卡车无人机同步运行协同配送模式下的无人机任务分配规划方法技术

本发明专利技术公开了一种卡车无人机同步运行协同配送模式下的无人机任务分配规划方法，属于无人机任务规划技术领域，包括无人机起降的卡车停靠点选址与无人机的任务分配。首先建立了卡车与无人机同步运行协同配送的卡车停靠点选址模型，并考虑了无人机携带的有效载荷、无人机的爬升、水平飞行与降落状态对无人机续航能力的影响；为提高无人机的利用率，一架无人机放飞可以服务多个客户点，建立了无人机的任务分配模型，在模型中考虑了无人机携带包裹重量、无人机起飞、水平飞行、降落状态对无人机续航能力的影响。本发明专利技术大大提高了考虑实际运行环境时卡车与无人机进行同步协同配送时的实用性和准确性。用性和准确性。用性和准确性。

【技术实现步骤摘要】
卡车无人机同步运行协同配送模式下的无人机任务分配规划方法

：
[0001]本专利技术卡车无人机同步运行协同配送模式下的无人机任务分配规划方法，其属于无人机任务规划


技术介绍
：
[0002]针对卡车与无人机协同进行物流配送问题，通过建立考虑有效载荷和无人机飞行状态的模型进行求解，越来越成为研究的热点。无人机任务规划的目的是在满足各方面约束的条件下，充分考虑无人机能耗以及有效载荷等因素，使得无人机任务规划更加贴合实际。无人机任务规划主要包括无人机进行起降的卡车停靠点选址与无人机的任务分配两个方面。
[0003](1)卡车与无人机协同配送的卡车停靠点选址
[0004]卡车与无人机非同步运行协同配送的模式如图1所示，卡车不具有物流配送的功能，无人机被放出后，卡车就会停在原处不动，等待无人机配送完相关客户点后，卡车对无人机进行回收，之后卡车开往下一个卡车停靠点继续重复执行上述过程；卡车与无人机同步运行协同配送的模式如图2所示，卡车具有物流配送的功能，无人机从卡车释放后，卡车前往下一个客户点并对其进行物流配送，同时在下一个客户点进行释放无人机的回收，之后继续采取上述规则完成配送任务。本专利技术使用卡车携带多架无人机对区域范围内的大量客户点进行末端物流配送。在运用卡车与无人机进行协同配送的过程中卡车停靠点选址问题的研究十分重要，该问题的主要目的是在无人机从释放后选出合适的卡车停靠位置，供卡车在此处进行无人机的释放与回收工作。上述研究成果总结划分为三种场景，分别为：卡车停靠在原地等待回收无人机、卡车移动至后续客户点停靠等待回收无人机、卡车在后续行驶路径中的任意点停靠等待回收无人机。
[0005]场景一：卡车停靠在原地
[0006]Ferrandez等人[1]使用K
‑
means算法对无人机服务范围内的客户点进行集群，在集群的中心进行卡车停靠点的选址，设定卡车只能停靠在原处等待无人机飞回，之后研究卡车的集群中心位置和无人机与卡车行驶速度比值对总配送时间的影响。Boysen[2]提出了无人机放飞后卡车停靠点选址的两个模型，第一个模型假设卡车停靠在原处回收无人机，第二个模型假设卡车停靠点的选址可以在后续任意位置，之后设计了模拟退火算法来求解两个模型，通过改变无人机的数量对一组多达100个客户点的问题进行若干计算分析，确定了最佳卡车和无人机的路线。季金华[3]规定无人机在完成每次配送后必须返回原卡车停靠点进行消杀，以配送过程中社区居民交叉感染风险和配送成本最小为优化目标，建立混合整数规划模型，设计改进多目标粒子群算法求解模型。Schermer[4]考虑了无人机每次旅行只能为一个客户服务，无人机执行配送任务时，卡车停靠在原位置等待无人机回收，开发了两种算法，第一种使用最近邻启发式算法来求解卡车路径规划，然后将客户从卡车路线中移除，以分配给无人机路线，第二种使用启发式方法同时构建卡车和无人机的路线。
[0007]场景二：卡车移动至后续客户点停靠
[0008]Murray[5]提出了FSTSP问题，他们假设一辆卡车携带一架无人机停在客户点位置，在此处释放无人机将包裹交付给客户，一旦卡车释放无人机，那么卡车必须移动到另一个客户位置来停靠，此卡车停靠点的选址目标是在无人机飞行不超过最大航程的基础上，使所有客户点被服务的时间最短。Agatz[6]提出了一种同步的卡车与无人机配送的模型，该模型允许卡车在发射地点或卡车路线的后续客户点停靠回收发射的无人机，同时还开发了基于动态规划的启发式和精确算法来求解。吴廷映[7]建立了以最小化运输成本为目标的混合整数规划模型，设计了自适应大邻域搜索算法对其求解，通过设计多种高效的破坏算子和修复算子、引入模拟退火接受准则避免陷入局部最优解来提高算法性能。Carlsson[8]使用启发式方法来计算卡车和无人机之间的协调路线，研究得出无人机与卡车所带来的效率提高与卡车和无人机速度之比的平方根有关，并通过相关算例证明了结论的正确性。Karak[9]开发了一个基于MILP模型的混合启发式算法，以最小化总的取货和送货成本，求解出卡车停靠的位置与无人机的具体路径。彭勇[10]以车辆总服务时间最小为目标，建立卡车与无人机配送的数学模型，设计了混合邻域搜索算法，通过不同规模算例运算时间及多次运算解的波动性验证算法的有效性。朱晓宁[11]考虑卡车限行和无人机禁飞等区域限制条件，建立混合整数线性规划模型，将最短路算法和禁忌搜索算法结合起来设计求解算法，将无人机路径优化子问题转化为最短路问题进行求解。
[0009]场景三：卡车在后续的任意位置停靠
[0010]Wang[12]对卡车与无人机的配对关系进行了改进，首先一架无人机可以先伴随着一辆卡车，无人机从客户点起飞进行配送，之后卡车停靠点必须在已经设定的物流服务中心进行选址，最后无人机开始伴随着另一辆卡车进行配送，此问题主要目的是使总配送成本最低，为此提出了一个基于弧的整数调度模型来进行求解。Gonzalez[13]设定两个均携带有单架无人机的卡车协同服务于一组客户点，且允许无人机在与卡车连续两次会合之间每次旅行访问几个客户，在卡车停靠点选址过程中不预先确定卡车或无人机的会合位置，将区域内的每个位置都视为潜在的卡车停靠点，为此提出了一种近似启发式方法来求解。Salama[14]将客户点分组为不重叠的群组，并通过每个群组的联络点安排卡车，以促进该群组中无人机的同时交付，同时制定了卡车停靠点选址的两种决策策略，一种策略为卡车仅在客户点位置可以停靠，另一种策略为卡车可在交货区域的任何位置停靠，二者皆以总成本最小化作为目标函数，之后引入了基于机器学习的启发式方法来加速两种模型的求解。
[0011](2)无人机的任务分配
[0012]在本专利技术的卡车无人机协同配送的背景下，研究的是无人机的二维路径规划问题，主要是确定无人机服务哪些客户点与服务客户点的顺序，因此就涉及到多无人机的任务分配与调度问题。
[0013]Yada[15]提出了一个模型，其目标函数是最小化空载无人机的总飞行时间，无人机可以从多个仓库收集货物为客户提供服务，在大多数情况下，一架无人机一次释放只可以服务一个客户，为此设计了两种启发式方法来求解；Rabta[16]提出了救灾行动中轻型救援物资的无人机任务分配模型，无人机可以服务于多个需求地点，并可以在其路径上的充电地点充电，目标是最小化递送成本，用于解决不同电池尺寸值的四种不同场景。Coelho
[17]提出了一种用于实时包裹提取和交付的两层无人机动态任务分配模型，假设无人机可以在某些指定位置间传送包裹，并在充电位置为电池充电，通过最小化七个不同的目标来优化取件和交付时间，为此开发了多目标数学启发式方法来解决生成的几个问题实例；Liu[18]提出了一个类似的仅交付服务和随机客户需求的任务分配模型，目标是将无人机部署的总成本和操作人工成本降至最低，需求在一些预先指定的时间间隔内累积，并在每个时间间隔结束时派遣无人机为收到的订单服务，使用样本平均近似方法和遗传算法求解了几个问题实例；Guerriero[19]提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卡车无人机同步运行协同配送模式下的无人机任务分配规划方法，其特征在于：具体步骤如下：(1)首先获取无人机性能数据、所研究地区的人口密度数据及物流需求指标数据；(2)根据社会经济数据对各个区县的物流需求等级进行划分，根据划分结果模拟出各个区县客户点数量，根据人口密度分布图模拟出客户点的具体位置，利用随机生成的方法生成每个客户点的具体需求量；(3)考虑无人机的飞行状态、无人机有效载荷对无人机实际飞行航程的影响，以配送成本最小为目标函数，对卡车停靠点释放无人机的位置确定问题进行建模，运用粒子群算法对上述模型进行求解，确定卡车停靠点的位置；(4)建立无人机任务分配模型，考虑无人机携带包裹、无人机飞行状态影响下无人机的实际航程不得超过其最大航程，同时考虑无人机的有效载荷不得超过无人机的最大负载，同时允许一架无人机可服务多个客户点；(5)采用改进的人工蜂群算法进行求解，在多个客户点规模下求出无人机的任务分配结果，验证其优越性。2.如权利要求1所述的卡车无人机同步运行协同配送模式下的无人机任务分配规划方法，其特征在于：考虑有效载荷和无人机飞行状态的卡车停靠点选址模型，具体如下：(1)考虑无人机有效载荷与飞行状态对无人机续航能力的影响无人机水平飞行时的功率公式由式(1)表示：无人机爬升时的功率公式由式(2)表示：无人机降落时的功率公式由式(3)表示：其中ρ表示空气密度，W表示总重量包括无人机自重与有效载荷，ζ表示无人机旋翼面积，v
c
表示无人机爬升速度，v
d
表示无人机降落速度，V
hor
是无人机水平飞行的速度，α(V
hor
)是水平飞行时的迎角，η
hor
是水平飞行时的效率系数，η
c
(V
c
)、η
d
(V
d
)均为经验系数；对旋翼无人机水平飞行时的功率方程(1)进行线性回归分析，得到以下回归方程：p
hor
(w)＝β0+β1w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)在式(4)中，w为无人机有效载荷、p
hor
(w)为有效载荷为w时的水平飞行功率、β0、β1为回归系数；无人机的实际续航时间公式如式(5)所示，将式(4)代入式(5)中，计算出无人机的飞行时间
在式(5)中，T
true
表示无人机的实际续航时间，μ表示能量传输效率，C表示电池容量，V
n
(V)表示n个电池的额定电压，P(w)表示无人机消耗功率；设无人机在不携带包裹条件下水平飞行时的功率为P(w
uav
)、爬升时的功率为P
c
′
、降落时的功率为P
d
′
，无人机的自身重量为w
uav
、无人机携带的有效载荷为w
bag
，当无人机携带有效载荷进行飞行时，公式(4)中W为(w
uav
+w
bag
)，设此时携带包裹条件下的无人机水平飞行功率为P(w
uav
+w
bag
)，无人机爬升的功率为P
c
″
，无人机降落时的功率为P
d
″
；将无人机空载在t时间内起飞和降落消耗的功率转化为无人机在t时间内水平飞行的功率，同时将携带包裹的无人机在t时间内起飞和降落时消耗的功率转化为无人机在空载且水平飞行时消耗的功率，并最终将上述能量的消耗转换为实际水平飞行航程的增加且水平飞行时消耗的功率，并最终将上述能量的消耗转换为实际水平飞行航程的增加且水平飞行时消耗的功率，并最终将上述能量的消耗转换为实际水平飞行航程的增加且水平飞行时消耗的功率，并最终将上述能量的消耗转换为实际水平飞行航程的增加且水平飞行时消耗的功率，并最终将上述能量的消耗转换为实际水平飞行航程的增加在式(6)中σ1为无人机携带包裹时的水平飞行的功率与无人机空载水平飞行时功率的比值；式(7)σ2表示无人机携带包裹爬升时的功率与无人机空载水平飞行时功率的比值；式(8)σ3表示无人机携带包裹降落时的功率与无人机空载水平飞行时功率的比值；式(9)中σ4表示无人机空载时爬升功率与无人机空载水平飞行时功率的比值；式(10)中σ5表示无人机空载时降落功率与无人机空载水平飞行时功率的比值；S1＝vtσ1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)S2＝vt'σ2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)S3＝vt'σ3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)S4＝vt'σ4ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)S5＝vt'σ5ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)；设无人机水平飞行时间为t，爬升与降落时间均为t'，无人机的水平飞行速度为v，则在无人机携带包裹条件下无人机水平飞行时间t，对应标准情况即无人机空载下无人机航程S1由式(11)所示，在爬升时间为t'无人机携带包裹爬升时对应标准情况即无人机空载下的无人机航程S2由式(12)所示，在降落时间为t'无人机携带包裹降落时所对应标准情况即无人机空载下的无人机航程为S3由式(13)所示，在爬升时间为t'无人机空载爬升时对应标准
情况即无人机空载下的无人机航程为S4由式(14)所示，在降落时间为t'无人机空载降落时所对应标准情况即无人机空载下的无人机航程为S5由式(15)所示；2)、考虑有效载荷和无人机飞行状态的卡车停靠点选址模型考虑以配送成本最低为目标函数，目标函数由式表示：Z1为卡车停靠点选址成本的大小(元)；x'
a,b
为客户点b由备选无人机起飞卡车停靠点a服务则为1，否则为0；y'
b,d
为客户点b由备选无人机降落卡车停靠点d服务则为1，否则为0；L
a,b,d
为考虑无人机有效载荷、飞行状态下的无人机从卡车停靠点a起飞配送第b个客户点降落到卡车停靠点d所需要消耗的总航程(m)；M为备选为卡车停靠点的集合；f为需求量大于无人机最大负载的客户点；N为全部客户点集合；N1为只能由卡车进行配送的客户点；N2为最终由无人机进行配送的客户点；c
a,trunk
为卡车对客户点a配送所花费固定成本(元/次)；x
a
为备选点a被选中为卡车停靠点则为1，否则为0；e
a,b
为无人机从卡车停靠点a到客户点b的欧氏距离(m)；c
uav
为无人机单位距离配送成本(元/m)；L
max
无人机的最大飞行航程(m)；t
uav
为无人机爬升与降落的时间(s)；δ无人机能耗预留系数；v
uav
无人机匀速飞行的速度(m/s)；y
b
为客户点b被选中为卡车停靠点则为1，否则为0；为客户点b被选中为卡车停靠点则为1，否则为0；为客户点b被选中为卡车停靠点则为1，否则为0；为客户点b被选中为卡车停靠点则为1，否则为0；为客户点b被选中为卡车停靠点则为1，否则为0；L...

【专利技术属性】
技术研发人员：张明，孙丽超，刘旭，肖影，王迅，张涵之，段佳乐，文发强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：