【卡车-多无人机送货】基于健康距离平衡的进化算法的卡车-多无人机送货系统研究（Matlab代码实现）

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

摘要
无人机与旅行推销员问题的同步（TSP-D）是文献中最复杂的NP难组合路由问题之一。卡车-无人机配对的速度、容量和优化约束彼此不同。这些差异导致TSP-D的搜索空间具有高几何复杂性和大量本地解陷阱。能够避免TSP-D搜索空间中的本地解陷阱并准确收敛到全局最优解是进化搜索算法面临的主要挑战。克服这一挑战的方法是在搜索过程中动态适应利用和探索行为，并根据TSP-D搜索空间的几何结构保持这两种行为的平衡。为了克服这一挑战，本文进行了三个步骤的研究：（i）采用贪婪、随机和基于FDB分数的三种不同引导选择方法，以提供利用、探索和平衡搜索能力，（ii）通过在不同比例下混合这三种方法，开发具有不同搜索能力的引导选择策略，（iii）通过将这些混合引导选择策略与搜索过程的不同阶段相关联，给予引导机制动态行为能力。因此，设计了基于健康距离平衡的进化搜索算法（FDB-EA），以实现TSP-D搜索空间中的可持续利用-探索平衡，并稳定地避免本地解陷阱。为了测试FDB-EA的性能，将交付点数量设置为30、50、60、80和100，并与27种强大且当前竞争激烈的算法进行比较。根据非参数Wilcoxon配对比较结果，在五个不同的TSP-D问题中，FDB-EA在所有竞争算法中表现最佳。根据稳定性分析结果，FDB-EA、EA和AGDE算法的成功率和计算时间分别为88.00％（6308.79秒）、58.40％（7377.43秒）和13.460％（34664.19秒）。

关键词
基于健康距离平衡的进化算法（FDB-EA）TSP-D问题引导选择方法稳定性分析路由优化

1. 引言
最近，物流和运输行业以及许多实际问题（陆和吴，2022年；陆等，2022年）正在迅速增长。研究人员对发展物流网络的运输优化技术表现出了极大兴趣，因为物流活动执行中最重要的标准是成本和时间（陈等，2019年；邓等，2019年；梁和罗，2022年；孟等，2023年）。许多货运公司已经开始发展自己在物流包裹交付领域的业务，通过选择无人机进行包裹交付（弗拉彻伯格，2019年）。如今，亚马逊、DHL和UPS等大型物流公司正在使用无人机和陆地车辆进行包裹交付（哈米德等，2023年）。因此，无人机近年来因其在物流中的有效潜力而变得非常受欢迎。除了无人操作之外，无人机具有在没有受到交通拥堵的情况下移动的能力，这是无人机的重要优点之一（赛基德等，2022年）。尽管在物流交付的某些方面无人机优于陆地车辆，但在运动时间和载重能力方面却存在劣势。陆地车辆可以在没有时间问题的情况下运送重量大的包裹。然而，无人机具有特定的有效载荷和飞行时间。由于这种情况，以陆地车辆和无人机共同进行物流交付操作是更合理的解决方案（默里和朱，2015年）。

卡车和无人机同时向客户交付包裹的交付模式使得路径规划问题非常困难，因为它需要协调两种车辆的时间和位置。因此，这种情况揭示了解决此问题的新算法的需求。制定路径规划问题的特定目标。这些目标函数，尤其用于带无人机的旅行推销员问题（TSP-D）和带无人机的车辆路径问题（VRP-D），在相关研究中被表达为减少工作完成时间（博茨亚等，2021年；德弗雷塔斯和彭纳，2020年；Poi科嫩等，2019年；罗贝蒂和鲁思迈尔，2021年；徐等，2022年；尤雷克和奥兹穆特卢，2018年），降低完成工作成本（鲍曼等，2018年；崔和肖恩菲尔德，2017年；郭等，2022年；塔姆克和布什，2023年；王和许，2019年；张等，2022年；张和李，2023年）和最大化一天中要服务的人数（达亚里安等，2020年；厄默尔和托马斯，2018年）。默里和朱（2015年）是第一批通过提出旨在最小化工作完成时间的飞行助手推销员问题（FSTSP）的特殊公式将这一问题引入文献中。卡车离开分拣中心携带无人机和包裹。卡车向客户交付包裹时，无人机被发射以服务附近的客户。无人机向客户交付后，它们会与卡车会合。无人机除非进行交付，否则跟随卡车移动。作者旨在制定路线计划，以最小化交付过程完成给客户的时间，然后卡车和无人机返回分拣中心。

对于陆地车辆和无人机交付操作的顺利进行，良好的同步是必要的。基于受自然启发的元启发技术的优化算法在这一领域十分流行。目前有关使用元启发算法解决车辆路径问题的最优解的研究（Euchi和Sadok，2021年；Ferrandez等，2016年；雷等，2022年；李等，2016年；莫埃尼和萨莱夫斯基，2019年；佩里瓦诺格鲁和佩里瓦诺格鲁，2021年；本等，2018年；彭等，2019年；拉杰莫汗和拉马苏布拉马尼安，2023年；史等，2022年）。使用元启发算法解决NP-难的组合问题非常具有挑战性。随着问题规模的增加，优化算法解决问题变得更加困难。为了对这些问题进行实际解决，必须有效地设计探索和操作阶段。因此，应将优质解决方案候选者的选择机制纳入算法中（马斯穆迪等，2022年）。从而确保算法的性能更佳。

此外，算法需要稳定以解决问题。确定算法在解决问题方面的成功率并揭示计算复杂性至关重要（都曼等，2021年）。这些标准使得与竞争对手进行比较变得容易。

TSP-D的优化在几个方面面临挑战。其中之一是要同步具有不同特性的卡车-无人机配对。这两种车辆具有不同的速度、不同的容量和不同的航程。这些特性导致TSP-D具有大量局部解的多模态搜索空间。TSP-D优化的另一个挑战是随着送货地点数量的增加，搜索空间和问题的复杂性呈指数级增长。这导致进化搜索算法陷入局部解陷阱，导致过早收敛问题，并未能为TSP-D找到最优解。为了克服这些挑战，有必要设计一种展现出在与TSP-D的搜索空间的几何结构相容的开发和探索能力的进化搜索算法。

📚2 运行结果

部分代码：

    function [particle] = fix_duplicates(particle, lower_bound, upper_bound)
    % Create a set of all unique values in the parents
    all_unique_values = (lower_bound:upper_bound);

    % Create a set of unique values in particle
    particle_unique_values = unique(particle);

    % Find the non-existing unique values in each child
    non_existing_values_particle = setdiff(all_unique_values, particle_unique_values);

    % Replace duplicate values in particle
    for i = 1:size(particle, 2)
        if sum(particle == particle(i)) > 1
            
            if size(non_existing_values_particle, 2) > 1 
                point = randsample([non_existing_values_particle], 1);
            else
                point = non_existing_values_particle;
            end
            non_existing_values_particle = setdiff(non_existing_values_particle, point);
            particle(i) = point;
        end
    end
end

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取