考虑多无人机站点的车机协同配送方法及系统与流程

1.本发明涉及物流的调度技术领域，具体地涉及一种考虑多无人机站点的车机协同配送方法及系统。


背景技术：

2.随着无人机技术的发展，车辆与无人机协同完成配送的方式受到广泛关注，多个物流企业与科技公司已完成利用无人机进行末端配送的初步实验。当前无人机大多从仓库出发进行配送并返回仓库。在实际情况中，仓库无法为超出无人机配送范围的顾客提供配送服务，因此建立多个无人机站点为无人机提供较远距离的配送服务，成为提高无人机利用率进一步发挥车机协同配送的重要方式。在实际配送方案中，如何分配配送任务使得总配送成本最低成为一个亟需解决的问题，建立合理的路径生成问题描述模型，并为模型寻找搞笑求解算法具有重要意义。


技术实现要素：

3.本发明实施例的目的是提供一种考虑多无人机站点的车机协同配送方法及系统，该方法及系统能够针对无人机配合卡车的物流背景生成高效的调度方案。
4.为了实现上述目的，本发明实施例提供一种考虑多无人机站点的车机协同配送方法，包括：
5.随机生成车机协同配送方案以形成待优化方案；
6.将所述待优化方案作为的历史最优方案和当前最优方案；
7.判断当前的迭代次数是否大于或等于预设值；
8.在判断所述迭代次数小于所述预设值的情况下，对所述待优化方案执行破坏操作和插入操作以形成对应的待更新方案；
9.确定所述待更新方案是否优于所述历史最优方案；
10.在所述待更新方案优于所述历史最优方案的情况下，将所述历史最优方案和当前最优方案替换为所述待更新方案；
11.在所述待更新方案劣于所述历史最优方案的情况下，基于模拟退火准则更新所述历史最优方案和所述当前最优方案；
12.在判断当前的迭代次数大于或等于所述预设值的情况下，将所述历史最优方案作为最终的车机协同配送方案。
13.可选地，所述方法包括：
14.根据公式(1)计算所述车机协同配送方案的总能耗值，
[0015][0016]
其中，minz为所述最小值，v为待配送的客户所在点的集合，f
ij
为卡车从客户所在
点i行驶到客户所在点j的能耗值，x
ijt
为卡车t是否从客户所在点i行驶到客户所在点j的指示变量，t为卡车的集合，d为无人机的集合，为无人机d从所属站点s
d
到客户所在点j的能耗值，y
ijd
为无人机d是否从客户所在点i到所属站点s
d
，再到客户所在点j的指示变量，f
t
为单辆卡车的基础能耗，为卡车t是否从配送中心v0行驶到客户所在点j的指示变量，f
d
为单个无人机的基础能耗，为无人机d是否从所属站点s
d
飞行到客户所在点j的指示变量；
[0017]
比较任意两个所述车机协同配送方案的能耗值以确定两个所述车机协同配送方案的优劣。
[0018]
可选地，所述随机生成车机协同配送方案以形成待优化方案包括：
[0019]
获取待配送的客户所在点集合；
[0020]
判断所述客户所在点集合中是否还存在未被选取的客户所在点；
[0021]
在判断所述客户所在点集合中存在未被选取的客户所在点的情况下，从所述客户所在点集合随机选取一个未被选取的客户所在点；
[0022]
计算选取的所述客户所在点加入卡车的路径后卡车增加的第一能耗；
[0023]
判断无人机是否能够完成选取的所述客户所在点的配送任务；
[0024]
在判断所述无人机能够完成选取的所述客户所在点的配送任务的情况下，计算选取的所述客户所在点加入无人机的路径后无人机增加的第二能耗；
[0025]
判断所述第一能耗是否小于所述第二能耗；
[0026]
在判断第一能耗大于或等于所述第二能耗的情况下，将选取的所述客户所在节点加入无人机的路径中，再次判断所述客户所在点集合中是否还存在未被选取的客户所在点，并执行所述方法的相应步骤；
[0027]
在判断所述第一能耗大于或等于所述第二能耗的情况下，将选取的所述客户所在节点加入卡车的路径中，再次判断所述客户所在点集合中是否还存在未被选取的客户所在点，并执行所述方法的相应步骤；
[0028]
在判断所述无人机不能够完成选取的所述客户所在点的配送任务的情况下，将选取的所述客户所在节点加入无人机的路径中，并执行所述方法的相应步骤；
[0029]
在判断所述客户所在点集合中不存在未被选取的所述客户所在点的情况下，输出形成的所述待优化方案。
[0030]
可选地，所述将选取的所述客户所在节点加入卡车的路径中包括：
[0031]
判断当前的卡车是否能够完成选取的所述客户所在点的配送任务；
[0032]
在判断当前的卡车能够完成选取的所述客户所在点的配送任务的情况下，选择新的卡车以将选取的所述客户所在点的配送任务加入新的卡车的路径中。
[0033]
可选地，所述破坏操作包括：
[0034]
判断当前的破坏次数是否大于或等于预设的破坏算子；
[0035]
在判断当前的破坏次数小于所述破坏算子的情况下，分别计算删除任一所述客户所在点后，所述待优化方案的总能耗值；
[0036]
比较每个总能耗值以筛选出总能耗值最小的所述待优化方案，并再次判断当前的破坏次数是否大于或等于预设的破坏算子；
[0037]
在判断当前的破坏次数大于或等于所述破坏算子的情况下，输出破坏操作完成后的待优化方案。
[0038]
可选地，所述插入操作包括：
[0039]
从所述破坏操作删除的客户所在点集合中的随机选择一个未被选择的客户所在点；
[0040]
遍历所述待优化方案中的每个可插入节点，将所述客户所在点插入所述可插入节点并计算插入后所述待优化方案的总能耗值；
[0041]
根据公式(2)计算后悔算子，
[0042][0043]
其中，为插入第i个可插入点后的后悔算子，δf
i2
为插入第i个可插入点后的待优化方案的总能耗值，δf
i1
为插入第i个可插入点前的待优化方案的总能耗值；
[0044]
选择后悔算子最小的所述待优化方案；
[0045]
判断所述破坏操作删除的客户所在点集合中是否还存在未被选择的客户所在点；
[0046]
在判断所述破坏操作删除的客户所在点集合中还存在未被选择的客户所在点的情况下，再次从所述破坏操作中删除的客户所在点集合中的随机选择一个未被选择的客户所在点，并执行所述方法的相应步骤；
[0047]
在判断所述破坏操作中删除的客户所在点集合中不存在未被选择的客户所在点的情况下，输出操作完成的待优化方案。
[0048]
另一方面，本发明还提供一种考虑多无人机站点的车机协同配送系统，所述系统包括处理器，所述处理器被配置成执行如上述任一所述的方法。
[0049]
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
[0050]
通过上述技术方案，本发明提供的考虑多无人机站点的车机协同配送方法及系统通过在生成配送方案时同时针对无人机和车辆不同的配送效率及方式来形成完成的配送方案，克服了现有技术中生成算法难以满足车机协同条件下配送方案生成的技术缺陷，提高了生成配送方案的效率。
[0051]
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0052]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0053]
图1是根据本发明的一个实施方式的考虑多无人机站点的车机协同配送方法的流程图；
[0054]
图2是根据本发明的一个实施方式的考虑多无人机站点的车机协同配送方法的部分流程图；
[0055]
图3是是根据本发明的一个实施方式的考虑多无人机站点的车机协同配送方法的部分流程图；
[0056]
图4是根据本发明的一个实施方式的考虑多无人机站点的车机协同配送方法的部分流程图。
具体实施方式
[0057]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0058]
如图1所示是根据本发明的一个实施方式的考虑多无人机站点的车机协同配送方法的流程图。在该图1中，该方法可以包括：
[0059]
在步骤s10中，随机生成车机协同配送方案以形成待优化方案；
[0060]
在步骤s11中，将待优化方案作为的历史最优方案和当前最优方案；
[0061]
在步骤s12中，判断当前的迭代次数是否大于或等于预设值；
[0062]
在步骤s13中，在判断迭代次数小于预设值的情况下，对待优化方案执行破坏操作和插入操作以形成对应的待更新方案；
[0063]
在步骤s14中，确定待更新方案是否优于历史最优方案；
[0064]
在步骤s15中，在待更新方案优于历史最优方案的情况下，将历史最优方案和当前最优方案替换为待更新方案；
[0065]
在步骤s16中，在待更新方案劣于历史最优方案的情况下，基于模拟退火准则更新历史最优方案和当前最优方案；
[0066]
在步骤s17中，在判断当前的迭代次数大于或等于预设值的情况下，将历史最优方案作为最终的车机协同配送方案。
[0067]
在该如图1所示的方法中，步骤s10可以用于通过预设的多种方法随机生成一个初始的车机协同配送方案。对于该预设的多种方法，则可以是本领域人员所知的多种方式，例如基于遗传算法编码的方法等。在本发明的一个优选示例中，生成初始的车机协同配送方案的该方法可以包括如图2所示的步骤。在该图2中，该方法可以包括：
[0068]
在步骤s20中，获取待配送的客户所在点集合；
[0069]
在步骤s21中，判断客户所在点集合中是否还存在未被选取的客户所在点；
[0070]
在步骤s22中，在判断客户所在点集合中存在未被选取的客户所在点的情况下，从客户所在点集合随机选取一个未被选取的客户所在点；
[0071]
在步骤s23中，计算选取的客户所在点加入卡车的路径后卡车增加的第一能耗；
[0072]
在步骤s24中，判断无人机是否能够完成选取的客户所在点的配送任务；
[0073]
在步骤s25中，在判断无人机能够完成选取的客户所在点的配送任务的情况下，计算选取的客户所在点加入无人机的路径后无人机增加的第二能耗；
[0074]
在步骤s26中，判断第一能耗是否小于第二能耗；
[0075]
在步骤s27中，在判断第一能耗大于或等于第二能耗的情况下，将选取的客户所在节点加入无人机的路径中，再次判断客户所在点集合中是否还存在未被选取的客户所在点，并执行方法的相应步骤；
[0076]
在步骤s28中，在判断第一能耗大于或等于第二能耗的情况下，将选取的客户所在节点加入卡车的路径中，再次判断客户所在点集合中是否还存在未被选取的客户所在点，并执行方法的相应步骤；
[0077]
在判断无人机不能够完成选取的客户所在点的配送任务的情况下，将选取的客户所在节点加入无人机的路径中，并执行方法的相应步骤；
[0078]
在步骤s29中，在判断客户所在点集合中不存在未被选取的客户所在点的情况下，输出形成的待优化方案。
[0079]
在该图2中，步骤s20可以用于获取待配送的客户所在点集合。在常规的配送任务中，客户所在点、无人机的停靠点以及卡车的出发点随机分布于在待配送的区域内。其中，无人机的停靠点和卡车的出发点均是预设且已知的，而在不同的配送任务中，客户所在点的位置往往是不同的。因此，需要采用步骤s20来获取待配送的客户所在点集合。具体地，该步骤s20可以是获取每个客户所在点的需要配送的货物的质量、种类以及客户所在点本身所在的位置坐标，从而便于后续针对已获取的信息对车机协同规划方案作出调整。
[0080]
步骤s21至步骤s28可以用于生成该车机协同规划方案(待优化方案)。具体地，步骤s22从客户所在点集合中随机选取一个未被选取的客户所在点进行分配，从而避免出现重复选取；步骤s24判断选取的客户所在点是否能够加入无人机的路径中。如果可以，此时可以继续执行步骤s25和步骤s26，通过比较选取的客户所在点加入卡车的路径的第一能耗和无人机的路径的第二能耗来确定将该客户所在点加入卡车的路径或无人机的路径。其中，该第一能耗和第二能耗的计算方式可以是本领域人员所知的多种形式，例如计算通过计算卡车或无人机因为完成该客户所在点而增加的里程，结合卡车或无人机本身的单位能耗，最后计算出该第一能耗或第二能耗。在步骤s21判断客户所在点集合中不存在未被选取的客户所在点的情况下，此时说明所有客户所在点已经被分配完，那么可以直接输出完整的车机协同规划方案。
[0081]
在该如图2所示的方法中，之所以增加步骤s24来判断无人机是否能够完成该客户所在点的配送任务，是因为在现有技术中，无人机的配送过程是从停靠点直接飞往客户所在点。由于无人机本身的续航问题，无人机在一次配送过程中仅完成一个客户所在点的配送任务。在选取的客户所在点距离无人机的停靠点过远的情况下，此时不需要计算无人机的第二能耗，而是直接分配至卡车的路径中。
[0082]
另外，由于卡车和无人机的配送方式不同。为了完成多个配送点的任务，在完成卡车的配送任务时，往往需要多辆卡车。那么，为了适应这一条件，步骤s28可以是判断当前的卡车是否能够完成选取的客户所在点的配送任务；且在判断当前的卡车能够完成选取的客户所在点的配送任务的情况下，选择新的卡车以将选取的客户所在点的配送任务加入新的卡车的路径中。
[0083]
历史最优方案是在多次迭代过程中最优的方案(车机协同配送方案)，而当前最优方案则是在每次迭代过程中的最优的方案。对于初始的车机协同配送方案而言，由于仅仅生成了一个方案，那么步骤s11可以直接将初始的车机协同配送方案作为历史最优方案和当前最优方案。
[0084]
步骤s12至步骤s16可以用于对已形成的车机协同配送方案进行更新和调整。具体地，步骤s12可以用于对更新(迭代)次数进行计数，从而使得在更新次数达到预设要求(预设值)的情况下，及时跳出循环，得到最终的车机协同配送方案(步骤s17)。步骤s13可以用于对待优化方案执行破坏和插入操作，从而形成对应的待更新方案。
[0085]
对于该破坏和插入操作，虽然可以是本领域人员所知的多种形式。但是，在本发明
的一个优选示例中，该破坏操作可以包括如图3所示出的步骤。具体地，在该图3中，该破坏操作可以包括：
[0086]
在步骤s30中，判断当前的破坏次数是否大于或等于预设的破坏算子；
[0087]
在步骤s31中，在判断当前的破坏次数小于破坏算子的情况下，分别计算删除任一客户所在点后，待优化方案的总能耗值；
[0088]
在步骤s32中，比较每个总能耗值以筛选出总能耗值最小的待优化方案，并再次判断当前的破坏次数是否大于或等于预设的破坏算子；
[0089]
在步骤s33中，在判断当前的破坏次数大于或等于破坏算子的情况下，输出破坏操作完成后的待优化方案。
[0090]
在该如图3所示出的方法中，步骤s30可以用于对破坏次数进行计数，从而避免出现对车机协同配送方案造成过大的破坏，使得算法的收敛速度降低，最终导致预设的迭代次数的预设值无法满足生成最优方案的要求。至于该破坏算子的具体数值的确定方式，在本发明的一个示例中，可以是初始的方案的总能耗值的数值等级来确定，例如针对总能耗值设置不同的能耗值等级，对应每个能耗等级设置一个破坏算子的数值，从而实现对破坏算子的动态调整；在本发明的另一个示例中，也可以是针对客户所在点集合中客户所在点的数量来计算。由于在如图2所示出的方法中是针对逐个点进行分配，客户所在点的数量越多，在分配的过程中可能产生的非最佳分配的次数就可能越多。因此，该破坏算子可以是根据该客户所在点的数量来确定客户所在点集合中客户所在点的数量来计算。例如取客户所在点集合中的客户所在点数量的百分之一、千分之一等，而为了适应数值的要求，可以在执行一次向上取证的操作，从而满足破坏算子的整数要求。
[0091]
步骤s31和步骤s32可以用于删除当前的方案中单个配送任务能耗最大的客户配送点，并且结合步骤s30反复执行该步骤s31至步骤s32，使得该破坏操作能够删除多个能耗较大的点，从而便于后续的插入操作。其中，对于该总能耗值的计算，虽然可以是本领域人员所知的多种方式。但是，考虑到计算出的总能耗值需要能够反映当前方案的优劣，因此在本发明的一个优选示例中，该总能耗值可以是根据该公式(1)来计算，
[0092][0093]
其中，minz为最小值，v为待配送的客户所在点的集合，f
ij
为卡车从客户所在点i行驶到客户所在点j的能耗值，x
ijt
为卡车t是否从客户所在点i行驶到客户所在点j的指示变量，t为卡车的集合，d为无人机的集合，为无人机d从所属站点s
d
到客户所在点j的能耗值，y
ijd
为无人机d是否从客户所在点i到所属站点s
d
，再到客户所在点j的指示变量，f
t
为单辆卡车的基础能耗，为卡车t是否从配送中心v0行驶到客户所在点j的指示变量，f
d
为单个无人机的基础能耗，为无人机d是否从所属站点s
d
飞行到客户所在点j的指示变量。基于对该公式(1)计算的总能耗，在比较两个方案的优劣时，可以直接比较计算出的总能耗的大小，显然就能够得到两个方案的优劣关系。
[0094]
而对于该插入操作，在本发明的一个优选示例中，则可以是包括如图4所示的步骤。在该图4中，该插入操作可以包括：
[0095]
在步骤s40中，从破坏操作删除的客户所在点集合中的随机选择一个未被选择的客户所在点；
[0096]
在步骤s41中，遍历待优化方案中的每个可插入节点，将客户所在点插入可插入节点并计算插入后待优化方案的总能耗值；
[0097]
在步骤s42中，根据公式(2)计算后悔算子，
[0098][0099]
其中，为插入第i个可插入点后的后悔算子，δf
i2
为插入第i个可插入点后的待优化方案的总能耗值，δf
i1
为插入第i个可插入点前的待优化方案的总能耗值；
[0100]
在步骤s43中，选择后悔算子最小的待优化方案；
[0101]
在步骤s44中，判断破坏操作删除的客户所在点集合中是否还存在未被选择的客户所在点；
[0102]
在判断破坏操作删除的客户所在点集合中还存在未被选择的客户所在点的情况下，再次从破坏操作中删除的客户所在点集合中的随机选择一个未被选择的客户所在点，并执行方法的相应步骤；
[0103]
在步骤s45中，在判断破坏操作中删除的客户所在点集合中不存在未被选择的客户所在点的情况下，输出操作完成的待优化方案。
[0104]
在前述的破坏操作中删除的客户所在点是单个配送任务总能耗值最大的点，而要完成整个配送任务，就需要将每个客户所在点的配送任务都完成。因此，在该插入操作中，需要对破坏操作中删除的每个客户所在点进行重新分配插入。而在该如图4所示出的方法中，步骤s40和步骤s44正是用于确保步骤s41至s43能够将破坏操作中所有删除的客户所在点重新插回待优化方案，从而得到操作完成的待优化方案，即待更新方案。步骤s41可以用于针对当前选择的客户所在点，遍历待优化方案中的每个可插入点(即卡车或无人机路径中所有能够完成该配送任务的可能的节点)。步骤s42则可以计算出形成的每个待优化方案的后悔算子，即插入该客户所在点后，引起的总能耗值的增加量。最后，通过步骤s43选择增加量最小的待优化方案，直到步骤s44判断所有被破坏操作删除的客户所在点均插回，最终通过步骤s45输出操作完成的待优化方案，即待更新方案。
[0105]
步骤s14至步骤s16则可以是针对破坏操作和插入操作形成的待更新方案来确定如何更新历史最优方案和当前最优方案。具体地，在待更新方案相较于历史最优方案更优的情况下，此时说明当前形成的待更新方案优于之前所有的方案，因此可以直接将历史最优方案和当前最优方案替换为该待更新方案，并开启新一轮的迭代。反之，如果待更新方案劣于历史最优方案。此时说明该待更新方案并非是最优，但是为了避免在迭代过程中陷入局部最优解的问题出现，可以采用步骤s16，即采用基于模拟退火准则更新该历史最优方案和当前最优方案，并开启新一轮的迭代。
[0106]
在步骤s12判断迭代次数大于或等于预设值的情况下，此时说明当前已经能够得到最优解，因此可以直接将历史最优方案作为最终的车机协同配送方案输出。
[0107]
另一方面，本发明还提供一种考虑多无人机站点的车机协同配送系统，所述系统包括处理器，所述处理器被配置成执行如上述任一所述的方法。
[0108]
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存
储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
[0109]
通过上述技术方案，本发明提供的考虑多无人机站点的车机协同配送方法及系统通过在生成配送方案时同时针对无人机和车辆不同的配送效率及方式来形成完成的配送方案，克服了现有技术中生成算法难以满足车机协同条件下配送方案生成的技术缺陷，提高了生成配送方案的效率。
[0110]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0111]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0113]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0114]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0115]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0116]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0117]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包
括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0118]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。