人工智能背景下的配送网络优化方法研究

伴随着人工智能的快速发展,在配送领域内无人机得到广泛应用;针对卡车和无人机在配送中的特征,提出卡车与无人机联合配送模式下的路线网络规划问题;在假定该模式具体应用情境的基础上,分别以碳排放量以及配送效率为目标建立路径规划模型,根据模型的特征设计了相应的求解方法;最后通过算例论证联合配送模式的可行性与有效性。     

不确定性故障下无人机末端配送

针对物流无人机的配送问题,综合考虑无人机故障、分段电池能耗和飞行可靠性等影响因素构建不确定故障下的无人机配送模型;采用蚁群算法对模型求解,最后运用标准算例场景进行测试。结果表明：在考虑无人机不确定故障场景下,最小需求损失提供的配送方案平均配送成本增加2.77%,可靠性提高7.04%～10.47%;最小综合成本提供的配送方案平均配送成本增加0.81%,可靠性提高2.2%～8.88%。前者所提供配送方案更可靠,但对应成本增加比例相对较大,后者综合考虑成本和损失,以较小的成本代价提高配送网络可靠性。     

基于卡车与无人机联合配送的车辆路径优化

卡车与无人机联合配送已逐渐成为车辆调度的热点问题。在考虑正向和逆向物流整合的前提下,建立混合整数规划模型。并根据无人机联合配送的特点,设计嵌入遗传算法的邻域搜索算法,通过算例验证了模型与算法的可行性。仿真结果表明：构建的模型有效地结合了无人机的工作特点和取送货模型路径选择的特点,验证了模型与算法的有效性,可为城市物流配送中无人机的应用提供指导。     

共同配送作业模式优化

对共同配送路径优化及成本分摊问题进行一体化分析,构建多配送中心、多货种条件下的共同配送作业模式双层规划数学模型.其中,上层模型用于优化配送路径,下层模型用于在联盟内实现配送成本的分摊.设计使用遗传算法对所提出的问题进行求解.采用基于扫描的算法产生初始种群;结合Shapley值法设计配送成本分摊机制;为避免陷入局部最优解,在进化过程中引入内部扰动与外部扰动过程.通过算例求解结果可以看到,在共同配送条件下,联盟总体成本及各配送中心成本均大幅下降,可为共同配送实践作业提供决策参考.     

物联网环境下面向能耗优化的无人机飞行规划

为了优化物联网环境下数据采集时无人机飞行能耗,针对现有研究中由于无人机能耗影响因素考虑不全面导致能耗模型不精确的问题,设计了面向能耗优化的无人机飞行规划算法.首先通过构造真实无人机环境并进行能耗实验分析,建立无人机不同飞行状态下的精确能耗模型.其次,根据传感器的分布情况和所建立的能耗模型,提出无人机飞行规划算法,将转弯角度、飞行速度作为影响路径代价的2个重要因素,为无人机确定飞行路径与飞行速度,以使无人机飞行能耗最小化.实验结果表明,无人机的转弯角度和飞行速度对能耗有较大的影响,其中转角能耗平均占比约为10%.所提飞行规划算法能够在同时考虑这2个因素的情况下获得最优的飞行能耗,较已有算法能耗降低8%.     

基于供应商管理库存模式的配送路径优化问题

基于供应商管理库存(VMI)模式制定科学的产品配送决策,可以合理优化库存水平、有效提高物流运输效率。本文针对VMI模式下的配送路径优化问题开展研究,考虑客户的产品消耗率和服务时间窗等因素,以总配送成本最小为目标,建立混合整数规划模型,并设计了贪婪算法;首先利用Gurobi求解器对小规模算例进行求解,分析VMI模式的优越性,结果表明,基于VMI模式的配送路径规划方案可以有效减少库存水平,降低总配送成本;然后利用中等规模算例分析贪婪算法的求解效果,结果显示,对于40个点的中等规模算例,求解器在240分钟内无法得到最优解,而贪婪算法可以在0.2秒之内得到近似最优解。     

物流无人机城市低空轴辐式网络构建方法研究

无人机在城市物流配送方面具有极大应用潜力，然而城市低空空域运行场景中的潜在不确定因素较多，亟待通过科学方法构建安全有序的物流无人机配送网络。从物流无人机运输经济性和运行安全性角度出发，结合物流无人机性能特征，在原有地面物流配送网点的基础上，构建多层级轴辐式网络的整数规划模型，提出了带距离限制的PAM(partitioning around medoids,围绕中心点划分)聚类与整数规划相结合的网络构建方法；从配送时效性、网络安全性和网络结构特征三方面选取评价指标，用于对比构建物流无人机运输网络与原地面运输网络；以南京市江宁区为例构建物流无人机配送网络，验证该网络构建方法的可行性。实验结果表明，该方法构建的无人机配送网络在兼顾运输成本与运输安全性的同时，还具有较好的配送时效性。     

O2O模式下外卖骑手的配送路径优化

基于大连市某外卖配送站点的运营实例,针对午餐高峰时段涌入的大量订单,对骑手的配送路径进行优化.以最大化运输效率为目标,综合考虑外卖配送的实际约束,有针对性地构建骑手配送路径优化的混合整数规划模型,开发改进型蚁群算法对实例进行求解.然后,将所得结果与行业实际数据、小规模算例的CPLEX精确解以及传统的蚁群算法进行对比,从多方面验证了算法的合理性与有效性.最后,详细分析了算法参数对优化结果的影响机理,可为外卖配送行业提供决策支持.     

时变路网下多配送中心多车型联合配送

随着电子商务发展,越来越多的城市、企业采用多配送中心模式,优化补货车辆、配送站点车辆出行时刻及出行路线的优化变得越来越重要。目前考虑城市时变速度特征的多车型联合配送中,对配送车辆出行时刻和配送路径联合优化角度的研究成果较少。基于此,主要构建基于时变速度多配送中心多车型联合配送模型;并设计基于禁忌搜索求解算法。收集了北京市城市配送大数据,以北京市公铁联运城市配送为应用背景,对算法进行了验证;通过计算发现本算法可以有效优化多配送中心多车型联合配送运输成本和时间成本,能够应用于北京这种特大城市的公铁联运城市配送方案中。     

应急物流中无人机配送线路优化

在自然灾害发生时,第一时间内将生命救援物资配送到各救灾点尤为重要。为优化自然灾害条件下的应急物资配送过程,由卡车-无人机共同配送,将该场景下的应急物资配送问题构造为带有无人机的多旅行商问题。在考虑卡车可达性的情况下,以总配送时间最短为目标建立了混合整数规划模型,并改进FSTSP(Flying Sidekick Traveling Salesman Problem)算法求解此模型。仿真结果表明:通过组合K-means聚类算法和改进的FSTSP算法,可以有效解决考虑卡车可达性的多卡车多无人机的应急物资配送问题,且与传统的卡车配送相比,卡车-无人机配送具有潜在的优势。     

基于改进粒子群算法的城市物流无人机路径规划

城市物流无人机路径规划是无人机任务规划系统的一项核心内容。为安全、高效实现物流无人机路径规划问题,首先,采用栅格法进行环境建模,考虑无人机性能限制,以路径长度最短、无人机高度变化以及栅格危险度最小为目标,建立多约束物流无人机路径规划模型。其次,针对传统粒子群算法存在的问题,引入Singer映射改进粒子初始分布、线性调整加速因子和最大速度,粒子位置新更新策略,及动态调整惯性权值,应用改进的粒子群优化算法求解模型。最后,进行了算例仿真分析。当栅格粒度取5米,路径节点取5个,代价函数权值分别取0.1、0.4和0.5时,与其他4种算法相比,本文算法总代价值最佳,分别减少44.5%、3.5%、42.8%和30%。结果表明,本文的模型与算法用于无人机路径规划是可行的和有效的。     

面向城市超低空物流场景的最小风险路径规划算法

随着城市超低空物流运输场景的迅速发展,无人机路径规划的安全性显得尤为重要,针对现有路径规划算法无法满足超低空物流运输无人机在密集障碍物场景下进行安全轨迹规划的问题,本文基于A*算法,将三维环境依据飞行高度划分为多个高度层,以规划风险最小轨迹为目标,从时间、风险两个维度对A*算法的成本估计函数进行重构,从而提出面向城市超低空物流场景的最小危险路径规划算法。仿真实验一表明,本文提出的最小风险路径规划算法在3种不同城市场景,15种不同运行环境中,相比于传统轨迹规划算法,规划得到的路径安全距离平均增加60%,安全性显著提高;本文也将该算法应用于多无人机多高度层的复杂城市场景中,实验结果表明,本文提出的最小风险路径规划算法在兼顾航程的同时可以为多架无人机规划安全性更高的路径;在实验三中运用蒙特卡洛法证明本文算法在路径规划算法中的可靠性与鲁棒性,为城市超低空物流场景提供了安全性更高的路径规划方法。     

基于能源消耗的城市交通结构优化

为支持可持续发展交通运输系统规划的理论体系的创立,引入交通容量、环境容量和方式能耗的概念,提出基于能源消耗的城市交通结构优化的思路、模型与方法,并进行了应用实例研究。该模型融入了影响城市交通结构的各种因素,使其最优解既能满足经济发展带来的交通需求,又能使交通的环境影响和资源消耗最小化,从而为可持续发展的交通运输系统的规划提供了可行的理论与方法。     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

基于弹道下降方式的无人机风险评估与航路规划

针对无人机系统失效后对地面人员及财产安全的威胁,提出了一种基于弹道下降方式下的无人机风险评估及航路规划方法。分析了无人机失效后的下降特点及规律,采用栅格法划分空域环境,以地面不同属性构建低空空域环境风险评估模型。结合无人机飞行的风险值、路径长度和空域情况,建立了多目标、多约束的无人机飞行航路规划模型。利用改进蚁群算法进行求解：优化转移概率,避免蚂蚁陷入死区间和减少盲目搜索;对信息素的更新进行改进,调整自适应系数增强最优路径的信息素浓度,提高算法收敛速度与稳定性。相比传统蚁群算法的路径规划,运行时间缩短6.7%、最优路径风险值降低41.45%、整体性能提高18.0%。仿真结果表明：本文模型及改进算法可以在提高路径安全性的前提下,缩短规划路径生成时间且保障运行的经济性。     

基于演化深度神经网络的无人机协同无源定位动态航迹规划

 针对多无人机在无源定位过程中协同动态规划航迹提高定位精度问题,提出基于演化深度神经网络的分布式动态航迹优化方法。首先将演化计算与深层前向反馈神经网络结合,设计基于演化神经网络的无人机协同无源定位动态航迹规划框架。以多无人机到达角（AOA）协同定位为例,利用定位过程中对目标估计的克拉美罗界（CRLB）生成最优训练集。通过无人机下一时刻与目标形成的相对构型作为系统学习的行为,从而得到下一时刻优化后的航迹点。实验结果表明,该方法相对于传统中心控制的无人机协同定位方法,具有更低的处理延时,能够以更短时间达到定位精度。     

对运动船舶的多无人机协同查证路径规划方法

为解决无人机(unmanned aerial vehicle, UAV)对运动船舶进行查证面临的最优路径生成问题,设计了一种面向运动目标的多无人机路径规划方法,通过模拟退火算法对查证路径进行优化,确定完成查证任务所需的最少无人机数量、查证序列和运动路径。结果表明：所设计的方法能够生成满足时间约束的多无人机协同运动船舶查证路径,可为海事监管领域开展无人机路径规划应用及优化资源配置提供技术支撑。     

一种改进蚁群算法的无人机避险方法仿真研究

随着低空空域的逐渐开放以及无人机产业的高速发展,无人机数量不断上升,无人机间随时有发生冲突的可能,需要一种可靠的冲突解脱技术使无人机可以避免危险。针对无人机冲突解脱问题,提出基于改进蚁群算法的无人机冲突解脱方法:采用参数自适应调整策略,根据解的质量,动态调整参数值,防止算法早熟,提高收敛精度;在算法状态转移规则中引入扰动因子,加快算法初期收敛。算法测试实验结果显示,改进蚁群算法收敛精度更高。仿真实验表明,改进算法可以帮助两无人机及时脱离危险。该算法作为一种通用优化算法,也可应用到目标识别、路径规划等问题中,具有重要的研究意义与广泛的应用价值。     

元胞蚁群算法的城市楼宇间无人机航路规划

近年来,城市环境中小型无人机越来越多,然而传统的航路规划算法通常将威胁简化,并不能很好地解决无人机在城市环境的航路规划问题。因此引入"元胞"定义飞行区间,对"数字元胞地图"以及"航路罚函数"进行定义,并利用蚁群算法进行航路规划,使其可以对任意不规则威胁进行规避。仿真对比实验表明,所提的基于元胞蚁群的算法可以在不对障碍模型进行简化的情况下进行合理规避,为无人机在城市环境中规划出一条安全可飞的航路。     

无人机航路规划问题初步研究

本文通过对无人机航路规划的研究,概括和总结了无人机航路规划问题的几个重要方面,构建了航路规划的基本框架。文章重点介绍了航路规划的约束条件、威胁模型的建立以及航路规划的算法,并对今后无人机航路规划的发展提出了展望。