多物流无人机任务分配与三维路径一体化规划方法

本发明涉及物流无人机应用，具体为多物流无人机任务分配与三维路径一体化规划方法。

背景技术：

1、城市居民消费能力迅猛发展带来了电子商务快速发展，物流业爆发式增长，但同时也伴随着城市交通拥堵，快递延误等问题。无人机具有机动性强、灵活度高以及成本价格低廉的优点，为解决城市物流“末端一公里”提供了新的途径，在国内外诸多城市已经得到了探索性实践。

2、多无人机物流配送的核心任务有两个方面：一是配送任务分配，即根据客户需求给出货物配送顺序；二是配送路径规划，也称航迹规划或路线规划，即给出无人机到每个任务点的飞行路径。任务分配方面，考虑无人机性能、飞行可靠性等约束，以经济成本、时间损失和安全风险最小为目标构建任务分配模型，采用人工智能方法求解模型；多无人机配送路径规划方面，考虑安全、效率等目标，应用人工智能方法等求解模型；现有文献大多将这两个任务分开独立研究，较少从整体上进行一体化研究。

技术实现思路

1、本发明的目的在于提供多物流无人机任务分配与三维路径一体化规划方法，以解决上述背景技术中提出的问题。

2、本发明提供如下技术方案：多物流无人机任务分配与三维路径一体化规划方法，包括以下步骤：

3、步骤一、进行环境建模和计算栅格危险度：对120米以下的低空三维环境采用栅格法进行建模；

4、步骤二、建立上层模型和求解上层模型：所述上层模型为任务分配模型，通过遗传算法对上层模型进行求解；

5、步骤三、建立下层模型和求解上层模型：所述下层模型为路径规划模型，通过利用群算法对下层模型求解。

6、优选的，所述步骤一进行环境建模包括以下步骤：

7、步骤1.1、利用栅格法构建规划空间，将规划区域建模为一个立方体oabc-o'a'b'c'，该立方体区域长度x、宽度y、高度z，并以原点o为中心，采用三维直角坐标系表示；

8、步骤1.2、设每个栅格的像元粒度(边长)为δg；

9、步骤1.3、将规划空间分隔成m×n×h个栅格，m＝int(x/δg)，n＝int(y/δg)，h＝int(z/δg)，int()表示向下取整，以每个栅格的中心点表示该栅格。

10、优选的，所述计算栅格危险度包括以下步骤：

11、步骤1.4、对存在障碍物的栅格赋值为1，其余的栅格危险度为其周边26个栅格中含障碍物栅格的比例，设栅格k的危险度φk，

12、则其中

13、nobstacle(k)、nsurrounding(k)分别为栅格k周围含障碍栅格数和周围栅格总数。

14、优选的，所述步骤二中建立上层模型包括以下步骤：

15、步骤2.1、计算无人机完成任务时刻：

16、假设共有nu架物流无人机，nu架无人机的集合为ui∈u，i＝1、2、3···、nu和nt个任务其中t0表示无人机完成第个任务后必须返回配送中心；

17、则模型任务分配决策变量xij为：

18、

19、执行配送任务时，无人机ui首先从配送中心a出发，依次执行配送序列中的任务，其中为ui返回配送中心；

20、对于令为无人机ui完成任务的时刻，计算过程如下式

21、其中vi为无人机ui速度，表示任务完成需要的时间，dis{·}表示实际飞行距离；

22、步骤2.2、设置惩罚代价：

23、用csti表示第i架无人机的延迟惩罚代价，计算过程下式：

24、

25、[0,timej]为顾客为某个任务设置的时间窗，timej为顾客为本次配送设置的时间限制。

26、步骤2.3、设置约束条件：所述约束条件包括载重约束条件、最大航程约束条件；

27、载重约束条件为ldi＜lci；ldi为无人机ui单次从配送中心起飞装载重量；lci为无人机ui的最大载荷能力；

28、最大航程约束条件为li≤li(max)，

29、其中，li为无人机ui配送路径长度，mi为无人机ui分配到的配送任务数量；

30、步骤2.4、获得无人机任务分配的目标函数，并通过标准遗传算法输出最优无人机任务分配方案，其中目标函数表示为：

31、

32、

33、优选的，所述步骤三中建立下层模型包括以下步骤：

34、步骤3.1、建立路径规划目标函数：

35、设无人机配送配送总耗时为

36、设无人机飞行高度变化代价函数为

37、其中δzi(pn-1,pn)为第i架无人机在第pn个路径点与第(pn-1)个路径点之间高度变化；

38、设栅格危险度代价函数为

39、其中危险度代价d表示无人机飞行路径经过的栅格对应危险度的累加；

40、最终获得无人机路径规划的目标函数为：min(α1t+α2h+α3d)；

41、步骤3.2、设置约束条件。

42、优选的，所述步骤3.2中设置约束条件包括以下步骤:

43、步骤3.21、设置飞行高度约束：无人机飞行高度为z的约束条件为zmin≤z≤zmax，其中zmin为无人机飞行最低高度，zmax为无人机飞行最高高度；

44、步骤3.22、设置无人机最大俯仰角约束：无人机在第i个路径节点俯仰角βi表示无人机在第i个路径节点俯仰角；βmax表示无人机最大俯仰角，i＝1,2...,n+1。

45、优选的，通过改进的粒子群算法对下层模型进行求解，具体改进过程如下：1)混沌初始化，利用singer模型，其过程如下式所示：其中μ为取值在[0.9,1.08]控制系数，xt为第n个混沌变量；

46、2)线性调整加速因子；

47、采用线性方法计算加速因子，即：

48、

49、

50、式中：cmax,cmin分别为最大加速因子和最小加速因子，均为恒定值且cmax＞cmin＞0；t为当前迭代次数，t为总迭代次数；

51、cmax、cmin设置原则为其中为标准粒子群算法的加速因子；

52、c1和c2分别线性减小和线性增大，其和满足c1+c2＝cmax+cmin，即粒子搜索和收敛能力是恒定的；

53、算法前半阶段满足c1＞c2，增强了搜索多样性，有利于避免局部极小值；算法后半阶段满足c1<c2，有利于快速收敛到全局最优解；

54、3)线性调整粒子最大速度：

55、

56、式中：v1，v2表示粒子更新速度，是满足v1＞v2＞0的常数，v1和v2满足为pso最大更新速度；

57、6)位置更新：

58、更新步骤如下：首先，执行一次pso算法，按照粒子适应度值由小到大重新排列；然后进行通过plarge＝psmall+a·r3和vlarge＝vsmall两式进行位置更新；式中：plarge代表适应度值较大的一半式中：psmall代表适应度值较大的一半；

59、7)自适应调整惯性权：

60、

61、式中：ptmax为当前迭代次数下粒子群中最大适应度值，ptmin为当前迭代次数下粒子群中最小适应度值，为当前迭代次数下粒子群惯性权值。

62、与现有技术相比，本发明的有益效果是：

63、1、本发明结合任务分配和路劲规划，建立了双层规划模型，应用遗传算法和粒子群算法求解计算上下层模型，求解1次双层模型仅需50秒左右，完全能够满足实际应用要求。

64、2、本发明方法的总代价与标准粒子群、改进粒子群算法相比分别下降了65.00％和38.41％，在效率性和有效性方面均具有优势。