KR102532433B1 - Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof - Google Patents

Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof Download PDF

Info

Publication number
KR102532433B1
KR102532433B1 KR1020210007428A KR20210007428A KR102532433B1 KR 102532433 B1 KR102532433 B1 KR 102532433B1 KR 1020210007428 A KR1020210007428 A KR 1020210007428A KR 20210007428 A KR20210007428 A KR 20210007428A KR 102532433 B1 KR102532433 B1 KR 102532433B1
Authority
KR
South Korea
Prior art keywords
drone
producer
rgso
location data
required time
Prior art date
Application number
KR1020210007428A
Other languages
Korean (ko)
Other versions
KR20220104970A (en
Inventor
김성수
신민섭
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020210007428A priority Critical patent/KR102532433B1/en
Publication of KR20220104970A publication Critical patent/KR20220104970A/en
Application granted granted Critical
Publication of KR102532433B1 publication Critical patent/KR102532433B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • G01C23/005—Flight directors
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 운송 수단과 드론을 협력하여 모든 고객의 위치에 모든 배달물을 배송할 때까지의 마지막 시간(또는 총 소요 시간, Makespan)을 최소화하는 스케줄링과 이동 경로 탐색 방법인 RGSO 스케줄링 최적화 방법 및 시스템에 관한 것으로서, 고객의 위치 데이터를 입력하는 제1 단계, 상기 고객의 위치 데이터 중에서, 운송 수단 및 상기 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 상기 배송 위치 데이터까지의 거리 및 소요시간을 산출하는 제2 단계, 상기 운송 수단과 상기 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하는 제3 단계, 수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 상기 프로듀서에 업데이트하는 제4 단계 및 업데이트 결과에 따라 상기 운송 수단과 상기 드론을 사용한 병렬 배송을 위한 최적 해를 획득하는 제5 단계를 포함한다. The present invention is a method and system for optimizing RGSO scheduling, which is a scheduling and moving route search method that minimizes the last time (or total required time, Makespan) until all deliveries are delivered to all customer locations by cooperating transportation means and drones As for the first step of inputting the customer's location data, among the customer's location data, obtaining delivery location data that can be delivered by means of transportation and the drone, the distance from the depot to the delivery location data, and The second step of calculating the required time, generating an initial solution for the path of the means of transport and the drone, and performing a producing process, a scouring process, a ranging process, and a finding process for the producer of the initial solution. A third step of performing, a fourth step of calculating evaluation values of all solutions according to the performance results and updating a solution representing the minimum total required time (Makespan) to the producer, and using the means of transport and the drone according to the update result. A fifth step of obtaining an optimal solution for parallel delivery is included.

Description

운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO 스케줄링 최적화 방법 및 시스템{ROUTING GROUP SEARCH OPTIMIZATION SCHEDULING OPTIMIZATION METHOD TO SEARCH FOR OPTIMUM SOLUTION OF PARALLEL DELIVERY USING VEHICLES AND DRONES AND THE SYSTEM THEREOF}RGSO Scheduling Optimization Method and System for Exploring the Optimal Solution of Parallel Delivery Using Vehicles and Drones

본 발명은 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO 스케줄링 최적화 방법 및 시스템에 관한 것으로서, 보다 상세하게는 운송 수단과 드론을 협력하여 모든 고객의 위치에 모든 배달물을 배송할 때까지의 마지막 시간(또는 총 소요 시간, Makespan)을 최소화하는 스케줄링과 이동 경로 탐색 방법에 관한 것이다. The present invention relates to an RGSO scheduling optimization method and system for searching for an optimal solution for parallel delivery using transportation means and drones, and more particularly, to deliver all deliveries to all customer locations by cooperating transportation means and drones. It relates to a scheduling and moving path search method that minimizes the last time until the end (or total required time, Makespan).

기존 물류 산업에서 다양하게 활용된 외판원 문제(Traveling Salesman Problem, TSP) 또는 차량경로 문제(Vehicle Routing Problem, VRP)는 여러 도시(또는 고객)들이 있고 한 도시에서 다른 도시로 이동하는 비용(거리 또는 시간 등)이 모두 주어졌을 때, 모든 도시들을 단 한 번만 방문(또는 배달)하고 원래 시작점(이하에서는 ‘디포(depot)’라 칭함)으로 돌아오는 최소 비용의 이동 순서를 구하는 것이다. 즉, 트럭이 모든 고객에게 모든 소포 배달을 마칠 때까지의 시간을 최소화하는 이동 경로와 스케줄링 해를 제시하는 것이었다. 이와 같은 조합 최적화(combinatorial optimization) 문제는 NP-hard이고 외판원 또는 차량이 최적 경로로 이동하는 최적 해 탐색 방법은 Simulated Annealing, Genetic Algorithm 등의 휴리스틱 알고리즘이 사용되었다.The Traveling Salesman Problem (TSP) or Vehicle Routing Problem (VRP), which has been variously used in the existing logistics industry, has multiple cities (or customers) and the cost (distance or time) of moving from one city to another. etc.) is given, it is to find the minimum-cost travel sequence that visits (or delivers) all cities only once and returns to the original starting point (hereinafter referred to as 'depot'). That is, to come up with a travel route and scheduling solution that minimizes the time it takes for a truck to finish delivering every package to every customer. This combinatorial optimization problem is NP-hard, and heuristic algorithms such as Simulated Annealing and Genetic Algorithm are used to search for the optimal solution in which a traveling salesman or a vehicle moves along an optimal path.

최근에는 트럭과 비교하여 속도가 빠르고 정체로 인한 지연이 없는 드론(drone)이 등장하고 기술이 발전하여 다양한 분야에 적용되고 있다. 특히, 고객에게 배달되는 소포를 차량과 드론의 장점을 혼합 협력하여 가장 빠른 시간 내에 소포를 배달할 수 있는 차량과 드론 협력(Vehicle & Drone Combined Operations) 연구의 필요성이 대두되고 있다.Recently, drones that are faster than trucks and have no delay due to congestion have appeared, and their technology has been developed and applied to various fields. In particular, the need for research on Vehicle & Drone Combined Operations (Vehicle & Drone Combined Operations), which can deliver parcels to customers in the fastest time by mixing and cooperating with the advantages of vehicles and drones, is emerging.

트럭과 드론이 협력하는 시스템은 Murray & Chu (2015)가 Flying Sidekick TSP(FSTSP)와 Parallel Drone Scheduling TSP(PDSTSP) 방법을 제안하였다. 제안한 FSTSP와 PDSTSP는 트럭과 드론 및 고객들로 구성되며, 고객들에게 배달을 마치는 최종 시간(Makespan)을 최소화하는 것이 목적이다. 한 대의 드론은 한명의 고객에게만 배달할 수 있으며, 배달 소포의 무게가 기준 보다 무거운 경우 드론으로 배달할 수 없고 트럭만으로 배달 가능하다. 트럭은 디포에서 떠나서 디포로 돌아와야 한다. FSTSP경우 트럭이 드론을 싣고 다니면서 드론의 연계점으로의 역할을 할 수 있고 트럭과 드론의 동기화를 해야 한다. 이와 다르게 PDSTSP는 트럭과 드론의 동기화가 필요 없이 독립적으로 움직인다. 드론은 항상 디포에서 떠나 고객에게 소포를 배달하고 다시 디포로 돌아와야 하며, 배터리 한계로 비행시간 내에 있는 고객이면서 드론이 싣고 갈 수 있는 중량 내의 소포만 가능하다. 트럭은 드론이 할 수 없거나 이동 경로 상에 가까운 고객에게 배달한다.As for the system in which trucks and drones cooperate, Murray & Chu (2015) proposed Flying Sidekick TSP (FSTSP) and Parallel Drone Scheduling TSP (PDSTSP) methods. The proposed FSTSP and PDSTSP are composed of trucks, drones and customers, and the purpose is to minimize the final time (Makespan) to complete delivery to customers. One drone can deliver only one customer, and if the weight of the delivery parcel is heavier than the standard, it cannot be delivered by drone and can only be delivered by truck. The truck has to leave the depot and return to the depot. In the case of FSTSP, the truck can carry the drone and serve as a connection point for the drone, and the truck and drone must be synchronized. Unlike this, PDSTSP moves independently without the need for synchronization between the truck and the drone. The drone must always leave the depot to deliver the package to the customer and return to the depot, and only the customer within the flight time due to battery limitations and the package within the weight that the drone can carry. Trucks make deliveries to customers that drones can't or are close on the route.

Murray, C.C., Chu, A., 2015. The flying sidekick traveling salesman problem: Optimization of drone-assisted parcel delivery. Transport. Res. Part C: Emerg. Technol. 54, 86-109.Murray, C.C., Chu, A., 2015. The flying sidekick traveling salesman problem: Optimization of drone-assisted parcel delivery. Transport. Res. Part C: Emerg. Technol. 54, 86-109.

본 발명의 목적은 운송 수단과 드론을 이용한 병렬 택배 PDSTSP 문제의 최적 해를 탐색하기 위해, 운송 수단과 드론의 협력으로 모든 고객의 위치에 모든 배달물을 배송할 때까지의 총 소요 시간(Makespan)을 최소화하는 스케줄링과 이동 경로 탐색 방법인 RGSO(Routing Group Search Optimization, 라우팅 그룹탐색최적화) 스케줄링 최적화 방법을 제공하고자 한다. The purpose of the present invention is to search for the optimal solution of the parallel delivery PDSTSP problem using transportation means and drones, the total time required to deliver all deliveries to all customer locations in cooperation with transportation means and drones (Makespan) It is intended to provide a scheduling optimization method for RGSO (Routing Group Search Optimization), which is a scheduling and moving path search method that minimizes .

본 발명의 실시예에 따른 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO(Routing Group Search Optimization) 스케줄링 최적화 방법에 있어서, 고객의 위치 데이터를 입력하는 제1 단계, 상기 고객의 위치 데이터 중에서, 운송 수단 및 상기 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 상기 배송 위치 데이터까지의 거리 및 소요시간을 산출하는 제2 단계, 상기 운송 수단과 상기 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하는 제3 단계, 수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 상기 프로듀서에 업데이트하는 제4 단계 및 업데이트 결과에 따라 상기 운송 수단과 상기 드론을 사용한 병렬 배송을 위한 최적 해를 획득하는 제5 단계를 포함한다.In the RGSO (Routing Group Search Optimization) scheduling optimization method for searching for an optimal solution of parallel delivery using transportation means and drones according to an embodiment of the present invention, the first step of inputting the customer's location data, the customer's location Among the data, a second step of obtaining delivery location data where the means of transportation and the drone can deliver, and calculating the distance and required time from the depot to the delivery location data, the path of the means of transportation and the drone The third step of generating an initial solution and performing the producing process, scranging process, ranging process, and finding process for the producer of the initial solution. A fourth step of updating a solution representing a total required time (Makespan) to the producer, and a fifth step of acquiring an optimal solution for parallel delivery using the means of transport and the drone according to the update result.

본 발명의 실시예에 따른 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO(Routing Group Search Optimization) 스케줄링 최적화 방법을 수행하는 RGSO 스케줄링 최적화 시스템에 있어서, 고객의 위치 데이터를 입력하는 입력부, 상기 고객의 위치 데이터 중에서, 운송 수단 및 상기 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 상기 배송 위치 데이터까지의 거리 및 소요시간을 산출하는 데이터 처리부, 상기 운송 수단과 상기 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하는 수행부, 수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 상기 프로듀서에 업데이트하는 프로듀서 업데이트부 및 업데이트 결과에 따라 상기 운송 수단과 상기 드론을 사용한 병렬 배송을 위한 최적 해를 획득하는 획득부를 포함한다.In the RGSO scheduling optimization system that performs the RGSO (Routing Group Search Optimization) scheduling optimization method for searching for an optimal solution for parallel delivery using transportation means and drones according to an embodiment of the present invention, an input unit for inputting customer location data , A data processing unit that acquires delivery location data that can be delivered by means of transportation and the drone from among the location data of the customer, and calculates the distance and required time from the depot to the delivery location data, the means of transportation and the drone Generates an initial solution for the path of , and calculates the evaluation values of all solutions according to the execution unit that performs the producing process, scranging process, ranging process, and finding process for the producer of the initial solution. and a producer update unit that updates the producer with a solution representing the minimum total required time (Makespan) and an acquisition unit that obtains an optimal solution for parallel delivery using the transportation means and the drone according to the update result.

본 발명의 실시예에 따르면, 기존의 PDSTSP 방법에 적용할 수 있는 RGSO 스케줄링 최적화 방법을 사용함으로써, 운송 수단과 드론의 병렬 최적 스케줄링으로 기존의 운송 수단만을 사용하는 배송 시스템의 총 소요 시간(Makespan)을 최소화할 수 있다.According to an embodiment of the present invention, by using the RGSO scheduling optimization method applicable to the existing PDSTSP method, the total required time (Makespan) of the delivery system using only the existing means of transportation is achieved by parallel optimal scheduling of means of transportation and drones can be minimized.

또한, 본 발명의 실시예에 따르면, 기존 PDSTSP 문제의 최적 스케줄링 해를 탐색하기 위해 기존 그룹탐색최적화(Group Search Optimization, GSO) 방법의 프로듀싱 과정, 스크라운징 과정 및 레인징 과정에 라우팅(Routing) 문제의 해를 효과적으로 탐색할 수 있는 메커니즘(라우팅 해를 탐색할 때 각 노드의 상대적인 거리를 고려하여 연결점을 탐색)을 적용한 파인딩 과정을 추가하여 효율적인 RSGO 스케줄링 최적화 방법을 제공할 수 있다. In addition, according to an embodiment of the present invention, in order to search for an optimal scheduling solution of the existing PDSTSP problem, routing in the producing process, scouring process, and ranging process of the existing Group Search Optimization (GSO) method An effective RSGO scheduling optimization method can be provided by adding a finding process that applies a mechanism that can effectively search for a solution to a problem (search for a connection point by considering the relative distance of each node when searching for a routing solution).

도 1은 기존의 PDSTSP 스케줄링 방법을 설명하기 위해 도시한 것이다.
도 2는 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 방법의 동작 흐름도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 해 표현과 총 소요 시간(Makespan)을 계산하는 예를 설명하기 위해 도시한 것이다.
도 4 및 도 5는 본 발명의 실시예에 따른 프로듀싱 과정을 설명하기 위해 도시한 것이다.
도 6 및 도 7은 본 발명의 실시예에 따른 스크라운징 과정을 설명하기 위해 도시한 것이다.
도 8 및 도 9는 본 발명의 실시예에 따른 레인징 과정을 설명하기 위해 도시한 것이다.
도 10 내지 도 12는 본 발명의 실시예에 따른 파인딩 과정을 설명하기 위해 도시한 것이다.
도 13은 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템의 세부 구성을 블록도로 도시한 것이다.1 is a diagram to explain a conventional PDSTSP scheduling method.
2 is an operational flowchart of an RGSO scheduling optimization method according to an embodiment of the present invention.
3 is a diagram to explain an example of calculating a solution expression and a total required time (Makespan) according to an embodiment of the present invention.
4 and 5 are diagrams for explaining a producing process according to an embodiment of the present invention.
6 and 7 are diagrams for explaining a scouring process according to an embodiment of the present invention.
8 and 9 are diagrams for explaining a ranging process according to an embodiment of the present invention.
10 to 12 are diagrams for explaining a finding process according to an embodiment of the present invention.
13 is a block diagram showing a detailed configuration of an RGSO scheduling optimization system according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and will be implemented in various forms different from each other, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention pertains. It is provided to completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.Terms used in this specification are for describing the embodiments and are not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used herein, "comprises" and/or "comprising" means that a stated component, step, operation, and/or element is present in the presence of one or more other components, steps, operations, and/or elements. or do not rule out additions.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used in this specification may be used in a meaning commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in commonly used dictionaries are not interpreted ideally or excessively unless explicitly specifically defined.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, with reference to the accompanying drawings, preferred embodiments of the present invention will be described in more detail. The same reference numerals are used for the same components in the drawings, and redundant descriptions of the same components are omitted.

도 1은 기존의 PDSTSP 스케줄링 방법을 설명하기 위해 도시한 것이다.1 is a diagram to explain a conventional PDSTSP scheduling method.

이하에서는 Murray & Chu (2015)가 제안한 트럭과 드론의 협력 시스템에서 사용하는 Parallel Drone Scheduling TSP(PDSTSP) 스케줄링 수리 모델을 적용하고 예제를 사용하여 설명한다.In the following, the Parallel Drone Scheduling TSP (PDSTSP) scheduling repair model used in the cooperation system of trucks and drones proposed by Murray & Chu (2015) is applied and explained using an example.

C = {1, 2, …, c}를 모든 고객 집합이라 하고, C’⊆C는 배달물의 무게가 무겁지 않아 드론으로 고객에게 배달할 수 있는 고객의 집합을 나타낸다. 또한, 고개들 중에서 디포(depot)에서 드론이 배달 가능한 반경 지역에 있는 고객의 집합을 C’’⊆C’로 나타낸다. C = {1, 2, ... , c} is the set of all customers, and C’⊆C represents the set of customers who can deliver to customers by drone because the weight of the package is not heavy. In addition, among the customers, the set of customers in the radius area where the drone can deliver from the depot is represented by C’’⊆C’.

운송 수단의 출발지 또는 창고인 디포(depot)는 1개 존재하고, 운송 수단은 디포 노드 0을 출발하여 디포 노드 c+1로 돌아온다. N = {0, 1, 2, …, c+1}는 네트워크에 존재하는 모든 노드를 나타낸다. 또한, N0 = {0, 1, …, c}는 운송 수단이 출발하는 노드의 집합을 나타내며, N+ = {1, 2, …, c+1}는 운송 수단이 방문 가능한 모드의 집합을 나타낸다.

Figure 112021007013019-pat00001
는 운송 수단이 노드 i∈N0에서 노드 j∈N+까지 이동하는데 소요되는 시간을 나타내며,
Figure 112021007013019-pat00002
는 드론이 이동하는데 소요되는 시간을 나타낸다. There is one depot, which is the starting point or warehouse of transportation means, and the transportation means departs from depot node 0 and returns to depot node c+1. N = {0, 1, 2, ... , c+1} represents all nodes existing in the network. Also, N 0 = {0, 1, . . . , c} denotes the set of nodes from which the vehicle departs, N + = {1, 2, ... , c+1} represents a set of modes that can be visited by means of transportation.
Figure 112021007013019-pat00001
represents the time required for the vehicle to travel from node i∈N 0 to node j∈N + ,
Figure 112021007013019-pat00002
represents the time required for the drone to move.

이때, 운송 수단은 트럭과 같은 화물차일 수 있으나, 종류는 한정하지 않는다. 이하에서는 운송 수단을 트럭으로 칭하여 설명한다. At this time, the transportation means may be a truck such as a truck, but the type is not limited. Hereinafter, the means of transport will be referred to as a truck and described.

일 예로, 트럭이 고객 i에서 고객 j로 이동하면 이진 의사 결정 변수는

Figure 112021007013019-pat00003
이고, 그렇지 않으면
Figure 112021007013019-pat00004
이다. 실시예에 따라서, 고객 i가 디포에서 배달 가능한 지역이고, 배달물의 중량이 드론으로 가능할 경우에는
Figure 112021007013019-pat00005
이고, 드론 v가 고객 i를 방문할 경우, 이진 의사 결정 변수는
Figure 112021007013019-pat00006
이고, 그렇지 않으면
Figure 112021007013019-pat00007
이다. As an example, if a truck moves from customer i to customer j, the binary decision variable is
Figure 112021007013019-pat00003
is, otherwise
Figure 112021007013019-pat00004
am. According to the embodiment, if customer i is in an area that can be delivered from the depot and the weight of the delivery is possible with a drone,
Figure 112021007013019-pat00005
, and if drone v visits customer i, the binary decision variable is
Figure 112021007013019-pat00006
is, otherwise
Figure 112021007013019-pat00007
am.

트럭과 드론의 협력 시스템 PDSTSP의 수리적 모델은 목적식인 [수식 1]과 제한식인 [수식 2] 내지 [수식 6]으로 나타낼 수 있다. [수식 1]은 트럭과 드론이 고객에게 서비스를 마치고 디포로 돌아오는 가장 마지막 시간 즉, 총 소요 시간(Makespan)을 최소화하는 것이다. [수식 2] 및 [수식 3]은 트럭과 드론의 고객 할당에 따른 z의 하한(lower bound)이다. [수식 4]는 트럭 또는 드론이 각 고객에게 1회만 방문하는 것을 나타내고, [수식 5]는 트럭이 디포에서 한번 출발하여 디포로 다시 돌아오는 것을 나타내며, [수식 6]은 트럭이 고객 노드에 방문하고 그 노드에서 출발하는 것을 나타낸다.The mathematical model of PDSTSP, a cooperation system between trucks and drones, can be represented by [Equation 1] as the objective equation and [Equation 2] to [Equation 6] as constraint equations. [Equation 1] minimizes the last time the truck and drone return to the depot after servicing the customer, that is, the total required time (Makespan). [Equation 2] and [Equation 3] are the lower bound of z according to the customer allocation of trucks and drones. [Equation 4] indicates that the truck or drone visits each customer only once, [Equation 5] indicates that the truck departs from the depot and returns to the depot once, and [Equation 6] indicates that the truck visits the customer node. and indicate starting from that node.

[수식 1][Equation 1]

Figure 112021007013019-pat00008
Figure 112021007013019-pat00008

[수식 2][Formula 2]

Figure 112021007013019-pat00009
Figure 112021007013019-pat00009

[수식 3][Formula 3]

Figure 112021007013019-pat00010
Figure 112021007013019-pat00010

[수식 4][Formula 4]

Figure 112021007013019-pat00011
Figure 112021007013019-pat00011

[수식 5][Formula 5]

Figure 112021007013019-pat00012
Figure 112021007013019-pat00012

[수식 6][Formula 6]

Figure 112021007013019-pat00013
Figure 112021007013019-pat00013

여기서,

Figure 112021007013019-pat00014
,
Figure 112021007013019-pat00015
를 나타낸다. here,
Figure 112021007013019-pat00014
,
Figure 112021007013019-pat00015
indicates

도 1 및 도 2를 참조하여 전술한 모델을 설명하자면, 도 1(a)는 1개의 디포(0) 위치(20, 20)와 1 내지 9의 고객 위치를 나타낸다. 1번 고객(18, 14), 2번 고객(11, 23), 3번 고객(11, 16), 4번 고객(36, 36), 5번 고객(32, 13), 6번 고객(25, 4), 7번 고객(38, 22), 8번 고객(20, 25), 9번 고객(0, 40)를 나타낸다. 디포에서 고객 1~3 위치는 드론의 비행 시간 내에 있고 배달물의 무게도 드론으로 운반 가능하다. 고객 4~9의 고객 위치는 트럭으로만 배달이 가능하다고 가정하였다.Referring to the above model with reference to FIGS. 1 and 2, FIG. 1(a) shows one depot (0) location (20, 20) and customer locations 1 to 9. Customer 1 (18, 14), Customer 2 (11, 23), Customer 3 (11, 16), Customer 4 (36, 36), Customer 5 (32, 13), Customer 6 (25) , 4), customer number 7 (38, 22), customer number 8 (20, 25), customer number 9 (0, 40). Customers 1-3 locations at the depot are within the drone's flight time and the weight of the deliveries can be carried by the drone. It is assumed that the customer locations of customers 4 to 9 can only be delivered by truck.

도 1(b)는 트럭이 디포(0)→9→8→4→7→5→6→디포(0)로 돌아오는 경로로 표시될 수 있다. 트럭은 도로를 이동하기 때문에 직각거리(Manhattan distance)로 계산한다. 드론은 디포(0)→2→디포(0), 디포(0)→3→디포(0), 디포(0)→3→디포(0) 경로로 표시될 수 있다. 이때, 드론은 지상을 장애물이 없이 이동한다고 가정하고 직선거리(Euclidean distance)로 계산한다. 트럭과 드론 각각의 배달 소요시간은 트럭의 직각거리와 드론의 직선거리를 각각의 속도로 나누어 계산되며, 트럭이 고객 i에서 j로 이동할 때 소요시간

Figure 112021007013019-pat00016
와 드론이 디포 0에서 고객 i에 배달하고 다시 디포 c+1로 복귀하는 소요 시간
Figure 112021007013019-pat00017
이 계산된다. 트럭에 할당된 고객 서비스 시간 z의 하한(lower bound)인 [수식 2]와 드론에 할당된 고객 서비스 시간 z의 하한인 [수식 3]을 나타낸다. [수식 4]와 같이 고객 9, 8, 4, 7, 6, 5는 트럭으로, 고객 1, 2, 3은 드론으로 1회만 방문하여 배달물을 배달한다. [수식 5]는 트럭이 디포(0)에서 한번 출발하여 고객 9, 8, 4, 7, 6, 5를 거쳐 다시 디포(0)으로 돌아오는 것을 나타내며, [수식 6]은 트럭이 고객 9, 8, 4, 7, 6, 5에 각각 도착하고 출발한다는 것을 나타낸다. 1(b) can be displayed as a route where the truck returns to Depot(0) → 9 → 8 → 4 → 7 → 5 → 6 → Depot (0). Since the truck travels on the road, it is calculated as the Manhattan distance. Drones can be displayed as depot(0)→2→depot(0), depot(0)→3→depot(0), depot(0)→3→depot(0) paths. At this time, it is assumed that the drone moves on the ground without obstacles, and the Euclidean distance is calculated. The delivery time of each truck and drone is calculated by dividing the perpendicular distance of the truck and the straight-line distance of the drone by each speed, and the time taken when the truck moves from customer i to j
Figure 112021007013019-pat00016
and drone delivery time from depot 0 to customer i and back to depot c+1
Figure 112021007013019-pat00017
this is calculated [Equation 2], the lower bound of customer service time z allocated to trucks, and [Equation 3], the lower bound of customer service time z allocated to drones. As shown in [Equation 4], customers 9, 8, 4, 7, 6, and 5 are delivered by truck, and customers 1, 2, and 3 are visited only once by drone. [Equation 5] indicates that the truck departs from Depot (0) once and returns to Depot (0) after passing through customers 9, 8, 4, 7, 6, and 5. It indicates arrival and departure at 8, 4, 7, 6, and 5, respectively.

도 2는 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 방법의 동작 흐름도를 도시한 것이며, 도 3은 본 발명의 실시예에 따른 해 표현과 총 소요 시간(Makespan)을 계산하는 예를 설명하기 위해 도시한 것이다.2 is an operation flowchart of an RGSO scheduling optimization method according to an embodiment of the present invention, and FIG. 3 is a diagram for explaining an example of calculating a solution expression and a total required time (Makespan) according to an embodiment of the present invention. it did

도 2의 방법은 도 13에 도시된 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템에 의해 수행된다.The method of FIG. 2 is performed by the RGSO scheduling optimization system according to the embodiment of the present invention shown in FIG. 13 .

도 2를 참조하면, 단계 S210에서, 고객의 위치 데이터를 입력한다. Referring to Figure 2, in step S210, the customer's location data is input.

단계 S210은 고객의 위치 데이터(x, y)와 운송 수단의 속도 및 드론의 속도, 드론의 배달 가능한 배달물의 중량을 입력하며, 드론의 배달 가능한 중량 노드 및 드론의 배달 가능한 범위를 입력할 수 있다.In step S210, the customer's location data (x, y), the speed of the vehicle, the speed of the drone, and the weight of the deliverable of the drone can be input, and the drone's deliverable weight node and the drone's deliverable range can be entered. .

단계 S220에서, 고객의 위치 데이터 중에서, 운송 수단 및 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 배송 위치 데이터까지의 거리 및 소요시간을 산출한다. In step S220, among the location data of the customer, delivery location data that can be delivered by means of transportation and drones is acquired, and the distance and required time from the depot to the delivery location data are calculated.

단계 S220은 고객의 위치 데이터 중에서, 배달물의 중량 초과로 인해 드론이 배달 불가능한 배송 위치 및 디포에서 드론으로 배달 가능한 배송 위치를 확인하여 드론이 배달 가능한 배송 위치 데이터를 획득하는 단계를 포함할 수 있다.Step S220 may include a step of obtaining delivery location data where the drone can deliver by checking a delivery location where the drone cannot deliver due to an overweight delivery and a delivery location where the drone can deliver the delivery from the depot, among the location data of the customer.

이에, 단계 S220은 배송 위치 데이터 중에서, 디포를 포함한 모든 고객 위치간의 운송 수단의 직각거리와 소요시간을 산출하고, 디포에서 모든 고객 위치간의 드론의 직선거리와 소요시간을 산출하며, 운송 수단과 드론의 소요시간으로 총 소요 시간(Makespan)의 평가함수를 정의할 수 있다. 이때, 단계 S220은 운송 수단은 도로를 이동하므로 직각거리(Manhattan distance)로 계산하며, 드론은 지상을 장애물이 없이 이동한다고 가정하고 직선거리(Euclidean distance)로 계산한다. 운송 수단과 드론 각각의 배달 소요시간은 운송 수단의 직각거리와 드론의 직선거리를 각각의 속도로 나누어 계산되며, 이는 앞서 설명한 기존의 PDSTSP 스케줄링 방법과 동일하다.Accordingly, step S220 calculates the perpendicular distance and required time of the means of transportation between all customer locations, including the depot, among the delivery location data, calculates the straight-line distance and required time of the drone between all customer locations at the depot, and calculates the means of transport and the drone The evaluation function of the total required time (Makespan) can be defined as the required time. At this time, in step S220, since the transportation means moves along the road, the Manhattan distance is calculated, and the drone is calculated as the Euclidean distance, assuming that the drone moves on the ground without obstacles. The delivery time of each vehicle and drone is calculated by dividing the perpendicular distance of the vehicle and the straight-line distance of the drone by each speed, which is the same as the existing PDSTSP scheduling method described above.

단계 S230에서, 운송 수단과 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행한다. In step S230, an initial solution for the path of the vehicle and the drone is generated, and a producing process, a scouring process, a ranging process, and a finding process are performed for a producer of the initial solution.

단계 S230은 단계 S220에서 산출된 거리 및 소요시간의 결과 값을 기반으로, 배송 위치 데이터 중에서 운송 수단 및 드론의 각 경로에 대한 초기 해를 생성하며, 초기 해의 인구(Population)를 생성하고, 총 소요 시간(Makespan)을 산출할 수 있다.Step S230 generates an initial solution for each path of the transportation means and drone among the delivery location data based on the result values of the distance and required time calculated in step S220, generates a population of the initial solution, and generates a total Makespan can be calculated.

도 3을 참조하여 해 표현과 총 소요 시간(Makespan) 계산에 대해 설명하자면, 도 3(a)는 도 1의 디포(0)와 9개의 고객 위치 택배 스케줄링 해를 나타낸다. 드론의 경우, 디포에서 고객 1 내지 3 위치는 드론으로 비행거리 내이면서 배달물 중량 이하로 배달 가능하다. 드론 배달은 ‘1’로 표시하고, 드론으로 배달하지 않는 나머지 위치는 ‘0’으로 표시된다. 운송 수단인 트럭(Truck)은 고객 1~3 위치를 제외한 9→8→4→7→5→6 경로 순서로 표시된다.Referring to FIG. 3, the expression of the solution and the calculation of the total required time (Makespan) will be described. FIG. 3(a) shows the depot (0) of FIG. 1 and the delivery scheduling solution to 9 customer locations. In the case of drones, customers 1 to 3 locations at the depot can be delivered within flying distance by drone and under the weight of the package. Drone delivery is marked as ‘1’, and the remaining locations not delivered by drone are marked as ‘0’. The truck, which is a means of transportation, is displayed in the order of the route 9→8→4→7→5→6, excluding customer 1-3 locations.

도 3(b)를 참조하면, 트럭 각각의 직각거리(0-9-8-4-7-5-6-0)는 40, 25, 17, 16, 15, 16, 15, 16, 21로 계산된다. 드론의 직선거리(0-1-0, 0-2-0, 0-3-0)는 각각 6.32의 왕복거리 12.64, 9.85의 왕복거리 19.7, 9.49의 왕복거리 18.98로 계산된다. 이때, 트럭의 속도는 40km/h이고, 드론의 속도는 60km/h로 가정한 것으로, 소요시간은 트럭의 총 직각거리(150km)를 트럭의 속도로 나누어 3.75시간이며, 드론의 총 직선거리(51.32km)를 드론의 속도로 나누어 0.855시간이 계산된다. 따라서, 총 소요 시간(Makespan)은 3.75시간이 된다. Referring to FIG. 3(b), the perpendicular distances (0-9-8-4-7-5-6-0) of each truck are 40, 25, 17, 16, 15, 16, 15, 16, and 21. It counts. The drone's straight-line distance (0-1-0, 0-2-0, 0-3-0) is calculated as 12.64 round-trip distance of 6.32, 19.7 round-trip distance of 9.85, and 18.98 round-trip distance of 9.49, respectively. At this time, it is assumed that the speed of the truck is 40 km/h and the speed of the drone is 60 km/h, and the required time is 3.75 hours by dividing the total perpendicular distance (150 km) of the truck by the speed of the truck, and the total straight-line distance of the drone ( 51.32 km) divided by the speed of the drone to calculate 0.855 hours. Therefore, the total required time (Makespan) is 3.75 hours.

다시 도 2를 참조하면, 단계 S230은 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하며, 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정의 구성 비율을 결정할 수 있다.Referring back to FIG. 2, in step S230, a producing process, a scouring process, a ranging process, and a finding process are performed for the producer of the initial solution, and the producing process, the scouring process, the ranging process, and the finding process are performed. The composition ratio of the course can be determined.

보다 구체적으로, 단계 S230은 운송 수단의 기준 확률 및 드론의 기준 확률을 기준으로 프로듀서(producer)에서 이웃 해들을 탐색하여 새로운 프로듀서(new producer)로 업데이트하는 프로듀싱 과정을 수행할 수 있다. 프로듀서(producer)는 가장 좋은 해를 나타내고 현재의 가장 좋은 해의 이웃 해들을 탐색하고 더 좋은 해를 탐색하면 그 해를 새로운 프로듀서(new producer)로 업데이트하면서 수렴해 간다. More specifically, in step S230, a producing process of searching for neighboring solutions from a producer and updating them with a new producer based on the reference probability of the vehicle and the reference probability of the drone may be performed. The producer represents the best solution, searches for neighboring solutions of the current best solution, and when a better solution is found, updates the solution as a new producer and converges.

또한, 단계 S230은 새로운 프로듀서를 제외한 약 60%를 이전 스크라운저(previous scrounger)로 선택하며, 새로운 프로듀서에 따라 해를 탐색하여 새로운 스크라운저(new scrounger)로 업데이트하는 스크라운징 과정을 수행하며, 새로운 프로듀서를 제외한 약 10%를 이전 레인저(previous ranger)로 선택하며, 무작위 이웃 해의 다양한 해를 탐색하여 새로운 레인저(new ranger)로 업데이트하는 레인징 과정을 수행할 수 있다. 스크라운저(scrounger)는 프로듀서(producer)를 추종하여 이웃 해를 생성하고 새로운 해의 평가값에 관계없이 새로운 해로 업데이트 하면서 수렴해 간다. 또한, 레인저(ranger)는 랜덤으로 해들을 생성하여 다양한 탐색을 한다.In addition, step S230 selects about 60% of the previous scroungers excluding the new producer, searches for solutions according to the new producer, and performs a scrowing process of updating to the new scrounger. In addition, a ranging process of selecting about 10% excluding new producers as previous rangers, searching for various solutions of random neighboring solutions and updating them with new rangers can be performed. Scrooner follows the producer to create a neighboring solution and converges while updating to the new solution regardless of the evaluation value of the new solution. In addition, a ranger randomly generates solutions to perform various searches.

또한, 단계 S230은 새로운 프로듀서를 제외한 약 30%를 이전 파인더(previous finder)로 선택하며, 라우팅(routing)에 적합한 메커니즘을 통하여 해를 탐색하여 새로운 파인더(new finder)로 업데이트하는 파인딩 과정을 수행할 수 있다.In addition, in step S230, about 30%, excluding new producers, are selected as previous finders, and a finding process of searching for solutions through a mechanism suitable for routing and updating to new finders is performed. can

본 발명의 실시예에 따른 RGSO 스케줄링 최적화 방법은 기존 PDSTSP 문제의 최적 스케줄링 해를 탐색하기 위해 기존 그룹탐색최적화(Group Search Optimization, GSO) 방법의 프로듀싱 과정, 스크라운징 과정 및 레인징 과정에 라우팅(Routing) 문제의 해를 효과적으로 탐색할 수 있는 메커니즘(라우팅 해를 탐색할 때 각 노드의 상대적인 거리를 고려하여 연결점을 탐색)을 적용한 파인딩 과정을 추가하여 효율적인 RSGO 스케줄링 최적화 방법을 제공할 수 있다. 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정에 대해서는 이하의 도 4 내지 도 12를 참조하여 상세히 설명한다. The RGSO scheduling optimization method according to an embodiment of the present invention routes to the producing process, scouring process, and ranging process of the existing Group Search Optimization (GSO) method to search for the optimal scheduling solution of the existing PDSTSP problem ( An efficient RSGO scheduling optimization method can be provided by adding a finding process that applies a mechanism that can effectively search for a solution to the routing problem (search for a connection point by considering the relative distance of each node when searching for a routing solution). A producing process, a scrowing process, a ranging process, and a finding process will be described in detail with reference to FIGS. 4 to 12 below.

단계 S240에서, 수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 프로듀서에 업데이트한다. In step S240, evaluation values of all solutions according to the execution result are calculated, and a solution representing the minimum total required time (Makespan) is updated to the producer.

단계 S240은 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정에서의 모든 N개의 해에 대한 총 소요 시간(Makespan)을 산출하며, 그 중 최소 평가값을 나타내는 새로운 프로듀서를 선택하며, 프로듀서와 새로운 프로듀서를 비교하여 프로듀서를 업데이트할 수 있다.Step S240 calculates the total required time (Makespan) for all N solutions in the producing process, scranging process, ranging process, and finding process, among which a new producer representing the minimum evaluation value is selected, and the producer and You can update the producer by comparing the new producer.

단계 S241에서, 업데이트 결과에 따른 종료조건에 만족 여부를 판단하며, 단계 S250에서, 업데이트 결과에 따라 운송 수단과 드론을 사용한 병렬 배송을 위한 최적 해를 획득한다. In step S241, it is determined whether or not the end condition according to the update result is satisfied, and in step S250, an optimal solution for parallel delivery using transportation means and drones is obtained according to the update result.

단계 S250은 일정 세대 동안 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합할 때, RGSO 스케줄링 최적화 방법을 종료하며, 지금까지 찾아낸 해들 중 가장 좋은 해를 프로듀서(producer)로 설정한 후, 병렬 배송을 위한 최적 해로 도출할 수 있다. 일 예로, 단계 S250은 새로운 프로듀서의 평가값이 기존 프로듀서의 평가값보다 큰 경우, 기존 프로듀서의 업데이트 필요성이 없어지므로 일정 세대 동안 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합한 것으로 판단할 수 있다. Step S250 terminates the RGSO scheduling optimization method when a predetermined termination condition of no change in producer for a certain generation is met, and after setting the best solution among the solutions found so far as a producer, parallel delivery can be derived as an optimal solution for For example, in step S250, if the evaluation value of the new producer is greater than the evaluation value of the existing producer, it may be determined that the preset termination condition of no change in producer for a certain generation is satisfied since there is no need to update the existing producer.

도 4 및 도 5는 본 발명의 실시예에 따른 프로듀싱 과정을 설명하기 위해 도시한 것이다. 4 and 5 are diagrams for explaining a producing process according to an embodiment of the present invention.

도 4 및 도 5를 참조하여 운송 수단인 트럭과 드론 병렬 택배를 위한 RGSO 스케줄링 최적화 방법의 프로듀싱 과정을 설명한다. 도 4에 도시된 전 단계의 이전 프로듀서(Previous producer)는 2번 고객만 드론으로 배달하고 트럭이 디포(0), 1, 3, 9, 5, 4, 7, 8, 6, 디포(0)로 돌아와 평가값 총 소요 시간(Makespan)이 6.05가 된다. 여기서, 랜덤 확률 Random number R1과 R2(0~1)을 결정하고 트럭의 기준 확률은 0.1, 드론의 기준 확률은 0.7이라고 가정한다. Referring to FIGS. 4 and 5, the production process of the RGSO scheduling optimization method for truck and drone parallel parcel delivery will be described. Previous producers in all stages shown in Figure 4 deliver only customer number 2 by drone, and the truck is depot (0), 1, 3, 9, 5, 4, 7, 8, 6, depot (0) Return to , and the evaluation value total required time (Makespan) becomes 6.05. Here, it is assumed that the random probability random numbers R1 and R2 (0 to 1) are determined, and the standard probability of the truck is 0.1 and the standard probability of the drone is 0.7.

고객 위치 1, 2, 3번만 드론으로 배달할 수 있는데, 랜덤 확률 0.52, 0.64가 기준 확률 0.7보다 작아 드론 고객 1 과 2의 해 표현 ‘0’이 ‘1’로 변경되어 도 5에 도시된 바와 같이 새로운 프로듀서(New producer)의 해는 1, 2, 3번 고객을 모두 드론으로 배달하는 것으로 변경된다.Only customer locations 1, 2, and 3 can be delivered by drone, but the random probabilities 0.52 and 0.64 are smaller than the standard probability 0.7, so the solution expression '0' for drone customers 1 and 2 is changed to '1' as shown in FIG. Likewise, the year of the new producer will be changed to deliver all customers 1, 2, and 3 by drone.

또한, 도 4에 도시된 바와 같이 8번 노드의 랜덤 선택 확률 0.03이 기준 확률 0.1보다 작기 때문에 자신을 제외한 1~9 사이의 노드 중 랜덤으로 선택된 5번 노드와 변경된다. 또한, 1번과 3번 노드의 랜덤 확률이 기준 확률 0.7보다 낮아 드론의 표현도 0에서 1로 변경된다. 또한, 2번 노드의 랜덤 확률 0.72은 드론의 기준 확률 0.7보다 높아 현재의 드론 표현 1을 유지한다. 노드 6의 드론 랜덤 확률이 0.72로 기준 확률 0.7보다 크지만 드론이 도달하지 못하기 때문에 표현 0을 유지한다.In addition, as shown in FIG. 4, since the random selection probability of node 8 is smaller than the reference probability of 0.1, it is changed to node 5 randomly selected among the nodes 1 to 9 excluding itself. Also, since the random probability of nodes 1 and 3 is lower than the standard probability of 0.7, the expression of the drone is also changed from 0 to 1. In addition, the random probability of node 2, 0.72, is higher than the reference probability of drone 0.7, so the current drone expression 1 is maintained. Although the drone random probability of node 6 is 0.72, which is greater than the reference probability of 0.7, the expression 0 is kept because the drone does not reach it.

전술한 바와 같은 프로듀싱 과정을 거쳐 생성된 새로운 프로듀서(New producer)는 고객 1, 2, 3은 드론으로 배달물을 배달하고, 트럭은 디포(0), 9, 8, 4, 7, 5, 6 디포(0)로 돌아와 평가값 총 소요 시간(Makespan)이 3.75가 되어 해가 개선되었다. New producers, created through the production process as described above, deliver deliveries to customers 1, 2, and 3 with drones, and trucks to depots (0), 9, 8, 4, 7, 5, and 6. Returning to depot (0), the evaluation value Total Time (Makespan) is 3.75, which improves the solution.

도 6 및 도 7은 본 발명의 실시예에 따른 스크라운징 과정을 설명하기 위해 도시한 것이다.6 and 7 are diagrams for explaining a scouring process according to an embodiment of the present invention.

도 6 및 도 7을 참조하여 운송 수단인 트럭과 드론 병렬 택배를 위한 RGSO 스케줄링 최적화 방법의 해 탐색을 위해 가장 좋은 해(또는 프로듀서, producer)를 스크라운저들이 추종하는 스크라운징 과정을 설명한다.Referring to FIGS. 6 and 7, the best solution (or producer, producer) to find the solution of the RGSO scheduling optimization method for truck and drone parallel delivery, which are transportation means, will be described. .

도 6에 도시된 바와 같은 이전 스크라운저(Previous scrounger)는 2번 고객만 드론으로 배달하고 운송 수단인 트럭이 디포(0), 4, 5, 6, 9, 8, 1, 3, 7, 디포(0)로 돌아와 총 소요 시간(Makespan)이 6.15가 된다. 이때, 변경 확률 R1과 R2(0~1)을 랜덤하게 결정하며, 트럭의 기준 확률이 0.3이고 드론의 기준 확률은 0.7이라고 가정한다.As shown in FIG. 6, the previous scrounger delivers only customer number 2 by drone, and the truck, which is the transportation means, depot (0), 4, 5, 6, 9, 8, 1, 3, 7, Return to Depot (0) and your total Makespan will be 6.15. At this time, the change probabilities R1 and R2 (0 to 1) are randomly determined, and it is assumed that the reference probability of the truck is 0.3 and the reference probability of the drone is 0.7.

도 6에서, 이전 스크라운저(Previous scrounger)의 해는 6, 9, 8 노드의 랜덤 확률 0.12, 0.16, 0.08이 기준 확률 0.3보다 낮아 프로듀서(producer)의 해 9, 8, 4 노드를 닮아간다. 이에, 이전 스크라운저(Previous scrounger)에서 드론의 2노드는 확률 0.75가 기준 확률 0.7보다 크므로 변경되지 않고, 1, 3 노드는 0.16, 0.08로 기준 확률 0.7보다 작아 프로듀서(producer)의 1, 3 노드의 표현 1을 따라 도 7에 도시된 바와 같이 새로운 스크라운저(New scrounger) 해의 1로 변경된다. In Fig. 6, the previous scrounger's solution has random probabilities of 0.12, 0.16, and 0.08 of nodes 6, 9, and 8, which are lower than the reference probability of 0.3, so that the solution of the producer resembles nodes 9, 8, and 4. . Accordingly, in the previous scrounger, the 2nd node of the drone is unchanged because the probability 0.75 is greater than the standard probability 0.7, and the 1st and 3rd nodes are 0.16 and 0.08, which are smaller than the standard probability 0.7, so the producer's 1, Following the expression 1 of the 3 nodes, as shown in FIG. 7, it is changed to 1 of the New scrounger solution.

전술한 바와 같은 스크라운징 과정을 거쳐 생성된 새로운 스크라운저(New scrounger)는 고객 1, 2, 3은 드론으로 배달물을 배달하고, 트럭은 디포(0), 6, 5, 9, 8, 4, 7, 디포(0)로 돌아와 평가값 총 소요 시간(Makespan)이 4.35가 되어 해가 개선되었다. New scroungers created through the above scrowing process deliver deliveries to customers 1, 2, and 3 with drones, and trucks to depots (0), 6, 5, 9, and 8 , 4, 7, and returned to depot (0), and the evaluation value, the total required time (Makespan) became 4.35, and the solution was improved.

도 8 및 도 9는 본 발명의 실시예에 따른 레인징 과정을 설명하기 위해 도시한 것이다.8 and 9 are diagrams for explaining a ranging process according to an embodiment of the present invention.

도 8 및 도 9를 참조하여 운송 수단인 트럭과 드론 병렬 택배를 위한 RGSO 스케줄링 최적화 방법의 해를 다양하게 탐색하기 위한 레인징 과정을 설명한다.Referring to FIGS. 8 and 9 , a ranging process for variously searching for a solution of an RGSO scheduling optimization method for parallel delivery of trucks and drones, which are means of transport, will be described.

도 8에 도시된 바와 같은 이전 레인저(Previous ranger)의 해는 트럭의 경우 노드 6, 2, 7, 9가 랜덤 확률 R1으로 변경되고, 드론의 경우 노드 2, 3이 랜덤 확률 R2로 변경된다. 이에 따라서, 도 9에 도시된 새로운 레인저(New ranger)의 해로 변경되는 노드가 1~9 사이의 노드로 랜덤 변경된다. 이에 드론의 표현도 노드가 변경되면서 동일시된다.In the previous ranger solution as shown in FIG. 8, nodes 6, 2, 7, and 9 are changed to random probability R1 in the case of a truck, and nodes 2 and 3 are changed to random probability R2 in the case of a drone. Accordingly, the node changed to the new ranger solution shown in FIG. 9 is randomly changed to a node between 1 and 9. Accordingly, the expression of the drone is also identified as the node is changed.

도 10 내지 도 12는 본 발명의 실시예에 따른 파인딩 과정을 설명하기 위해 도시한 것이다.10 to 12 are diagrams for explaining a finding process according to an embodiment of the present invention.

도 10 내지 도 12를 참조하여 운송 수단인 트럭과 드론 병렬 택배를 위한 RGSO 스케줄링 최적화 방법의 라우팅에 적합한 파인더 해 탐색을 위한 파인딩 과정을 설명한다. 10 to 12, a finding process for finding a finder solution suitable for routing of the RGSO scheduling optimization method for parallel delivery of trucks and drones, which are means of transport, will be described.

도 10에 도시된 바와 같은 이전 파인더(Previous finder)는 3번 고객만 드론으로 배달하고 트럭은 디포(0), 6, 1, 4, 2, 5, 9, 8, 7 디포(0)로 돌아와 평가값 총 소요 시간(Makespan)이 7.05가 된다. 이때, 변경 확률 R1과 R2(0~1)을 랜덤하게 결정하며, 트럭 기준 확률 및 드론 기준 확률은 0.7이라고 가정한다. The previous finder, as shown in FIG. 10, delivers only customer number 3 by drone, and the truck returns to Depot (0), 6, 1, 4, 2, 5, 9, 8, and 7 Depot (0). The evaluation value total required time (Makespan) becomes 7.05. At this time, it is assumed that the change probabilities R1 and R2 (0 to 1) are randomly determined, and the truck-based probability and drone-based probability are 0.7.

도 10의 이전 파인더(Previous finger)의 해에서 드론 변경 확률 R2에 속한 2번 0.66과 3번 0.49가 기준 확률 0.7보다 작아 0을 1로, 1을 0으로 변경하여 도 11a와 같은 해로 전환된다.In the solution of the previous finger of FIG. 10, the second 0.66 and the third 0.49 belonging to the drone change probability R2 are smaller than the reference probability 0.7, so 0 is changed to 1 and 1 is changed to 0 to convert to the same solution as shown in FIG. 11a.

드론 경로 변경 후, 도 11b에서 트럭 1번 노드 0.24가 기준 확률 0.7보다 작기 때문에 1번 노드를 변경할 수 있다. 이에, 1번 노드를 변경할 때, 1번 노드의 인접한 노드 6과 4를 기준으로 노드 6과 1, 2, 3, 5, 7, 8, 9까지의 직각거리(17, 23, 26, 16, 31, 36, 61)를 계산하고, 노드 4와 1, 2, 3, 5, 7, 8, 9까지의 직각거리(40, 38, 45, 27, 16, 17, 40)를 계산하여 두 거리의 합(57, 61, 71, 45, 47, 53, 101)을 계산한다. 이에 따라서, 도 11c와 같이 거리의 합 중 가장 작은 값 45의 노드 5를 선택하고 노드 1과 교환된다.After changing the drone route, since the truck No. 1 node 0.24 is smaller than the reference probability 0.7 in FIG. 11B, the No. 1 node can be changed. Therefore, when changing node 1, the orthogonal distance (17, 23, 26, 16, 17, 23, 26, 16, 31, 36, 61) and the perpendicular distances (40, 38, 45, 27, 16, 17, 40) from node 4 to nodes 1, 2, 3, 5, 7, 8, 9 Calculate the sum of (57, 61, 71, 45, 47, 53, 101). Accordingly, node 5 having the smallest value of 45 among the sum of distances is selected and exchanged with node 1, as shown in FIG. 11c.

5번 노드와 1번 노드 교환 후, 도 11d에서 트럭 4번 노드가 기준 확률 0.7보다 작은 변경 확률 0.64이기 때문에, 어떤 노드와 교환할 것인지 결정해야 한다. 이에, 4번 노드의 이전 노드는 5번 노드이고, 다음 노드는 2번 노드인데, 2번 노드는 드론으로 이동하기 때문에 트럭으로 이동하는 1번 노드가 4번의 다음 노드가 된다. 따라서, 4번 노드의 이전 노드 5와 2, 3, 4, 6, 7, 8, 9까지의 거리(31, 24, 27, 16, 15, 34, 59)를 계산하고, 4번 노드 다음 노드인 노드 1과 2, 3, 4, 6, 7, 8, 9까지의 거리(16, 9, 40, 17, 28, 24, 44)를 계산하여 두 거리의 합(47, 33, 67, 33, 43, 58, 103)을 계산한다. 결과적으로, 거리의 합 중 가장 작은 33의 노드 3과 6중 도 11e와 같이 3을 선택하고 노드 4와 교환된다.After exchanging node 5 and node 1, it is necessary to determine which node to exchange with because node 4 of the truck in FIG. 11D has a change probability of 0.64 smaller than the reference probability of 0.7. Accordingly, the previous node of node 4 is node 5, and the next node is node 2. Since node 2 moves by drone, node 1 moving by truck becomes the next node of node 4. Therefore, the distances (31, 24, 27, 16, 15, 34, 59) from node 5 before node 4 to nodes 2, 3, 4, 6, 7, 8, and 9 are calculated, and the nodes following node 4 are calculated. The distances (16, 9, 40, 17, 28, 24, 44) from node 1 to 2, 3, 4, 6, 7, 8, and 9 are calculated and the sum of the two distances (47, 33, 67, 33 , 43, 58, 103). As a result, among nodes 3 and 6 of 33, which is the smallest among the sum of distances, 3 is selected and exchanged with node 4 as shown in FIG. 11e.

전술한 바와 같은 방법으로 도 11f의 노드 9, 8, 7을 변경하여 도 12에 도시된 바와 같은 새로운 파인더(New Finder)를 생성한다. 전술한 파인딩 과정을 거쳐 생성된 새로운 파인더(New Finder)는 고객 2는 드론으로 배달물을 배달하고, 트럭은 디포(0), 6, 5, 9, 7, 3, 1, 8, 4, 디포(0)로 돌아와 평가값 총 소요 시간(Makespan)이 6.65가 되어 해가 개선되었다. Nodes 9, 8, and 7 of FIG. 11F are changed in the same manner as described above to create a new finder as shown in FIG. 12 . In the new Finder created through the above-mentioned finding process, Customer 2 delivers deliveries by drone, and the trucks are Depot (0), 6, 5, 9, 7, 3, 1, 8, 4, Depot Returning to (0), the evaluation value total required time (Makespan) became 6.65, and the solution was improved.

도 13은 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템의 세부 구성을 블록도로 도시한 것이다.13 is a block diagram showing a detailed configuration of an RGSO scheduling optimization system according to an embodiment of the present invention.

도 13을 참조하면, 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템은 운송 수단과 드론을 협력하여 모든 고객의 위치에 모든 배달물을 배송할 때까지의 마지막 시간(또는 총 소요 시간, Makespan)을 최소화하는 스케줄링과 이동 경로 탐색 방법을 제안한다.Referring to FIG. 13, the RGSO scheduling optimization system according to an embodiment of the present invention cooperates with transportation means and drones to determine the last time (or total required time, Makespan) until all deliveries are delivered to all customer locations. We propose a minimizing scheduling and movement path search method.

이를 위해, 본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템(1300)은 입력부(1310), 데이터 처리부(1320), 수행부(1330), 프로듀서 업데이트부(1340), 획득부(1350) 및 제어부(1360)를 포함한다. 이때, 본 발명의 실시예에 따른 제어부(1360)는 종료조건의 부합 여부에 따라 수행부(1330) 및 프로듀서 업데이트부(1340)를 반복 수행하도록 제어할 수 있다. To this end, the RGSO scheduling optimization system 1300 according to an embodiment of the present invention includes an input unit 1310, a data processing unit 1320, an execution unit 1330, a producer update unit 1340, an acquisition unit 1350, and a control unit ( 1360). In this case, the control unit 1360 according to an embodiment of the present invention may control the execution unit 1330 and the producer update unit 1340 to be repeatedly performed according to whether the termination condition is satisfied.

입력부(1310)는 고객의 위치 데이터를 입력한다. The input unit 1310 inputs customer location data.

입력부(1310)는 고객의 위치 데이터(x, y)와 운송 수단의 속도 및 드론의 속도, 드론의 배달 가능한 배달물의 중량을 입력하며, 드론의 배달 가능한 중량 노드 및 드론의 배달 가능한 범위를 입력할 수 있다.The input unit 1310 inputs the customer's location data (x, y), the speed of the means of transportation and the speed of the drone, the weight of the deliverables that can be delivered by the drone, and inputs the drone's deliverable weight node and the drone's deliverable range. can

데이터 처리부(1320)는 고객의 위치 데이터 중에서, 운송 수단 및 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 배송 위치 데이터까지의 거리 및 소요시간을 산출한다. The data processing unit 1320 obtains delivery location data where transportation means and drones can deliver from among the customer's location data, and calculates the distance and required time from the depot to the delivery location data.

데이터 처리부(1320)는 고객의 위치 데이터 중에서, 배달물의 중량 초과로 인해 드론이 배달 불가능한 배송 위치 및 디포에서 드론으로 배달 가능한 배송 위치를 확인하여 드론이 배달 가능한 배송 위치 데이터를 획득할 수 있다.The data processing unit 1320 may obtain delivery location data where the drone can deliver by checking a delivery location where the drone cannot deliver due to an excessive weight of the delivery and a delivery location where the drone can deliver the delivery from the depot, among the location data of the customer.

이에, 데이터 처리부(1320)는 배송 위치 데이터 중에서, 디포를 포함한 모든 고객 위치간의 운송 수단의 직각거리와 소요시간을 산출하고, 디포에서 모든 고객 위치간의 드론의 직선거리와 소요시간을 산출하며, 운송 수단과 드론의 소요시간으로 총 소요 시간(Makespan)의 평가함수를 정의할 수 있다. 이때, 데이터 처리부(1320)는 운송 수단은 도로를 이동하므로 직각거리(Manhattan distance)로 계산하며, 드론은 지상을 장애물이 없이 이동한다고 가정하고 직선거리(Euclidean distance)로 계산한다. 운송 수단과 드론 각각의 배달 소요시간은 운송 수단의 직각거리와 드론의 직선거리를 각각의 속도로 나누어 계산되며, 이는 도 1에서 설명한 기존의 PDSTSP 스케줄링 방법과 동일하다.Accordingly, the data processing unit 1320 calculates the perpendicular distance and required time of transportation between all customer locations, including the depot, among the delivery location data, calculates the straight-line distance and required time of the drone between all customer locations at the depot, and transport The evaluation function of the total required time (Makespan) can be defined with the required time of the means and the drone. At this time, the data processing unit 1320 calculates the transportation means as a Manhattan distance since it moves on the road, and calculates the drone as a straight line distance (Euclidean distance) assuming that it moves on the ground without obstacles. The delivery time of each vehicle and drone is calculated by dividing the perpendicular distance of the vehicle and the straight-line distance of the drone by each speed, which is the same as the conventional PDSTSP scheduling method described in FIG. 1.

수행부(1330)는 운송 수단과 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행한다. The execution unit 1330 generates an initial solution for the path of the vehicle and the drone, and performs a producing process, a scouring process, a ranging process, and a finding process for a producer of the initial solution.

수행부(1330)는 데이터 처리부(132)에서 산출된 거리 및 소요시간의 결과 값을 기반으로, 배송 위치 데이터 중에서 운송 수단 및 드론의 각 경로에 대한 초기 해를 생성하며, 초기 해의 인구(Population)를 생성하고, 총 소요 시간(Makespan)을 산출할 수 있다.The execution unit 1330 generates an initial solution for each path of the transportation means and drone among the delivery location data based on the result values of the distance and required time calculated by the data processing unit 132, and the population of the initial solution ) and calculate the total required time (Makespan).

수행부(1330)는 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하며, 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정의 구성 비율을 결정할 수 있다.The execution unit 1330 performs a producing process, a scranging process, a ranging process, and a finding process for the producer of the initial solution, and the composition ratio of the producing process, the scouring process, the ranging process, and the finding process. can determine

보다 구체적으로, 수행부(1330)는 운송 수단의 기준 확률 및 드론의 기준 확률을 기준으로 프로듀서(producer)에서 이웃 해들을 탐색하여 새로운 프로듀서(new producer)로 업데이트하는 프로듀싱 과정을 수행할 수 있다. 프로듀서(producer)는 가장 좋은 해를 나타내고 현재의 가장 좋은 해의 이웃 해들을 탐색하고 더 좋은 해를 탐색하면 그 해를 새로운 프로듀서(new producer)로 업데이트하면서 수렴해 간다. More specifically, the execution unit 1330 may perform a producing process of searching for neighboring solutions in a producer based on the reference probability of the vehicle and the reference probability of the drone and updating them with a new producer. The producer represents the best solution, searches for neighboring solutions of the current best solution, and when a better solution is found, updates the solution as a new producer and converges.

또한, 수행부(1330)는 새로운 프로듀서를 제외한 약 60%를 이전 스크라운저(previous scrounger)로 선택하며, 새로운 프로듀서에 따라 해를 탐색하여 새로운 스크라운저(new scrounger)로 업데이트하는 스크라운징 과정을 수행하며, 새로운 프로듀서를 제외한 약 10%를 이전 레인저(previous ranger)로 선택하며, 무작위 이웃 해의 다양한 해를 탐색하여 새로운 레인저(new ranger)로 업데이트하는 레인징 과정을 수행할 수 있다. 스크라운저(scrounger)는 프로듀서(producer)를 추종하여 이웃 해를 생성하고 새로운 해의 평가값에 관계없이 새로운 해로 업데이트 하면서 수렴해 간다. 또한, 레인저(ranger)는 랜덤으로 해들을 생성하여 다양한 탐색을 한다.In addition, the performing unit 1330 selects about 60% of the previous scroungers excluding new producers, searches for solutions according to the new producers, and updates them to new scroungers. process, a ranging process of selecting about 10% excluding new producers as previous rangers, searching for various solutions of random neighboring solutions, and updating them with new rangers. Scrooner follows the producer to create a neighboring solution and converges while updating to the new solution regardless of the evaluation value of the new solution. In addition, a ranger randomly generates solutions to perform various searches.

또한, 수행부(1330)는 새로운 프로듀서를 제외한 약 30%를 이전 파인더(previous finder)로 선택하며, 라우팅(routing)에 적합한 메커니즘을 통하여 해를 탐색하여 새로운 파인더(new finder)로 업데이트하는 파인딩 과정을 수행할 수 있다.In addition, the performing unit 1330 selects about 30% of the new producers as previous finders, searches for solutions through a mechanism suitable for routing, and updates them to new finders. Finding process can be performed.

본 발명의 실시예에 따른 RGSO 스케줄링 최적화 시스템(1300)은 기존 PDSTSP 문제의 최적 스케줄링 해를 탐색하기 위해 기존 그룹탐색최적화(Group Search Optimization, GSO) 방법의 프로듀싱 과정, 스크라운징 과정 및 레인징 과정에 라우팅(Routing) 문제의 해를 효과적으로 탐색할 수 있는 메커니즘(라우팅 해를 탐색할 때 각 노드의 상대적인 거리를 고려하여 연결점을 탐색)을 적용한 파인딩 과정을 추가하여 효율적인 RSGO 스케줄링 최적화 방법을 제공할 수 있다.The RGSO scheduling optimization system 1300 according to an embodiment of the present invention uses the existing Group Search Optimization (GSO) method to search for an optimal scheduling solution for the existing PDSTSP problem. It is possible to provide an efficient RSGO scheduling optimization method by adding a finding process applying a mechanism that can effectively search for a solution to a routing problem (search for a connection point by considering the relative distance of each node when searching for a routing solution). there is.

프로듀서 업데이트부(1340)는 수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 프로듀서에 업데이트한다. The producer update unit 1340 calculates evaluation values of all solutions according to the execution result and updates the solution representing the minimum total required time (Makespan) to the producer.

프로듀서 업데이트부(1340)는 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정에서의 모든 N개의 해에 대한 총 소요 시간(Makespan)을 산출하며, 그 중 최소 평가값을 나타내는 새로운 프로듀서를 선택하며, 프로듀서와 새로운 프로듀서를 비교하여 프로듀서를 업데이트할 수 있다.The producer update unit 1340 calculates the total required time (Makespan) for all N solutions in the producing process, scranging process, ranging process, and finding process, and selects a new producer representing the minimum evaluation value among them. and update the producer by comparing the producer with the new producer.

획득부(1350)는 업데이트 결과에 따라 운송 수단과 드론을 사용한 병렬 배송을 위한 최적 해를 획득한다. The acquisition unit 1350 acquires an optimal solution for parallel delivery using transportation means and drones according to the update result.

획득부(1350)는 일정 세대 동안 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합할 때, RGSO 스케줄링 최적화 방법을 종료하며, 지금까지 찾아낸 해들 중 가장 좋은 해를 프로듀서(producer)로 설정한 후, 병렬 배송을 위한 최적 해로 도출할 수 있다. 일 예로, 획득부(1350)는 새로운 프로듀서의 평가값이 기존 프로듀서의 평가값보다 큰 경우, 기존 프로듀서의 업데이트 필요성이 없어지므로 일정 세대 동안 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합한 것으로 판단할 수 있다. The acquisition unit 1350 terminates the RGSO scheduling optimization method when a preset termination condition in which there is no change in producer for a certain generation is met, and after setting the best solution among solutions found so far as a producer, An optimal solution for parallel delivery can be derived. For example, when the evaluation value of the new producer is greater than the evaluation value of the existing producer, the acquisition unit 1350 determines that the existing producer does not need to be updated. can

비록, 도 13의 시스템에서 그 설명이 생략되었더라도, 본 발명에 따른 시스템은 상기 도 1 내지 도 12에서 설명한 모든 내용을 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.Although the description is omitted in the system of FIG. 13, it is apparent to those skilled in the art that the system according to the present invention may include all of the contents described in FIGS. 1 to 12.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The system or apparatus described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA) , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, those skilled in the art can make various modifications and variations from the above description. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims (20)

운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO(Routing Group Search Optimization) 스케줄링 최적화 방법에 있어서,
고객의 위치 데이터를 입력하는 제1 단계;
상기 고객의 위치 데이터 중에서, 운송 수단 및 상기 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 상기 배송 위치 데이터까지의 거리 및 소요시간을 산출하는 제2 단계;
상기 운송 수단과 상기 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하는 제3 단계;
수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 상기 프로듀서에 업데이트하는 제4 단계; 및
업데이트 결과에 따라 상기 운송 수단과 상기 드론을 사용한 병렬 배송을 위한 최적 해를 획득하는 제5 단계
를 포함하는 RGSO 스케줄링 최적화 방법. In the RGSO (Routing Group Search Optimization) scheduling optimization method for exploring the optimal solution of parallel delivery using transportation means and drones,
A first step of inputting customer's location data;
A second step of acquiring delivery location data where the means of transportation and the drone can deliver from among the location data of the customer, and calculating a distance and required time from a depot to the delivery location data;
a third step of generating an initial solution for the path of the means of transportation and the drone, and performing a producing process, a scouring process, a ranging process, and a finding process for a producer of the initial solution;
A fourth step of calculating evaluation values of all solutions according to execution results and updating a solution indicating a minimum total required time (Makespan) to the producer; and
A fifth step of obtaining an optimal solution for parallel delivery using the means of transportation and the drone according to the update result.
RGSO scheduling optimization method comprising a. 제1항에 있어서,
상기 제1 단계는
상기 고객의 위치 데이터(x, y)와 상기 운송 수단 및 상기 드론의 속도, 상기 드론의 배달 가능한 중량을 입력하며, 상기 드론의 배달 가능한 중량 노드 및 상기 드론의 배달 가능한 범위를 입력하는, RGSO 스케줄링 최적화 방법.According to claim 1,
The first step is
RGSO scheduling, inputting the customer's location data (x, y), the means of transportation, the speed of the drone, and the deliverable weight of the drone, and inputting the deliverable weight node of the drone and the deliverable range of the drone optimization method. 제2항에 있어서,
상기 제2 단계는
상기 고객의 위치 데이터 중에서, 배달물의 중량 초과로 인해 상기 드론이 배달 불가능한 배송 위치 및 상기 디포에서 상기 드론으로 배달 가능한 배송 위치를 확인하여 상기 배송 위치 데이터를 획득하는 단계를 포함하는, RGSO 스케줄링 최적화 방법. According to claim 2,
The second step is
Among the customer's location data, checking a delivery location where the drone cannot deliver due to the overweight of the delivery and a delivery location where the drone can deliver from the depot to obtain the delivery location data, RGSO Scheduling Optimization Method . 제3항에 있어서,
상기 제2 단계는
상기 배송 위치 데이터 중에서, 상기 디포를 포함한 모든 고객 위치간의 상기 운송 수단의 직각거리와 소요시간을 산출하고, 상기 디포에서 모든 고객 위치간의 상기 드론의 직선거리와 소요시간을 산출하며, 상기 운송 수단과 상기 드론의 소요시간으로 총 소요 시간(Makespan)의 평가함수를 정의하는, RGSO 스케줄링 최적화 방법.According to claim 3,
The second step is
Among the delivery location data, the perpendicular distance and required time of the means of transportation between all customer locations including the depot are calculated, and the linear distance and required time of the drone between all customer locations at the depot are calculated, and the means of transportation and An RGSO scheduling optimization method for defining an evaluation function of the total required time (Makespan) as the required time of the drone. 제4항에 있어서,
상기 제3 단계는
상기 제2 단계에서 산출된 거리 및 소요시간의 결과 값을 기반으로, 상기 배송 위치 데이터 중에서 상기 운송 수단 및 상기 드론의 각 경로에 대한 초기 해를 생성하며, 상기 초기 해의 인구(Population)를 생성하고, 총 소요 시간(Makespan)을 산출하는, RGSO 스케줄링 최적화 방법.According to claim 4,
The third step is
Based on the result values of the distance and required time calculated in the second step, an initial solution for each route of the means of transportation and the drone is generated from among the delivery location data, and a population of the initial solution is generated. RGSO scheduling optimization method that calculates the total required time (Makespan). 제1항에 있어서,
상기 제3 단계는
운송 수단의 기준 확률 및 드론의 기준 확률을 기준으로 상기 프로듀서(producer)에서 이웃 해들을 탐색하여 새로운 프로듀서(new producer)로 업데이트하는 상기 프로듀싱 과정을 수행하는, RGSO 스케줄링 최적화 방법.According to claim 1,
The third step is
An RGSO scheduling optimization method for performing the producing process of searching for neighboring solutions in the producer and updating them with a new producer based on the reference probability of the vehicle and the reference probability of the drone. 제6항에 있어서,
상기 제3 단계는
상기 새로운 프로듀서를 제외한 60%를 이전 스크라운저(previous scrounger)로 선택하며, 상기 새로운 프로듀서에 따라 해를 탐색하여 새로운 스크라운저(new scrounger)로 업데이트하는 상기 스크라운징 과정 및 상기 새로운 프로듀서를 제외한 약 10%를 이전 레인저(previous ranger)로 선택하며, 무작위 이웃 해의 다양한 해를 탐색하여 새로운 레인저(new ranger)로 업데이트하는 상기 레인징 과정을 수행하는, RGSO 스케줄링 최적화 방법.According to claim 6,
The third step is
The scrubbing process of selecting 60% of the new producers as previous scourers, searching for solutions according to the new scrouungers and updating them to new scrouungers, and the new producer RGSO scheduling optimization method for performing the ranging process of selecting about 10% of the excluded ones as previous rangers, searching for various solutions of random neighboring solutions and updating them with new rangers. 제7항에 있어서,
상기 제3 단계는
상기 새로운 프로듀서를 제외한 30%를 이전 파인더(previous finder)로 선택하며, 라우팅(routing)에 적합한 메커니즘을 통하여 해를 탐색하여 새로운 파인더(new finder)로 업데이트하는 상기 파인딩 과정을 수행하는 것을 특징으로 하는, RGSO 스케줄링 최적화 방법.According to claim 7,
The third step is
Performing the finding process of selecting 30% excluding the new producer as a previous finder, searching for a solution through a mechanism suitable for routing and updating to a new finder Characterized in that , RGSO scheduling optimization method. 제1항에 있어서,
상기 제4 단계는
상기 프로듀싱 과정, 상기 스크라운징 과정, 상기 레인징 과정 및 상기 파인딩 과정에서의 모든 N개의 해에 대한 총 소요 시간(Makespan)을 산출하며, 그 중 최소 평가값을 나타내는 새로운 프로듀서를 선택하며, 상기 프로듀서와 상기 새로운 프로듀서를 비교하여 상기 프로듀서를 업데이트하는, RGSO 스케줄링 최적화 방법.According to claim 1,
The fourth step is
A total required time (Makespan) for all N solutions in the producing process, the scranging process, the ranging process, and the finding process is calculated, and a new producer showing the minimum evaluation value is selected among them. RGSO scheduling optimization method, wherein the producer is compared with the new producer and the producer is updated. 제9항에 있어서,
상기 제5 단계는
일정 세대 동안 상기 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합할 때, 상기 RGSO 스케줄링 최적화 방법을 종료하여 병렬 배송을 위한 상기 최적 해를 도출하는, RGSO 스케줄링 최적화 방법.According to claim 9,
The fifth step is
RGSO scheduling optimization method for deriving the optimal solution for parallel delivery by terminating the RGSO scheduling optimization method when a predetermined termination condition of no change of the producer for a certain generation is met. 운송 수단과 드론을 사용한 병렬 배송의 최적 해를 탐색하기 위한 RGSO(Routing Group Search Optimization) 스케줄링 최적화 방법을 수행하는 RGSO 스케줄링 최적화 시스템에 있어서,
고객의 위치 데이터를 입력하는 입력부;
상기 고객의 위치 데이터 중에서, 운송 수단 및 상기 드론이 배송 가능한 배송 위치 데이터를 획득하며, 디포(depot)에서 상기 배송 위치 데이터까지의 거리 및 소요시간을 산출하는 데이터 처리부;
상기 운송 수단과 상기 드론의 경로에 대한 초기 해를 생성하며, 초기 해의 프로듀서(producer)에 대한 프로듀싱 과정, 스크라운징 과정, 레인징 과정 및 파인딩 과정을 수행하는 수행부;
수행 결과에 따른 모든 해들의 평가값을 산출하여 최소값의 총 소요 시간(Makespan)을 나타내는 해를 상기 프로듀서에 업데이트하는 프로듀서 업데이트부; 및
업데이트 결과에 따라 상기 운송 수단과 상기 드론을 사용한 병렬 배송을 위한 최적 해를 획득하는 획득부
를 포함하는 RGSO 스케줄링 최적화 시스템. In the RGSO scheduling optimization system that performs the RGSO (Routing Group Search Optimization) scheduling optimization method for exploring the optimal solution of parallel delivery using transportation means and drones,
an input unit for inputting customer location data;
a data processing unit that obtains delivery location data where a means of transportation and the drone can deliver from among the location data of the customer, and calculates a distance and required time from a depot to the delivery location data;
an execution unit generating an initial solution for the path of the vehicle and the drone, and performing a producing process, a scouring process, a ranging process, and a finding process for a producer of the initial solution;
a producer update unit which calculates evaluation values of all solutions according to execution results and updates a solution indicating a minimum total required time (Makespan) to the producer; and
Acquisition unit for acquiring an optimal solution for parallel delivery using the means of transport and the drone according to the update result
RGSO Scheduling Optimization System Including. 제11항에 있어서,
상기 입력부는
상기 고객의 위치 데이터(x, y)와 상기 운송 수단 및 상기 드론의 속도, 상기 드론의 배달 가능한 중량을 입력하며, 상기 드론의 배달 가능한 중량 노드 및 상기 드론의 배달 가능한 범위를 입력하는, RGSO 스케줄링 최적화 시스템.According to claim 11,
the input part
RGSO scheduling, inputting the customer's location data (x, y), the means of transportation, the speed of the drone, and the deliverable weight of the drone, and inputting the deliverable weight node of the drone and the deliverable range of the drone optimization system. 제11항에 있어서,
상기 데이터 처리부는
상기 고객의 위치 데이터 중에서, 배달물의 중량 초과로 인해 상기 드론이 배달 불가능한 배송 위치 및 상기 디포에서 상기 드론으로 배달 가능한 배송 위치를 확인하여 상기 배송 위치 데이터를 획득하는 것을 특징으로 하는, RGSO 스케줄링 최적화 시스템.According to claim 11,
The data processing unit
Among the location data of the customer, the delivery location data is obtained by checking a delivery location where the drone cannot deliver due to overweight of the delivery and a delivery location where the drone can be delivered from the depot. Characterized in that, RGSO Scheduling Optimization System . 제13항에 있어서,
상기 데이터 처리부는
상기 배송 위치 데이터 중에서, 상기 디포를 포함한 모든 고객 위치간의 상기 운송 수단의 직각거리와 소요시간을 산출하고, 상기 디포에서 모든 고객 위치간의 상기 드론의 직선거리와 소요시간을 산출하며, 상기 운송 수단과 상기 드론의 소요시간으로 총 소요 시간(Makespan)의 평가함수를 정의하는, RGSO 스케줄링 최적화 시스템.According to claim 13,
The data processing unit
Among the delivery location data, the perpendicular distance and required time of the means of transportation between all customer locations including the depot are calculated, and the linear distance and required time of the drone between all customer locations at the depot are calculated, and the means of transportation and An RGSO scheduling optimization system that defines an evaluation function of the total required time (Makespan) as the required time of the drone. 제14항에 있어서,
상기 수행부는
상기 데이터 처리부에서 산출된 거리 및 소요시간의 결과 값을 기반으로, 상기 배송 위치 데이터 중에서 상기 운송 수단 및 상기 드론의 각 경로에 대한 초기 해를 생성하며, 상기 초기 해의 인구(Population)를 생성하고, 총 소요 시간(Makespan)을 산출하는, RGSO 스케줄링 최적화 시스템.According to claim 14,
The carrying out department
Based on the result values of the distance and required time calculated by the data processing unit, an initial solution for each path of the means of transportation and the drone is generated from among the delivery location data, and a population of the initial solution is generated, , an RGSO scheduling optimization system that yields the total time spent (Makespan). 제11항에 있어서,
상기 수행부는
운송 수단의 기준 확률 및 드론의 기준 확률을 기준으로 상기 프로듀서(producer)에서 이웃 해들을 탐색하여 새로운 프로듀서(new producer)로 업데이트하는 상기 프로듀싱 과정을 수행하는, RGSO 스케줄링 최적화 시스템.According to claim 11,
The carrying out department
An RGSO scheduling optimization system that performs the producing process of searching for neighboring solutions in the producer and updating them to a new producer based on the reference probability of the vehicle and the reference probability of the drone. 제16항에 있어서,
상기 수행부는
상기 새로운 프로듀서를 제외한 60%를 이전 스크라운저(previous scrounger)로 선택하며, 상기 새로운 프로듀서에 따라 해를 탐색하여 새로운 스크라운저(new scrounger)로 업데이트하는 상기 스크라운징 과정 및 상기 새로운 프로듀서를 제외한 약 10%를 이전 레인저(previous ranger)로 선택하며, 무작위 이웃 해의 다양한 해를 탐색하여 새로운 레인저(new ranger)로 업데이트하는 상기 레인징 과정을 수행하는, RGSO 스케줄링 최적화 시스템.According to claim 16,
The carrying out department
The scrubbing process of selecting 60% of the new producers as previous scourers, searching for solutions according to the new scrouungers and updating them to new scrouungers, and the new producer An RGSO scheduling optimization system that performs the ranging process of selecting about 10% excepted as a previous ranger, searching for various solutions of random neighboring solutions and updating them with a new ranger. 제17항에 있어서,
상기 수행부는
상기 새로운 프로듀서를 제외한 30%를 이전 파인더(previous finder)로 선택하며, 라우팅(routing)에 적합한 메커니즘을 통하여 해를 탐색하여 새로운 파인더(new finder)로 업데이트하는 상기 파인딩 과정을 수행하는 것을 특징으로 하는, RGSO 스케줄링 최적화 시스템.According to claim 17,
The carrying out department
Performing the finding process of selecting 30% excluding the new producer as a previous finder, searching for a solution through a mechanism suitable for routing and updating to a new finder Characterized in that , RGSO Scheduling Optimization System. 제11항에 있어서,
상기 프로듀서 업데이트부는
상기 프로듀싱 과정, 상기 스크라운징 과정, 상기 레인징 과정 및 상기 파인딩 과정에서의 모든 N개의 해에 대한 총 소요 시간(Makespan)을 산출하며, 그 중 최소 평가값을 나타내는 새로운 프로듀서를 선택하며, 상기 프로듀서와 상기 새로운 프로듀서를 비교하여 상기 프로듀서를 업데이트하는, RGSO 스케줄링 최적화 시스템.According to claim 11,
The Producer Update Department
A total required time (Makespan) for all N solutions in the producing process, the scranging process, the ranging process, and the finding process is calculated, and a new producer showing the minimum evaluation value is selected among them. RGSO scheduling optimization system, comparing a producer with the new producer and updating the producer. 제19항에 있어서,
상기 획득부는
일정 세대 동안 상기 프로듀서의 변화가 없는 기 설정된 종료 조건에 부합할 때, 상기 RGSO 스케줄링 최적화 방법을 종료하여 병렬 배송을 위한 상기 최적 해를 도출하는, RGSO 스케줄링 최적화 시스템.
According to claim 19,
the acquisition unit
RGSO scheduling optimization system for deriving the optimal solution for parallel delivery by terminating the RGSO scheduling optimization method when a predetermined termination condition of no change of the producer for a certain generation is met.
KR1020210007428A 2021-01-19 2021-01-19 Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof KR102532433B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210007428A KR102532433B1 (en) 2021-01-19 2021-01-19 Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210007428A KR102532433B1 (en) 2021-01-19 2021-01-19 Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof

Publications (2)

Publication Number Publication Date
KR20220104970A KR20220104970A (en) 2022-07-26
KR102532433B1 true KR102532433B1 (en) 2023-05-12

Family

ID=82609494

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210007428A KR102532433B1 (en) 2021-01-19 2021-01-19 Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof

Country Status (1)

Country Link
KR (1) KR102532433B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328198B (en) * 2022-08-12 2024-06-21 北京航空航天大学 Space-ground cooperative intelligent path planning method
CN116989797B (en) * 2023-09-26 2023-12-15 北京理工大学 Unmanned aerial vehicle track optimization method and device, electronic equipment and storage medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101924729B1 (en) 2017-08-02 2018-12-03 서울대학교산학협력단 System and method for providing total logistic using drone

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101924729B1 (en) 2017-08-02 2018-12-03 서울대학교산학협력단 System and method for providing total logistic using drone

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JOURNAL OF INFORMATION TECHNOLOGY APPLICATIONS AND MANAGEMENT VOLUME 26 ISSUE 1_PAGES53_64_2019
JOURNAL OF THE KOREA SOCIETY OF COMPUTER AND INFORMATION/VOLUME 21 ISSUE 9/PAGES79_84/2016
TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES

Also Published As

Publication number Publication date
KR20220104970A (en) 2022-07-26

Similar Documents

Publication Publication Date Title
Li et al. Two-echelon vehicle routing problem with time windows and mobile satellites
US10655975B2 (en) System and method for routing optimization
Le-Anh et al. A review of design and control of automated guided vehicle systems
KR102036716B1 (en) Path planning method for visiting multiple mission points and apparatus therefor
KR102499502B1 (en) Scheduling optimization method of vehicles and drones using delivery position clustering of parallel delivery using vehicles and drones and the system thereof
KR102532433B1 (en) Routing group search optimization scheduling optimization method to search for optimum solution of parallel delivery using vehicles and drones and the system thereof
Alves et al. Using genetic algorithms to minimize the distance and balance the routes for the multiple traveling salesman problem
Coltin et al. Scheduling for transfers in pickup and delivery problems with very large neighborhood search
JP7272547B2 (en) Multi-robot path planning
CN113848970B (en) Multi-target cooperative path planning method for vehicle-unmanned aerial vehicle
US9741253B2 (en) Distributed air traffic flow management
CN111947676B (en) Express delivery path planning method and device, electronic equipment and storage medium
CN115079701A (en) Unmanned vehicle and unmanned aerial vehicle cooperative path planning method
Shi et al. Task allocation and path planning of many robots with motion uncertainty in a warehouse environment
KR20210086400A (en) Artificial intelligence-based intelligent drainage apparatus and operating method thereof
KR20200137984A (en) Method for preprocessing a set of feasible transfers for computing itineraries in a multimodal transportation network
Alaia et al. Optimization of the multi-depot & multi-vehicle pickup and delivery problem with time windows using genetic algorithm
JP4025652B2 (en) Transportation planning system and method
KR102033509B1 (en) Taas-based virtual autonomous driving transportation apparatus and method
US20230196215A1 (en) Method for computing a set of itineraries from a departure location to an arrival location using cluster-based searching
Kim et al. Rolling horizon based temporal decomposition for the offline pickup and delivery problem with time windows
KR102459756B1 (en) A hierarchical route recommendation method and system considering inter-node accessibility using multimodes
Gao et al. The stochastic share-a-ride problem with electric vehicles and customer priorities
EP3926302A1 (en) Method and apparatus for planning a return trip between a given starting point and a given destination
CN114659533A (en) Path planning method for multi-task conflict detection and resolution in emergency rescue scene

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant