无人机-车辆联合配送路径优化方法及其模型构建方法

技术特征：

1.一种无人机-车辆联合配送路径优化模型的构建方法，其特征在于，包括以下步骤：

标记特殊点：将所有顾客需求点进行标记，然后将其中顾客需求点中货物超过无人机最大载重限制的需求点标记rm，超过无人机最大飞行距离限制的需求点标记为rd，则路径优化模型如下：

其中：

|tk|为第k次配送，车辆配送的顾客需求点数，c为所有顾客需求点的集合，c＝{1，2，…，n}；s为所有节点的集合，s＝{1，2，…，n，n+1}，其中n+1表示配送中心；n为顾客需求点总数。

2.根据权利要求1所述的无人机-车辆联合配送路径优化模型的构建方法，其特征在于，还包括单次路径规划模型，单次路径规划模型包括无人机路径模型和车辆路径模型；

确定无人机的最大飞行距离d和无人机的最大载重量m；确定无人机路径模型：

其中：n为未服务的顾客需求点集合，n＝{1，2，…，n}；uk为第k次配送，无人机配送的顾客需求点集合；k为配送的总次数，k＝{1，2，…，k}；dij为节点i到节点j的直线路径距离；

确定无人机的平均飞行速度v1；车辆的平均行驶速度v2；确定车辆路径模型：

其中：tk为第k次配送，车辆配送的顾客需求点集合。

3.根据权利要求2所述的无人机-车辆联合配送路径优化模型的构建方法，其特征在于，对获得的模型再次做整体路径优化，具体包括以下步骤：

以单次配送路径记录的终点为下次配送路径的起点，重复单次路径规划模型计算，直到所有顾客需求点全部配送完毕；将车辆和无人机的配送距离相加，以总配送距离最短为目标函数，优化每次配送的路径选择，得到如下整体路径优化模型：

|tk|＝1，|uk|≠0则

其中：p为所有停靠点的集合；ε为道路阻抗系数。

4.一种无人机-车辆联合配送路径优化方法，基于权利要求1至3任一所述的无人机-车辆联合配送路径优化模型的构建方法，其特征在于，包括以下步骤：

s1：染色体编码；

s2：种群初始化；

s3：计算适应度函数；

s4：选择；

s5：交叉；

s6：变异；

s7：进化逆转

s8：对单次配送末端进行优化，并得到新种群；

s9：判断是否达到最大遗传代数，若是则输出结果；若不是，则返回s3。

5.根据权利要求4所述的无人机-车辆联合配送路径优化方法，其特征在于，所述染色体编码具体包括以下步骤：

采用整数排列的编码方法，随机生成由1～n个整数构成的染色体，每个整数基因对应n个顾客需求点，配送中心由n+1表示；每条染色体可划分为几个不同的部分，每个部分即不同配送趟次的无人机和车辆路径集合；各基因的排列顺序决定对应节点的配送顺序，从配送中心开始，按排列顺序依次将各节点加入到无人机和车辆的配送路径，每加入一个节点，计算是否满足约束条件，未超出条件，则继续加入下一节点，直到超出约束范围，则进入下一趟次的配送分配；重复分配k次，得到所有趟次的配送路径，每趟次配送路径的顺序结合，即总的配送路径。

6.根据权利要求5所述的无人机-车辆联合配送路径优化方法，其特征在于，所述种群初始化包括以下步骤：

染色体编码完成后，生成一个包含若干条染色体的初始种群；

计算适应度函数具体包括以下步骤：

以最小化总路径距离为目标，适应度值取目标函数的倒数，计算过程如下：

7.根据权利要求6所述的无人机-车辆联合配送路径优化方法，其特征在于，所述选择具体包括以下步骤：

依据适应度值的大小，以一定概率从原种群中选择部分个体到新种群，适应度越大，被选择的概率越高。

8.根据权利要求7所述的无人机-车辆联合配送路径优化方法，其特征在于，所述交叉具体包括以下步骤：

交叉算子采用部分映射杂交；随机产生[1,n]区间内的两个整数，确定交叉的两个端点位置，对两条染色体中两个端点间的基因按顺序进行交换，再剔除原染色体中与交换来的部分重复的基因，利用两条父辈染色体交换部分的对应关系，依次进行映射补全染色体。

9.根据权利要求8所述的无人机-车辆联合配送路径优化方法，其特征在于，所述变异具体包括以下步骤：变异算子采用交换突变；随机产生[1,n]区间内的两个整数，将一条染色体中两个整数对应位置的基因进行对换；

所述净化逆转具体包括以下步骤：

随机产生[1,n]区间内的两个整数，将一条染色体中两个整数之间对应位置的基因进行逆转；逆转算子具有单方向性，只有逆转后适应度值提高的染色体才能保留下来，否则逆转无效。

10.根据权利要求9所述的无人机-车辆联合配送路径优化方法，其特征在于，所述s8具体包括以下步骤：当无人机负责配送一个及以上节点，而车辆仅配送一个节点，无人机单次路径距离和车辆单次径距离计算如下：

技术总结
本发明公开了一种无人机‑车辆联合配送路径优化模型的构建方法，包括以下步骤：首先标记所有特殊点，再对单次配送无人机和车辆的路径进行规划，最后以总配送距离最小为目标，对整体路径进行优化。使用遗传算法和单次配送末端优化对问题进行求解，并将本文的联合配送与传统的车辆配送、以及无人机和车辆的独立配送进行比较，结果表明：无人机和车辆可以互相协作，完成所有顾客需求点的配送，无人机‑车辆联合配送可以有效减小总的配送距离。最后还对无人机的最大载重量、最大飞行距离、无人机和车辆的相对速度、以及阻抗系数进行灵敏度分析，得出放宽无人机的条件限制，可以使无人机单次配送更多的顾客点，和车辆联合高效完成配送任务。

技术研发人员：柳伍生;李旺;跌纤;周清;谭倩
受保护的技术使用者：长沙理工大学
技术研发日：2021.04.02
技术公布日：2021.07.20