0 引言

隨著現(xiàn)代化社會的飛速發(fā)展，物流配送成為運(yùn)輸行業(yè)的新型行業(yè)。將優(yōu)化理念融入到物流活動的全過程，接收與發(fā)送不同的物流[1]。通過智能避障與目標(biāo)追蹤，將商品配送到指定位置。在物流配送過程中，特殊環(huán)境下使用無人機(jī)在線避障，能夠保證無人機(jī)運(yùn)行的實(shí)時(shí)性和安全性。由于現(xiàn)有的優(yōu)化方法配送時(shí)間的準(zhǔn)確性差，小型無人機(jī)續(xù)航能力差，存在延誤等問題。面對特殊環(huán)境下的物流配送，不能及時(shí)了解貨物配送情況，無法實(shí)時(shí)更新配送信息，造成資源浪費(fèi)。針對上述不足，本次研究以無人機(jī)物流配送路徑自動優(yōu)化為研究對象，使用改進(jìn)遺傳算法，結(jié)合實(shí)際情況進(jìn)行方法設(shè)計(jì)，并以實(shí)驗(yàn)的形式驗(yàn)證方法性能。

1 無人機(jī)物流配送路徑自動優(yōu)化設(shè)計(jì)

1.1無人機(jī)配送站點(diǎn)選址

將無人機(jī)配送站點(diǎn)服務(wù)范圍內(nèi)作為需求點(diǎn)，通過物流中心將物品按照標(biāo)準(zhǔn)運(yùn)送到不同的配送站點(diǎn)，再使用無人機(jī)對不同站點(diǎn)之間進(jìn)行配送，最后返回完成配送，其中存在續(xù)航里程的問題[2]。在標(biāo)準(zhǔn)續(xù)航范圍內(nèi)，對無人機(jī)配送站點(diǎn)進(jìn)行選址。采用分層序列法為配送區(qū)域內(nèi)配送距離為目標(biāo)，添加無人機(jī)配送站點(diǎn)，劃分配送子區(qū)域。設(shè)定配送路徑為從物流中心到配送站點(diǎn)的對應(yīng)直線，且所有配送距離均在無人機(jī)續(xù)航里程范圍內(nèi)。設(shè)定建設(shè)成本為k，得到無人機(jī)配送站點(diǎn)數(shù)量的目標(biāo)函數(shù)為

式（1）中：k為建設(shè)程度，在確定無人機(jī)的站點(diǎn)數(shù)量后，需要對不同站點(diǎn)之間的距離進(jìn)行測量。以無人機(jī)配送站點(diǎn)為圓心，運(yùn)用重疊算法對區(qū)域內(nèi)的所有節(jié)點(diǎn)進(jìn)行覆蓋。根據(jù)站點(diǎn)到物流中心的距離，按照長短依次進(jìn)行編號，同時(shí)將距離結(jié)果集合。找到集合中的最短距離，并設(shè)定中心節(jié)點(diǎn)為O，在特征圓中確定不同配送站點(diǎn)的位置，并運(yùn)用螢火蟲算法在平面進(jìn)行最優(yōu)站點(diǎn)選址。為能夠在全局范圍內(nèi)得到最優(yōu)解，設(shè)定每個(gè)螢火蟲表示對應(yīng)的配送站點(diǎn)位置[3]。螢火蟲的相對亮度值可以得到計(jì)算。同時(shí)，根據(jù)兩只螢火蟲之間的最大吸引度，進(jìn)行位置更新：式（2）中：α為步長因子；β為最大吸引度；V1為上一時(shí)刻位置。通過調(diào)整局部搜索能力，對站點(diǎn)位置進(jìn)行迭代優(yōu)化。按照配送范圍對不同站點(diǎn)的位置進(jìn)行移動，形成全覆蓋。設(shè)定懲罰因子，添加對應(yīng)的適應(yīng)度函數(shù)[4]。為了能夠加速找到選址點(diǎn)位置，通過多次尋優(yōu)，更新螢火蟲位置，對內(nèi)容進(jìn)行反向擴(kuò)散學(xué)習(xí)，確定無人機(jī)配送站點(diǎn)位置。

1.2考慮配送時(shí)間窗構(gòu)建路徑配送模型

在配送過程中，客戶的時(shí)間窗問題需要得到解決。將不同無人機(jī)的配送路徑整合成一個(gè)回路，通過迭代得到最優(yōu)解來減少車輛的行駛距離。將無人機(jī)客戶加入到其中形成一個(gè)完整的初始解，依次將運(yùn)輸問題中的兩個(gè)回路合并為一個(gè)回路，節(jié)約距離的計(jì)算公式為

式（3）中，d1,d2,d3表示不同節(jié)點(diǎn)之間的距離。無人機(jī)單次僅為一個(gè)客戶進(jìn)行服務(wù)，從物流網(wǎng)絡(luò)節(jié)點(diǎn)位置處發(fā)射，以最大飛行速度進(jìn)行物流配送[5]，從而節(jié)約時(shí)間。以上述研究為基礎(chǔ)，構(gòu)建無人機(jī)配送路徑模型，其可表示為

式（4）中，dij代表配送站點(diǎn)i到配送站點(diǎn)j之間的距離；xij表示無人機(jī)從配送站點(diǎn)i到配送站點(diǎn)j;K代表無人機(jī)數(shù)量。

1.3應(yīng)用改進(jìn)遺傳算法實(shí)現(xiàn)物流配送路徑自動優(yōu)化

為實(shí)現(xiàn)物流配送路徑的自動優(yōu)化，在完成無人機(jī)配送路徑模型構(gòu)建之后，采用改進(jìn)遺傳算法對其進(jìn)行求解，其過程如下：從染色體編碼開始，對客戶點(diǎn)依據(jù)時(shí)間順序依次進(jìn)行編號，染色體長度為v。依據(jù)從物流中心出發(fā)最后回到起點(diǎn)的原則，在起點(diǎn)之間設(shè)定一條運(yùn)輸路線。根據(jù)無人機(jī)最大載重的限制進(jìn)行編碼，對選擇的點(diǎn)進(jìn)行從小到大排序。建立適應(yīng)度函數(shù)，適應(yīng)度越高，遺傳概率就越大。通過公式計(jì)算最小目標(biāo)函數(shù)為

式（5）中：F為個(gè)體的適應(yīng)度；minA為個(gè)體的最小成本。根據(jù)染色體適應(yīng)度的大小，確定染色體能否在遺傳中進(jìn)行更好的應(yīng)用。同時(shí)為了能夠適應(yīng)環(huán)境的個(gè)體特征得到保留，對優(yōu)秀個(gè)體進(jìn)行保留。隨機(jī)截取兩個(gè)父代染色體帶，并隨機(jī)截取兩個(gè)父代染色體。依據(jù)變異算子設(shè)定規(guī)律，及時(shí)更新染色體上不同基因的位置，對變異基因進(jìn)行交換。通過交換位置，更新位置從而減少最優(yōu)解出現(xiàn)過早收斂的情況，不斷迭代直到形成最優(yōu)解，以此完成物流配送路徑最優(yōu)化的判斷，再將求解得到的最優(yōu)路徑方案轉(zhuǎn)化為無人機(jī)可執(zhí)行的指令，包括無人機(jī)的起飛、降落、航行等操作，并利用相應(yīng)的自動化系統(tǒng)將任務(wù)指派給無人機(jī)進(jìn)行配送。

2 實(shí)驗(yàn)測試與分析

2.1搭建實(shí)驗(yàn)環(huán)境

以某配送站為例開展研究，其共有20個(gè)配送服務(wù)站點(diǎn)，利用無人機(jī)進(jìn)行配送，無人機(jī)可飛行距離為15～20km，飛行速度可達(dá)到35km/h。將出發(fā)點(diǎn)設(shè)定為0，經(jīng)過不同站點(diǎn)到達(dá)終點(diǎn)20，按照此運(yùn)輸實(shí)際順序完成配送過程，具體如圖1所示。

設(shè)定算法種群規(guī)模為100，迭代次數(shù)為30，交叉概率為0.4。利用Matlab軟件進(jìn)行編程，將算法參數(shù)和數(shù)據(jù)輸入其中，并進(jìn)行無人機(jī)配送路徑規(guī)劃，使其在滿足客戶需求量的情況下，運(yùn)用無人機(jī)配送模式完成配送作業(yè)。

2.2結(jié)果與分析

根據(jù)Matlab仿真運(yùn)行得到五個(gè)小組的最優(yōu)路線情況，在地圖上進(jìn)行顯示，根據(jù)不同測距結(jié)果得到無人機(jī)運(yùn)行流向，獲得優(yōu)化后的線路數(shù)量見表1。

由表1可知，應(yīng)用實(shí)驗(yàn)組，其獲得的配送線路為3條，五個(gè)小組中設(shè)計(jì)路徑最少，應(yīng)用3架直升機(jī)即可完成路徑配送，由此可說明運(yùn)用本文方法能夠節(jié)約配送時(shí)間，提升配送效率，達(dá)到最優(yōu)配送效果。

3 結(jié)語

本次從無人機(jī)物流配送路徑優(yōu)化入手，結(jié)合了改進(jìn)遺傳算法，探究了基于改進(jìn)遺傳算法的無人機(jī)物流配送路徑優(yōu)化方法的應(yīng)用。根據(jù)不同用戶的服務(wù)時(shí)間，對相應(yīng)的物流配送時(shí)間進(jìn)行及時(shí)修正。通過改進(jìn)遺傳算法進(jìn)行全局搜索，保證解的多樣性，對無人機(jī)的路徑和定位進(jìn)行優(yōu)化，得到更精準(zhǔn)的物流配送路徑。通過對算法的改善，實(shí)現(xiàn)了基于改進(jìn)遺傳算法的無人機(jī)物流配送路徑優(yōu)化方法，并得到了良好應(yīng)用。