要对从仓库出发到客户点取货后返回仓库、从仓库出发送货后 返回仓库和从仓库出发到客户点送货再到客户点取货后返回仓库等三种不同 情况进行区分,采用了新的编码方式。如图3所示,我们在编码时就严格按照 约束条件,每一个仓库和客户点都有唯一编号,用来区分仓库、只有取货需求 的客户点、只有送货需求的客户点和同时有取货和送货需求的客户点。本发明 仓库的编号直接在客户点编号的基础上继续编号,如最后一个客户点编号为x, 仓库总数为m,则仓库点编号为x+1,x+2,...,x+m。单个仓库的调度方案合并 在一起就是一个完整的调度方案。
任务分配
(1)任务分类
区别于并行无人机调度旅行商问题(PDSTSP),取送货同时存在进行的多仓 库、多无人机并行调度旅行商问题(m-Drone-PSTSP with drop&pickup synchronization atMulti-Depot)的解的构造需要区分任务类型
(2)初始任务分配
在任务初始分配的阶段,使用考虑地理位置的k-means聚类算法将客户点 分配给不同的仓库,将问题转化为单中心问题。然后,单个仓库规划无人机路 径,指派无人机访问各个客户点完成取送货任务。
(3)任务重分配
为了优化初始任务分配结果,找到最优调度方案,设计了2-exchange、 3-exchange、30%-exchange、relocation and、other-relocation、10%-relocation等 6种邻域算子对任务分配方案进行重分配。
①2-exchange:交换同一仓库下分配给两个无人机的取货任务。具体操作 方法是:在已规划好的路径内随机选择一个仓库下的两个任务点i,j (i,j∈Pickup),将两个客户点i,j的位置互换。具体操作如图4所示。
②3-exchange:交换同一仓库下分配给三个无人机的送货任务。具体操作 方法与2-exchange的操作类似:在已规划好的路径中随机选择一个仓库下的三 个客户点i,j,k(i,j,k∈Pickup),然后将i,j,k三点的位置随机交换。
③30%-exchange:面对大规模任务时,2-exchange、3-exchange的寻优效 率较低,因此我们开发了30%-exchange。当仓库服务的客户点大于10个时, 我们使用30%-exchange,它每次交换单个仓库下30%的客户点访问顺序。具体 操作与2-exchange类似:在已规划的路径中随机选择30%的客户点,然后随机 打乱这些客户点的顺序。
④Relocation:在分配给a仓库的所有任务中随机选择一个取货任务转移到 b仓库执行。具体操作方法是:在a仓库中随机选择一个客户点i(i∈PICKUP), 在b仓库已有的路径规划方案中随机选择一个***点,按照模型约束条件,将 此客户点i迁移到b仓库路径规划方案中。如图5和图6所示。
⑤Other-relocation:在分配给a仓库的所有任务中选择一个距离仓库最远 的送货任务转移给b仓库执行。具体操作方法是:在分配给a仓库的所有任务 中选择一个客户点i(i∈PICKUP∪PICK-DROP),按照模型约束条件,将客 户点i随机***b仓库的路径调度方案中执行。
⑥10%-relocation:与30%-exchange类似,我们开发了10%-relocation用来处理大规模任务的情况。当仓库服务的客户点大于20个时,我们使用 10%-relocation。具体的操作方法是:每次随机选择一个仓库,根据客户点与仓 库的距离,迁移距离该仓库最远的客户点,迁移客户点数量为仓库总客户点的 20%。
路径规划
(1)生成初始解
为了求解的便利,对于有多个取/送包裹任务的客户点,可将该客户点拆分 为多个客户点,每个客户点最多有一个取货和一个送货任务。对于同时有取货 和送货需求的客户点,规定这类客户点的取送任务由同一架无人机完成。由于 无人机每次只能装载一个包裹,因此在并行无人机包裹配送时,DROP和 PICK-DROP集合内的任务点都需要单独的无人机从仓库装载货物送达客户; PICK-DROP集合内的任务点有送货任务的同时有取货任务,因此,无人机在 送完PICK-DROP集合内的货物后可以直接在原地取货;无人机可从仓库出发 装载货物;无人机送完货后可根据需要直接返回仓库或者前往下一个取货任务 点取货;所有无人机在装载货物后必须返回仓库卸货。以上就是仓库的路径规 划原则。
任务分配后任务处于无序的状态,对任务进行排序,形成初始解S0。对于 分配给每个仓库的任务,首先,按照任务的特点将其分成只取货、只送货、同 时有取货和送货任务等三类,分别存入Gk-pick、Gk-drop、Gk-pick&drop三个集 合中。初始化集合存储仓库k的任务序列。随机取出Gk-drop集合内的 任务点存入Pk,然后随机取出Gk-pick集合内的任务点存入Pk,最后将 Gk-pick&drop集合内的任务点按顺序存入Pk。所有仓库的任务序列放在一起就 是一个处理后的任务分配方案。得到这个方案后,我们根据约束条件3-4进行路径规划。在构造初始解时,我们先把DROP集合和PICK-DROP集合内的任 务点分派给不同的无人机,然后将PICKUP类型的任务点随机分配给已经分配 了DROP任务的无人机或重新分派一台新的无人机执行。为了保证解的稳定性, 我们基于任务分配方案构造了多个不同的路径规划方案,基于贪婪原则选出最 小成本的方案作为初始解。
(2)迭代优化
基于两阶段优化框架,我们提出了一种模拟退火算法,由多个变换因子对 任务进行再分配,任务再分配后由变邻域搜索算法(SVND,A Special Variable NeighborhoodDescent Algorithm)重新规划每个仓库下的无人机路径调度方案。
变邻域搜索算法是一种改进的元启发式优化算法,可用于求解组合优化问 题。本发明设计了一种特别的变邻域搜索算法:在满足算法循环的条件下,我 们给定它一个初始解s0,然后利用不同动作构成的邻域结构优化这个初始解, 每次循环都能得到一个新解。产生的新解要与初始解s0比较,判断新解的好坏 并决定是否接受新解。将有效的解存入解的集合PICK-DROP。重复以上步骤, 直到达到最大迭代次数为止。解的集合S内的最优解就是当前算法搜索到的最 优路径规划方案。值得注意的是,为了跳出局部最优,得到全局最优解,我们 用Metropolis原则判断是否接受新的解。
对于SVND算法,我们给定它一个初始解s0,从2-exchange、3-exchange、 30%-exchange、relocation and、other-relocation、10%-relocation等6种邻域算子 中选择一种对初始解进行邻域搜索,形成新解计算新解的成本如 果新解的成本小于cost(s0),则接受新解否则以一定的概率接受新解同 时把赋值给如果不满足以上两种情况,则把s0赋值给将存入解空 间S中,更新s0和cost(s0)的值。重复以上步骤,直到满足循环终止条件为止。 然后从解空间S中找到成本最小的路径规划方案作为SVND算法的输出。 表3给出了SVND的伪代码。
表3 SVND伪代码
局部搜索
为了跳出上述变邻域算法的局部最优,得到全局最优解,我们设计了一种 局部搜索算法,即在SVND算法生成的解空间中找到当前最优的调度方案,在 最优方案的基础上进行局部搜索。
具体操作方法是在目前找到的最优调度方案中随机选择一个仓库,对这个 仓库的调度方案进行局部搜索。首先,将选中仓库需要执行的客户点进行分类: 只取货的客户点归类到s1k-pick;只送货的客户点归类到s1k-drop;同时有取货 和送货任务的客户点归类到s1k-pick&drop。当s1k-pick和s1k-drop都不是空集时, 我们将s1k-pick内无人机从仓库出发去客户点取货然后返回仓库的客户点归类 到pick1,同理,将s1k-drop集合内无人机从仓库出发去客户点送货然后返回仓 库的客户点归类到drop1。从pick1和drop1两个集合中分别随机选择一个只取货 客户点p1、只送货客户点d1,将这两个原本分派给两个无人机完成的任务合并, 由一架无人机完成;也就是说,无人机从仓库出发去d1送货,随后去p1取货然 后返回仓库。图7给出了算法的寻优过程。表4给出了局部搜索的伪代码。
表4 局部搜索伪代码
仿真实验
在这部分,本发明通过与6种启发式算法和元启发式算法比较,评价了本 发明的有效性,并在真实场景下进行了实验。本发明提出的算法和其他七种算 法在利用python进行编码,CPU为Core i5-8400、内存为8G、操作***为 Windows 10的PC机上运行。
实验设置
在本发明所研究的问题中,需要考虑客户规模、仓库数量、无人机载重, 无人机载重与航程之间的关联、客户分布等问题。由于与mD-PSTSP相关的 PDSTRP问题研究时间较短,暂时并无统一的测试数据集可供参考。因此,在 测试算法的有效性时,我们选择用随机生成的数据集和6种启发式和元启发式 方法做实验证明本发明算法的有效性。
表5 实验算法参数表
模拟场景适用于50KM×50KM的区域。客户点随机分布在该区域内。随机 生成每个客户点的取送货需求。随机生成每个取货和送货包裹的重量,假设所 有无人机性能都相同,每个包裹的重量在1KG到8KG之间。无人机的性能参 数设置集SATO-SVND算法的相关参数设置如表6所示。我们生成了6个实例 40、60、80、100、150、200,本发明算法的参数设置是根据有关文献及实验 试错最终确定的。
与其他元启发式方法和启发式方法比较
为了验证SATO-SVND算法的性能,我们将SATO-SVND算法与其他七种 启发式算法和元启发式算法进行比较。我们设置了13个案例,客户点数量设 置为40,60,80,100,150,200。每个算法都运行10次求解每个案例,最终 用10次实验结果的平均值来进行比较,表中的数据均为10次实验结果的平均 值。本发明实验的设置有两个原因:首先是研究两阶段算法在求解多仓库、多 客户点、多无人机的取送货问题上的优势,其次是考察SATO-SVND算法初始 解的生成及邻域结构的有效性。
针对无人机的任务分配和路径规划问题,验证两阶段算法在求解多仓库、 多客户点、多无人机的取送货问题上的优势,设计了三种高效的算法作为比较 算法:ALNS,k-means&GA和k-means&LNS算法。作为比较算法,我们采用两 阶段的求解框架和锦标赛算子来开发k-means&GA算法。同时,为了保证父代 好的个体不因交叉或变异操作而丢失,我们采用了精英策略保留父代最优个体。 ALNS和k-means&LNS算法都是采用破坏修复算子,在模拟退货算法的框架下 反复迭代寻优,直到满足终止条件为止。为了适应大规模问题的求解,我们每 次破坏10%-20%的解结构,然后用随机修复算子和贪婪修复算子来修复解。在K-means&LNS中,我们先用K-means算法将任务分配给多个仓库,接着在路 径规划中采用2-opt,simple relocate,and swap move等邻域结构进行搜索。ALNS 的邻域结构则融入自适应机制和最坏移除算子。
为了证明两阶段算法求解思路的正确性和邻域结构的有效性,我们另外比 较了采用随机分配任务的SA-SVND、ETSA和去掉local search的SATO-VND1 等三种算法。为验证两阶段的有效性,SA-SVND在任务分配阶段采用随机分 配的方式,然后单中心的无人机路径规划阶段采用本发明设计的SVND算法, 在SA的框架下反复迭代,最终找到最优解。SATO-VND1则是去掉SATO-SVND 中的local search算法,来验证local search算法的有效性。每个实例分别运行 10次这6种算法。计算结果如图8表示。
为了更好的比较算法之间的差异,我们使用Gap指标来描述SATO-SVND 与其他几种算法之间的差异:
其中Si表示算法i的最优解,i表示算法ALNS,k-means&GA、k-means&LNS、 SA-SVND、ETSA和SATO-VND1中的一种;SSATO-SVND表示本发明算法 SATO-SVND的最优解。计算结果如表7所示。
从成本来看,如图8所示,我们设计的SATO-SVND算法在13个案例的求 解中,产生的最优解与其他6种启发式算法和元启发式算法相比具有绝对的优 势。为了更好的比较算法的优劣性,我们将实验结果进行处理。我们把其他七 种启发式算法和元启发式算法求解每个案例得到的最优成本与SATO-SVND算 法求解同一个案例得到的最优成本进行比较,计算其他七种算法与 SATO-SVND得到的最优解的差距。从图8可以看到,SATO-SVND算法随着客户点的增加,优化效果都总是优于其他几种算法。我们可以注意到,计算c6 与c13这两个案例时,成本突然增加,这是由于客户点大幅增加所致。我们可 以看到SATO-SVND与其他几种算法在处理小规模问题时得到的最优解非常接 近,但是处理大规模问题时,其他几种算法效果都出现了不同程度的下降,其 中ALNS算法得到的最优解与SATO-SVND计算得到的最优解之间的差距甚至 达到30%以上。
表6 不同算法最优解与本发明算法最优解的Gap
SATO-SVND与SATO-VND1之间出现差距的原因是SATO-VND1没有使 用LocalSearch算子导致收敛与局部最优解。但是,从计算时间看,SATO-SVND 与SATO-VND1计算时间非常相近,说明Local Search可以在非常少的时间消 耗内改善求解方案。
SATO-SVND在成本上明显优于SA-SVND算法,但两种算法计算时间非常 相近,说明与SA-SVND算法相比,SATO-SVND算法可以在合理的时间内产 生更优的解决方案。
ETSA在计算时间上明显优于SATO-SVND算法,但是SATO-SVND算法 得到的求解方案成本明显优于ETSA算法,证明了SVND算法能在很大程度上 改善求解方案的质量,而ETSA算法容易收敛于局部最优解,ETSA算法只能 适用于对时间非常敏感而对求解方案质量要求不高的情景。
我们以算例8的计算结果绘制箱型图,从图9可以看到,无论是算法稳定 性还是优化效果,SATO-SVND算法都明显优于其他六种对比算法。
从时间效率来看,ETSA优于其他七种算法,而SA-SVND、SATO-SVND、 SATO-VND1等三种算法次之。相比之下,随着客户点的增加,k-means&GA、k-means-LNS、ALNS等搜索算法所消耗的时间迅速增加。其中,k-means&GA 在时间效率上表现最差,其次是k-means-LNS、ALNS。k-means-LNS、ALNS 两种算法的区别在于k-means-LNS是基于两阶段优化方法产生初始解,而 ALNS是随机产生初始解,从两种算法的对比来看,两阶段优化方法能在较小 的时间消耗内较大的提升算法的优化结果,但是k-means&LNS仍然出现了过 早收敛的问题,SATO-SVND算法由于采用多种变邻域结构,在成本优化方面 远超k-means&LNS。同时,SATO-SVND运算时间明显短于k-means&LNS,说 明与SATO-LNS相比,SATO-SVND可以在更短时间内产生更好的调度方案。 算法运行时间结果如图10所示。
为了进一步验证SATO-SVND算法在求解多无人机、多仓库、多客户点的 大规模任务调度问题上的有效性,我们选择用真实场景下的客户点作为测试数 据进行进一步的实验验证。本发明选择湖南省长沙市岳麓区9个小区80个楼 栋的真实地理坐标作为多无人机的客户点,具***置如图9所示。设置5个仓 库点,每个货物的重量为1KG-8KG内的随机数字。成本收敛曲线如图11所示。 运行时间为12.91s,最优成本相比初始解下降15.8%。
从图11可以看到,SATO-SVND算法求解的调度方案成本在50次迭代次 数内以较快的速度下降,说明SATO-SVND算法在短时间内具备较强的下降能 力。而Metropolis原则与相关邻域结构、局部搜索算子避免了算法过早 收敛。算法在225次时收敛到了最优解。
本发明公开的基于两阶段优化和迭代的无人机取送货方法,包括:
获取多仓库、多无人机、多客户点的位置信息和取送货信息;
设计基于无人机包裹取送、无人机载重与航程的多中心、多客户点、多无 人机的综合调度问题;
任务分配阶段,给单中心分配初始任务,并根据多种领域算子进行任务重 分配;
路径规划阶段,根据多种邻域算子为每个仓库找到完成任务的路径规划方 案;
不断迭代调度任务分配阶段和路径规划阶段,寻找全局最优解,直到直到 满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成满足约束 条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上再进行局 部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索的结果;
根据全局最优解分配多无人机从多仓库和多客户点进行取送货。
本发明的有益效果如下:
充分利用城市的空余空间;
途中可以进行直线飞行,取送效率高;
避免了与传统取送货进行空间积压和排队的竞争;
通过与6种启发式与非启发式算法相比较,本发明在合理的时间内生成高 质量的调度方案,在求解质量和时间效率方面优于其他几种启发式和元启发式 算法。
上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实 施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、 代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于城市屋顶自动快递装置的无人机取送货***,其特征在于,自动快递装置设置于城市屋顶,***包括:
数据输入模块,获取多仓库、多无人机、多客户点的位置信息和取送货信息,所述客户点为设置在屋顶的自动货物快递装置;
调度模块,设计基于无人机包裹取送、无人机载重与航程的多中心、多客户点、多无人机的综合调度问题;
任务分配模块,给单中心分配初始任务,并根据多种领域算子进行任务重分配;
路径规划模块,根据多种邻域算子为每个仓库找到完成任务的路径规划方案;
优化模块,不断迭代调度任务分配模块和路径规划模块,寻找全局最优解,直到直到满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成满足约束条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上再进行局部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索的结果;
取送货模块,根据全局最优解分配多无人机从多仓库和多客户点进行取送货。
2.根据权利要求1所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,无人机在装卸货物后前往下一个客户点或仓库,或在楼顶自动更换电池;对于只取货的客户点,安排一架无人机从仓库出发去客户点取货,然后返回仓库;对于只送货的客户点,安排一架无人机从仓库装载货物出发前往客户点送货,送货结束后无人机选择前往下一个客户点取货然后返回仓库,或者选择直接返回就近仓库;对于同时有取货和送货任务的客户点,安排一架无人机从仓库出发送货,卸货后在该客户点取货,然后返回仓库。
3.根据权利要求2所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,任务分配模块根据客户点的任务类型将任务分成三类,把只有取货需求没有送货需求的任务点存入PICKUP集合内,把只有送货需求且没有取货需求的任务点存入DROP集合内,把有送货需求且有取货需求的任务点存入PICK-DROP集合内;任务分类完成后,将PICKUP、DROP和PICK-DROP集合内的任务点,采用k-means算法生成考虑地理位置的初始任务分配方案。
4.根据权利要求1所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,所述邻域算子包括2-exchange、3-exchange、30%-exchange、Relocation、Other-relocation和10%-relocation。
5.根据权利要求4所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,所述2-exchange算子操作方法为:在已规划好的路径内随机选择一个仓库下的两个任务点i,j(i,j∈Pickup),将两个客户点i,j的位置互换;所述3-exchange算子操作方法为:在已规划好的路径中随机选择一个仓库下的三个客户点i,j,k(i,j,k∈Pickup),然后将i,j,k三点的位置随机交换;所述30%-exchange算子具体操作为:在已规划的路径中随机选择30%的客户点,然后随机打乱这些客户点的顺序。
6.根据权利要求4所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,所述Relocation算子具体操作方法是:在a仓库中随机选择一个客户点i(i∈PICKUP),在b仓库已有的路径规划方案中随机选择一个***点,按照模型约束条件,将此客户点i迁移到b仓库路径规划方案中;所述Other-relocation具体操作方法是:在分配给a仓库的所有任务中选择一个客户点i(i∈PICKUP∪PICK-DROP),按照模型约束条件,将客户点i随机***b仓库的路径调度方案中执行;所述10%-relocation具体的操作方法是:每次随机选择一个仓库,根据客户点与仓库的距离,迁移距离该仓库最远的客户点,迁移客户点数量为仓库总客户点的20%。
7.根据权利要求1所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,路径规划模块生成初始解S0,具体步骤如下:
生成所有仓库的任务分配方案:对于分配给每个仓库的任务,按照任务的特点将其分成只取货、只送货、同时有取货和送货任务三类,分别存入Gk-pick、Gk-drop、Gk-pick&drop三个集合中,初始化集合存储仓库k的任务序列;随机取出Gk-drop集合内的任务点存入Pk,然后随机取出Gk-pick集合内的任务点存入Pk,最后将Gk-pick&drop集合内的任务点按顺序存入Pk;所有仓库的任务序列放在一起得到处理后的任务分配方案;
进行路径规划:在构造初始解时,先把DROP集合和PICK-DROP集合内的任务点分派给不同的无人机,然后将PICKUP类型的任务点随机分配给已经分配了DROP任务的无人机或重新分派一台新的无人机执行;基于任务分配方案构造多个不同的路径规划方案,根据贪婪原则选出最小成本的方案作为初始解。
9.根据权利要求8所述的基于城市屋顶自动快递装置的无人机取送货***,其特征在于,在当前最优调度方案中随机选择一个仓库,对这个仓库的调度方案进行局部搜索,具体包括以下步骤:
将选中仓库需要执行的客户点进行分类:只取货的客户点归类到s1k-pick;只送货的客户点归类到s1k-drop;同时有取货和送货任务的客户点归类到s1k-pick&drop;当s1k-pick和s1k-drop都不是空集时,将s1k-pick内无人机从仓库出发去客户点取货然后返回仓库的客户点归类到pick1,将s1k-drop集合内无人机从仓库出发去客户点送货然后返回仓库的客户点归类到drop1;
从pick1和drop1两个集合中分别随机选择一个只取货客户点p1、只送货客户点d1,将这两个原本分派给两个无人机完成的任务合并,由一架无人机完成。
10.基于城市屋顶自动快递装置的无人机取送货方法,其特征在于,应用于如权利要求1-9任一项所述的***,包括以下步骤:
获取多仓库、多无人机、多客户点的位置信息和取送货信息;
设计基于无人机包裹取送、无人机载重与航程的多中心、多客户点、多无人机的综合调度问题;
任务分配阶段:给单中心分配初始任务,并根据多种领域算子进行任务重分配;
路径规划阶段:根据多种邻域算子为每个仓库找到完成任务的路径规划方案;
不断迭代交互步骤任务分配阶段和路径规划阶段,寻找全局最优解,直到直到满足算法终止条件为止;其中设置小循环和大循环,所述小循环生成满足约束条件的新调度方案,所述大循环在所述小循环产生的调度方案基础上再进行局部搜索,形成新的调度方案,再按照贪婪原则决定是否接受局部搜索的结果;
根据全局最优解分配多无人机从多仓库和多客户点进行取送货。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010035.XA CN113706081B (zh) | 2021-08-31 | 2021-08-31 | 基于城市屋顶自动快递装置的无人机取送货***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010035.XA CN113706081B (zh) | 2021-08-31 | 2021-08-31 | 基于城市屋顶自动快递装置的无人机取送货***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706081A true CN113706081A (zh) | 2021-11-26 |
CN113706081B CN113706081B (zh) | 2024-07-16 |
Family
ID=78657606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111010035.XA Active CN113706081B (zh) | 2021-08-31 | 2021-08-31 | 基于城市屋顶自动快递装置的无人机取送货***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706081B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划*** |
CN114331280A (zh) * | 2021-12-29 | 2022-04-12 | 中南大学 | 基于客户满意度和能量优化的无人机辅助快递交付方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792576B1 (en) * | 2016-10-24 | 2017-10-17 | International Business Machines Corporation | Operating a plurality of drones and trucks in package delivery |
CN107358322A (zh) * | 2017-07-12 | 2017-11-17 | 中南大学 | 一种无人机快递自动投送最短路径规划方法 |
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 |
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 |
US20210041241A1 (en) * | 2019-08-07 | 2021-02-11 | Ford Global Technologies, Llc | System and methods for simulations of vehicle-based item delivery |
CN113139678A (zh) * | 2021-04-02 | 2021-07-20 | 长沙理工大学 | 无人机-车辆联合配送路径优化方法及其模型构建方法 |
CN113159519A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 一种复用运输无人机的城市感知运输协同调度方法 |
-
2021
- 2021-08-31 CN CN202111010035.XA patent/CN113706081B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792576B1 (en) * | 2016-10-24 | 2017-10-17 | International Business Machines Corporation | Operating a plurality of drones and trucks in package delivery |
CN107358322A (zh) * | 2017-07-12 | 2017-11-17 | 中南大学 | 一种无人机快递自动投送最短路径规划方法 |
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 |
US20210041241A1 (en) * | 2019-08-07 | 2021-02-11 | Ford Global Technologies, Llc | System and methods for simulations of vehicle-based item delivery |
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 |
CN113159519A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 一种复用运输无人机的城市感知运输协同调度方法 |
CN113139678A (zh) * | 2021-04-02 | 2021-07-20 | 长沙理工大学 | 无人机-车辆联合配送路径优化方法及其模型构建方法 |
Non-Patent Citations (5)
Title |
---|
FANGYU HONG 等: "Logistics in the Sky: A Two-Phase Optimization Approach for the Drone Package Pickup and Delivery System", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS ( VOLUME: 24, ISSUE: 9, SEPTEMBER 2023)》, vol. 24, no. 9, 9 May 2023 (2023-05-09), pages 9175 - 9190 * |
GUOHUA WU 等: "An Iterative Two-Phase Optimization Method Based on Divide and Conquer Framework for Integrated Scheduling of Multiple UAVs", 《 IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS ( VOLUME: 22, ISSUE: 9, SEPTEMBER 2021)》, 16 December 2020 (2020-12-16), pages 5926 - 5938, XP011875716, DOI: 10.1109/TITS.2020.3042670 * |
MUHAMMAD YEASIR ARAFAT 等: "Localization and Clustering Based on Swarm Intelligence in UAV Networks for Emergency Communications", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 6, no. 5, 28 June 2019 (2019-06-28), pages 8958 - 8976, XP011749823, DOI: 10.1109/JIOT.2019.2925567 * |
任新惠 等: "无人机车辆组合物流配送路径规划探讨", 《飞行力学》, vol. 38, no. 2, 30 April 2020 (2020-04-30), pages 88 - 94 * |
赵科: "无人机的智能物流调度优化方法及其应用", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 2021, 15 February 2021 (2021-02-15), pages 140 - 375 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划*** |
CN114169828B (zh) * | 2021-12-08 | 2024-06-04 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划*** |
CN114331280A (zh) * | 2021-12-29 | 2022-04-12 | 中南大学 | 基于客户满意度和能量优化的无人机辅助快递交付方法 |
CN114331280B (zh) * | 2021-12-29 | 2024-05-31 | 中南大学 | 基于客户满意度和能量优化的无人机辅助快递交付方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113706081B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Poikonen et al. | The mothership and drone routing problem | |
Mańdziuk | New shades of the vehicle routing problem: Emerging problem formulations and computational intelligence solution methods | |
Cattaruzza et al. | The multi-trip vehicle routing problem with time windows and release dates | |
CN112016812B (zh) | 多无人机任务调度方法、***及存储介质 | |
Sombuntham et al. | Multi‐depot Vehicle Routing Problem with Pickup and Delivery Requests | |
Tirado et al. | Heuristics for dynamic and stochastic routing in industrial shipping | |
Luo et al. | A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips | |
CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货***和方法 | |
Sombuntham et al. | A particle swarm optimization algorithm for multi-depot vehicle routing problem with pickup and delivery requests | |
CN112488386B (zh) | 基于分布熵多目标粒子群的物流车辆配送规划方法及*** | |
Bruni et al. | A logic-based Benders decomposition method for the multi-trip traveling repairman problem with drones | |
CN116542365A (zh) | 移动机器人履行***中订单分配和agv调度联合优化方法 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
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*** | |
Wang et al. | Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach | |
CN115577886A (zh) | 一种多无人机站的组合配送方法及*** | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
Yanpirat et al. | Sustainable last mile parcel delivery and return service using drones | |
Hong et al. | Logistics in the sky: A two-phase optimization approach for the drone package pickup and delivery system | |
Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
Erera | Design of large-scale logistics systems for uncertain environments | |
Liu et al. | A double-adaptive general variable neighborhood search for an unmanned electric vehicle routing and scheduling problem in green manufacturing systems | |
Chen et al. | Solving a 3-dimensional vehicle routing problem with delivery options in city logistics using fast-neighborhood based crowding differential evolution algorithm | |
CN116882883A (zh) | 一种利用大数据的电网物资配送路径规划方法 |
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 |