💥💥💞💞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
👨💻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
基于遗传算法的卡车与双无人机协同配送路径优化研究
解决卡车和两个无人机旅行推销员问题，称为串联团队，其中无人机负责最后一英里的工作。使用遗传算法（路径变异）来解决问题。该问题可以解决随机生成坐标的100个城市的D2TSP。解决方案是基于最小化时间而不是距离。最短时间计算基于卡车或任一无人机在一个操作中交付的最大时间。一个操作被定义为一个节点或停止点，其在其中无人机（或两者）被发射，发送交付，并在约会地点恢复。每个无人机受到范围和容量的限制。因此，操作中的范围和停止次数受到无人机约束的限制。
卡车和 2 架 无人机 旅行推销员问题
这个想法是利用一辆卡车和两架无人机配合，将小包裹递送给随机分布的客户，以使所有站点都由卡车或无人机递送一次后返回起始位置（中转站）。两架无人机受到航程和容量的限制。每架无人机必须在下游站点与卡车汇合，以更换无人机电池。每架无人机在返回卡车之前可以访问1到3个站点，取决于容量。中心思想在文献中以关键词（最后一英里、无人机递送、无人机TSP、两架无人机TSP）的形式被提出。
算法亮点: 遗传算法(Genetic Algorithm, GA)。通过设置遗传算法来寻找 D2-TSP（D2TSP 或 d2TSP）的（近似）最优解，即搜索最短时间路径 - 配合行动团队需要的最少时间来前往和递送所有站点（如UPS/FedEx），然后返回到它们的起始位置-中转站。对于每次操作-发射-递送-汇合，卡车或任一无人机的最大时间用于计算路线的时间。算法的目标是最小化团队的总时间，返回卡车、两架无人机的路径，并标明操作发生的位置。
总结:
1. 每辆卡车无人机团队分别前往其站点，然后在运营开始/结束处会合以给无人机充电。
2. 每个站点由卡车、无人机或二者（汇合操作）访问。
3. 无人机受到容量和航程的限制，必须在航程结束时返回卡车，并接一个包裹递送。
4. 还计算了能源，因为这正变得越来越成为无人机递送中的一个有趣话题。
一、问题描述与核心挑战
在卡车与无人机协同配送场景中，一辆卡车搭载两架无人机从起始点（中转站）出发，需服务所有客户后返回起点。客户分布随机，包裹体积小，适合无人机配送。核心目标为最小化总配送时间或成本，同时需满足以下约束：
- 无人机续航与载重限制：无人机单次飞行距离受电池容量限制（通常为10-30公里），载重通常小于5kg（仅支持小包裹）。
- 协同调度要求：无人机需从卡车起飞并返回卡车或中转站，卡车需在特定节点等待无人机完成任务。
- 客户服务唯一性：每个客户仅由卡车或无人机服务一次。
关键挑战：如何在多约束下协调卡车路线与两架无人机的飞行路径，避免冲突并优化全局效率。
二、模型构建：目标函数与约束条件
1. 目标函数
- 主目标：最小化总成本（包括卡车行驶成本、无人机飞行成本、固定设备成本）或总时间（最长完成时间）。
- 多目标扩展：可结合碳排放、客户满意度（如时间窗）等目标，采用加权求和法或Pareto前沿优化。
2. 约束条件
- 路径闭合性：卡车与无人机均需返回起点形成闭合回路。
- 时间同步：无人机需在卡车到达起飞节点前准备就绪，且卡车需等待无人机返航。
三、遗传算法设计流程
1. 编码方案
- 分段编码：染色体分为三部分——卡车路径段、无人机1路径段、无人机2路径段，采用整数编码表示客户访问顺序。
- 示例：卡车路径
[0, A, B, C, 0]，无人机1路径[A→D→A]，无人机2路径[B→E→B]（0表示中转站）。
- 示例：卡车路径
2. 初始化种群
- 启发式初始化：结合贪婪算法生成初始解，优先分配近距离客户给无人机，卡车处理远距离或大包裹客户。
- 随机扰动：加入随机路径以避免早熟收敛。
3. 适应度函数设计
- 单目标函数：总成本或时间的倒数，例如
。 - 多目标处理：使用NSGA-II算法，基于Pareto支配关系排序，或加权函数 Fitness=w1⋅Cost+w2⋅Time。
- 约束处理：引入惩罚项，如对超续航的无人机路径增加高成本惩罚 Penalty=106⋅(tdrone−Max Flight Time)。
4. 遗传操作改进
- 交叉操作：采用顺序交叉（OX）或分段交叉，确保子代路径合法性。
- 示例：交换卡车路径的中间段，无人机路径随机重组。
- 变异操作：
- 局部变异：随机交换两个客户的位置。
- 全局变异：重新分配某无人机服务的客户群。
- 精英保留：保留每代最优个体，避免优质解丢失。
5. 终止条件
- 最大迭代次数（如500代）或适应度收敛阈值（如连续50代无改进）。
四、多目标优化与协同策略
1. 目标冲突处理
- 权重分配法：根据企业需求动态调整成本与时间的权重（如电商场景优先时间，普通物流优先成本）。
- Pareto最优解集：通过NSGA-II生成非支配解集，供决策者选择。
2. 无人机任务分配策略
- 负载均衡：根据无人机剩余续航动态分配客户，避免某一无人机过早耗尽电量。
- 路径协调：无人机起飞节点间隔需大于其任务时间，避免卡车等待冲突。
五、案例分析及算法验证
1. 算例设计
- 客户分布：随机生成50个客户点，其中30%由无人机服务。
- 参数设置：卡车速度60 km/h，无人机速度80 km/h；无人机最大续航20 km。
2. 结果对比
- 传统遗传算法 vs 改进算法：改进算法（加入精英保留和启发式初始化）在100代内收敛，总成本降低15%。
- 协同配送 vs 单独配送：协同模式节省时间21.27%，成本降低28.06%。
3. 敏感性分析
- 续航影响：无人机续航从15km增至25km，总成本下降12%。
- 载重影响：无人机载重从2kg增至5kg，可服务客户数提升40%。
六、技术局限性与未来方向
- 现实场景复杂性：未考虑动态交通、天气影响及客户需求变化。
- 算法扩展性：多无人机（>2架）协同需进一步优化编码和计算效率。
- 硬件集成：需结合实时定位系统（RTK）和自动驾驶技术实现动态路径调整。
七、结论
通过改进遗传算法（如NSGA-III结合ALNS），卡车与双无人机协同配送能显著提升效率并降低成本。未来研究需融合动态路径规划与多智能体强化学习，以应对复杂物流场景。
📚2 运行结果
🎉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。
[1]邓永蕤.时变网络下带时间窗的卡车和无人机协同配送路径优化研究[D].西南交通大学,2020.
[2]王业萍,羊钊,李娜.多投递下带时间窗的卡车与无人机协同配送问题[J].航空计算技术, 2023(6):55-58,64.
🌈4 Matlab代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
扫一扫
524
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
