空地协同智能路径规划方法技术

本发明专利技术公开了空地协同智能路径规划方法，属于路径规划领域；首先，针对互相协作配合的单卡车和N

【技术实现步骤摘要】
空地协同智能路径规划方法


[0001]本专利技术属于路径规划领域，具体涉及一种空地协同智能路径规划方法。

技术介绍

[0002]随着电子商务的飞速发展，以客户为中心的快递运送服务需求逐年提高。考虑城市化进程与交通运输发展，需要更快速，更高效，更可靠的城市货物配送系统来满足日益增长的服务需求。目前，传统的卡车配送服务无法解决交通拥堵所导致的低时效问题，其服务质量和速度很大程度上受制于当前路况评定以及路线规划等问题。
[0003]根据最新的研究表明，若将无人机加入到传统配送体系，与卡车协同运作，将有助于提高配送总体效率以及配送机动性。与传统卡车相比，无人机不受限于静态道路，而是在三维空间纵向运动，这使得路径更趋向于直线并且不受限于交通情况，其平均运输速度将大于卡车配送。但是无人机对于卡车相比，其最大飞行距离和最大负载能力将限制它的路径规划以及配送服务对象。所以配送效率的提高取决于合理的路径规划以及协作方式。
[0004]卡车与无人机协作配送具有求解规模大，约束条件多，求解难度指数增长等困难。在现实情况中，无人机有效载荷有限，大多数情况下单次只能服务一个客户，且其服务范围受制于电池能源，发射回收均需要卡车司机进行操作。所以卡车与无人机协作配送的问题为组合优化问题，且目标之间存在多重约束。
[0005]现在的大多数模型都针对单卡车单无人机协作，而算法多采用模拟退火、爬山法等智能优化算法，依赖初始路径的选择，容易得到局部最优解。

技术实现思路

[0006]本专利技术主要针对单卡车与多无人机模型的共同协作，具体是一种空地协同智能路径规划方法，参照memetic文化基因算法，对路径采用自然数编码，实现单卡车与多无人机整体的协作最优路径。
[0007]具体步骤如下：
[0008]步骤一、针对互相协作配合的单卡车和N
u
个无人机，构建路径规划的数学模型。
[0009]具体包括：
[0010]首先，对单卡车多无人机物流配送模型进行有向图构建，所述有向图G<V,E>，V代表仓库和所有用户节点，E代表弧；C
‑
表示包含出发仓库和所有出发用户地点的集合；C
+
表示包含返回仓库和所有用户抵达地点的集合；C表示所有用户节点集合；U表示所有无人机的集合。
[0011]构建最小化目标函数：
[0012][0013]其中t
n+1
为卡车最后抵达仓库的时间；为最后一个无人机队独立到达仓库的时间；当卡车搭载无人机一起抵达仓库时，值为0。
[0014]建立以下三个约束条件：服务路径限制，无人机路径限制和卡车无人机交互。
[0015]1)服务路径限制的约束条件表达式为：
[0016][0017][0018]其中x
ij
表示卡车路径，若卡车从用户节点i出发并直接抵达用户节点j则为1，否则为0。
[0019]表示无人机v的路径，若无人机从搭载的卡车服务的用户节点i出发，到达无人机的服务用户节点j服务完成后，回到卡车服务的用户节点k和卡车汇合则为1，否则为0。
[0020]该约束条件保证卡车和无人机只访问一次客户节点，并且流量守恒，到达客户节点后会离开客户节点，不会停留。
[0021]2)无人机路径限制的约束条件表达式为：
[0022][0023]表示无人机从用户节点i飞向用户节点j所飞行的时间；L表示无人机的最大飞行时间。
[0024]该约束条件保证无人机的路径安排不超过其最大飞行时间，保证无人机电量能满足飞行条件。
[0025]3)卡车和无人机限制的约束条件表达式为：
[0026][0027]其中l
k
表示卡车离开用户节点k的时间，表示无人机v到达用户节点j的时间。
[0028]该约束条件保证卡车在无人机全部回收后再出发。
[0029]同理，表明卡车需要在无人机全部起飞后才能出发，其中表示无人机v离开用户节点i所用的时间。
[0030]步骤二、设计单卡车与所有无人机的路径混合编码；
[0031]具体为：
[0032]针对N
u
个无人机和N
c
个用户节点，构建3*(N
c
+N
u
+1)的矩阵；其中第一行存放无人机起飞的用户节点在卡车路径中的次序；第二行存放卡车和无人机服务的用户节点，卡车和无人机之间用分隔符
‘0’
分隔，不同的无人机之间用
‘
X
’
分隔；第三行存放无人机降落的用户节点在卡车路径中的次序。
[0033]起飞节点和降落节点与同列的服务节点相互对应，具体形式如下所示：
[0034][0035]其中G表示卡车服务的N
c
个用户节点的序列，U
u
表示无人机u服务的用户节点序列，
L
u
表示无人机u的起飞的用户节点在卡车路径中的次序，R
u
表示无人机u降落的用户节点在卡车路径中的次序；
[0036]步骤三、将所有编码个体构成混合遗传算法的个体种群，并初始化混合遗传算法的基础参数；
[0037]步骤四、利用初始化的基础参数，按照编码个体规则，构建N个路径规划模型的可行解；
[0038]具体包括，以0表示仓库节点，先采用随机整数∈[0,N
c
‑
1]的方式产生只有卡车服务的路径编码，每一个节点有且只访问一次，最后回到仓库。
[0039]在卡车路径生成结束之后，在结尾插入N
u
‑
1个无人机分割符“X”，得到初始解；
[0040]具体形式为：
[0041][0042]步骤五、计算初始解中每个个体的适应度；
[0043]具体为，先判断当前个体是否满足数学模型的约束条件，如果是，其适应度公式为：
[0044][0045]否则，对于不满足约束条件的个体进行惩罚，其适应度计算公式为：
[0046][0047]其中∑F为上一轮迭代所有个体的适应度之和；初始值为0。
[0048]步骤六、运用随机抽样选择原则，根据个体适应度选择出随机个体；
[0049]步骤七、根据顺序交叉算子，对随机个体进行个体交叉。
[0050]步骤八、对交叉后的个体进行变异操作。
[0051]变异采用领域搜索的方法，具体拥有三个算子，分别为插入分隔符、2
‑
opt和插入节点，依次执行三个算子，记变异前的初始解为S0；
[0052]首先进行插入分隔符操作；具体为，将S0作为最优解，取出个体编码解中的第二行对应的卡车和无人机服务路径，并剔除分隔符：卡车与无人机分割符“0”和无人机与无人机分隔符“X”，找到所有可能的插入位置按顺序插入分隔符(分隔符0在X之前)产生领域新解，并用无人机分配算子为产生的新路径安排无人机起飞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.空地协同智能路径规划方法，其特征在于，具体步骤如下：步骤一、针对互相协作配合的单卡车和N
u
个无人机物流场景，构建路径规划的数学模型；数学模型的最小化目标函数为：其中t
n+1
为卡车最后抵达仓库的时间；为最后一个无人机队独立到达仓库的时间；当卡车搭载无人机一起抵达仓库时，值为0；U表示所有无人机的集合；步骤二、设计单卡车与所有无人机的路径混合编码规则；针对N
u
个无人机和N
c
个用户节点，构建3*(N
c
+N
u
+1)的矩阵；起飞节点和降落节点与同列的服务节点相互对应，具体形式如下所示：其中G表示卡车服务的N
c
个用户节点的序列，U
u
表示无人机u服务的用户节点序列，L
u
表示无人机u的起飞的用户节点在卡车路径中的次序，R
u
表示无人机u降落的用户节点在卡车路径中的次序；步骤三、将所有编码个体构成混合遗传算法的个体种群，并初始化混合遗传算法的基础参数；步骤四、利用初始化的基础参数，按照编码个体规则，构建N个路径规划模型的可行解；以0表示仓库节点，先采用随机整数∈[0,N
c
‑
1]的方式产生只有卡车服务的路径编码，每一个节点有且只访问一次，最后回到仓库；在卡车路径生成结束之后，在结尾插入N
u
‑
1个无人机分割符“X”，得到初始解；具体形式为：步骤五、计算初始解中每个个体的适应度；步骤六、运用随机抽样选择原则，根据个体适应度选择出随机个体；步骤七、根据顺序交叉算子，对随机个体进行个体交叉；步骤八、对交叉后的个体进行变异操作；变异采用领域搜索的方法，具体拥有三个算子，分别为插入分隔符、2
‑
opt和插入节点，依次执行三个算子，记变异前的初始解为S0；首先进行插入分隔符操作；具体为，将S0作为最优解，取出个体编码解中的第二行对应的卡车和无人机服务路径，并剔除分隔符：卡车与无人机分割符“0”和无人机与无人机分隔符“X”，找到所有可能的插入位置按顺序插入分隔符产生领域新解，并用无人机分配算子为产生的新路径安排无人机起飞降落位置；记录历史可行的最优解并记为S1；然后进行2
‑
opt操作；具体为，将S0作为最优解，取出个体编码解中的第二行对应的卡车和无人机服务路径，找到所有可能的领域进行2opt操作，若操作区域同时存在“0”和“X”分
隔符，根据需要调换“0”和“X”的位置，保证“0”始终位于“X”的前列，之后用无人机分配算子为产生的新路径安排无人机起飞降落位置；记录历史可行的最优解并记为S2；最后进行插入节点操作；具体为，将S0作为最优解，取出个体编码解中的第二行对应的卡车和无人机服务路径，随机选择一个用户服务节点，将其插入所有可能的位置并用无人机分配算子为产生的新路径安排无人机起飞降落位置；记录历史可行的最优解并记为S3；无人机分配算子具体为：根据无人机服务的用户节点j生成与之对应的所有可行的起降位置，记为集合P
j
，无人机服务的用户节点j从集合P
j
随机选择一个起降组合作为其起降位置，并实时更新集合P
j
，直到安排完所有的无人机服务的用户节点；重复以上步骤若干次，记录历史可行最优解；若无可行最优解，则返回初始解S0；具体重复次数根据实际需要人为规定；比较S1、S2、S3，选择之中的最优解S
New
＝min(S1,S2,S3)作为变异之后的解；步骤九、采用精英重插入的方法将变异后的个体更新种群，重新计算更新后所有个体的适应度；将交叉和变异产生的个体取代适应度较低的父代个体，保证种群的总数不变；步骤十、到达迭代次数后，输出最优个体，即数学模型的最优解，卡车和无人机按最优解的路径进行分配。2.如权利要求1所述的空地协同智能路径规划方法，其特征在于，所述物流场景中，首...

【专利技术属性】
技术研发人员：李宇萌，翟若楠，陈子鸿，郭通，杜文博，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：