本發(fā)明適用于路徑規(guī)劃，尤其涉及一種無人機(jī)和無人車的協(xié)同配送方法。

背景技術(shù)：

1、隨著多智能體技術(shù)、人工智能技術(shù)和通信網(wǎng)絡(luò)技術(shù)的迅速完善和發(fā)展，無人機(jī)和無人車的應(yīng)用也越來越廣泛，例如無人車依靠先進(jìn)的傳感器(如lidar、攝像頭)和gps導(dǎo)航系統(tǒng)進(jìn)行自動導(dǎo)航和路徑規(guī)劃，廣泛用于物流配送。然而，在復(fù)雜城市環(huán)境中的靈活性較差，尤其在最后一公里配送中，受制于地形復(fù)雜度和交通狀況，難以實現(xiàn)高效配送。相比之下，無人機(jī)在短距離和輕量貨物配送中表現(xiàn)出色。它們易跨越特殊地形，直接到達(dá)目的地，極大地縮短配送時間。然而，無人機(jī)配送同樣存在諸多問題，譬如負(fù)載容量小、電池續(xù)航能力弱，通常只能進(jìn)行短距離配送。此外，飛行需要遵守嚴(yán)格的航空監(jiān)管規(guī)定，且容易受到天氣和環(huán)境條件的影響，這限制了無人機(jī)在長距離配送中的應(yīng)用。

2、兩者因其優(yōu)勢互補(bǔ)而具有廣闊的研究前景，成為了近年來研究的熱點問題。協(xié)同配送技術(shù)作為一個新興領(lǐng)域，通過結(jié)合無人車和無人機(jī)的優(yōu)點，可以顯著提高配送效率。例如，亞馬遜公司和谷歌的項目均探索利用無人車進(jìn)行長距離運(yùn)輸，再由無人機(jī)完成最后一公里的快速配送，這種協(xié)同模式在理論上可以克服各自的局限，但在實際應(yīng)用中，路徑規(guī)劃和任務(wù)調(diào)度的復(fù)雜性仍然是一個挑戰(zhàn)，現(xiàn)有系統(tǒng)在這方面還有很大的改進(jìn)空間。

3、現(xiàn)有的無人機(jī)和無人車協(xié)同配送方案往往存在如下幾個問題：1、任務(wù)分配效率低下，在物流配送和智能交通管理中，傳統(tǒng)的任務(wù)分配方法往往效率低下，難以處理大規(guī)模的數(shù)據(jù)和復(fù)雜的任務(wù)需求。2、未考慮多因素影響下導(dǎo)致任務(wù)分配準(zhǔn)確性不足，任務(wù)分配過程中，難以綜合考慮交通流量、天氣狀況等多種實際因素，導(dǎo)致任務(wù)分配結(jié)果不準(zhǔn)確，影響實際執(zhí)行效果。3、全局優(yōu)化和局部優(yōu)化能力不足，許多優(yōu)化算法在處理任務(wù)分配問題時，容易陷入局部最優(yōu)解，難以找到全局最優(yōu)解。4、動態(tài)調(diào)整和自適應(yīng)優(yōu)化不足，許多優(yōu)化算法在處理任務(wù)分配問題時，容易陷入局部最優(yōu)解，難以找到全局最優(yōu)解。傳統(tǒng)算法在優(yōu)化過程中，參數(shù)調(diào)整固定，缺乏動態(tài)調(diào)整和自適應(yīng)能力，導(dǎo)致優(yōu)化效果受限。5、難以處理多目標(biāo)優(yōu)化問題，在實際任務(wù)分配中，往往需要同時優(yōu)化多個目標(biāo)(如任務(wù)完成時間、資源利用率、成本等)，傳統(tǒng)方法難以有效處理多目標(biāo)優(yōu)化問題。

4、因此，亟需一種新的無人機(jī)和無人車的協(xié)同配送方法，解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出了一種無人機(jī)和無人車的協(xié)同配送方法，旨在解決現(xiàn)有技術(shù)中存在的任務(wù)分配效率低、多因素影響下的任務(wù)分配準(zhǔn)確性不足、全局與局部優(yōu)化能力不足、以及多目標(biāo)優(yōu)化問題難以處理等技術(shù)問題。

2、本發(fā)明提出了一種無人機(jī)和無人車的協(xié)同配送方法，包括以下步驟：

3、s1、獲取訂單數(shù)據(jù)，基于聚類算法對所述訂單數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果；

4、s2、根據(jù)所述聚類結(jié)果通過柵格法進(jìn)行區(qū)域劃分并建立約束條件，得到多個訂單信息；

5、s3、根據(jù)交通流量和天氣數(shù)據(jù)定義適應(yīng)度函數(shù)，根據(jù)所述適應(yīng)度函數(shù)計算每一所述訂單信息對應(yīng)的適應(yīng)度值；

6、s4、根據(jù)每一所述訂單信息對應(yīng)的適應(yīng)度值基于粒子群優(yōu)化算法進(jìn)行全局搜索，得到全局較優(yōu)解；

7、s5、根據(jù)所述全局較優(yōu)解基于蟻群優(yōu)化算法進(jìn)行局部優(yōu)化，得到優(yōu)化結(jié)果；

8、s6、基于帕累托最優(yōu)解對所述優(yōu)化結(jié)果進(jìn)行優(yōu)化，得到分配方案；

9、s7、根據(jù)所述分配方案對無人機(jī)和無人車進(jìn)行協(xié)同配送。

10、優(yōu)選地，所述約束條件包括：

11、無人機(jī)飛行高度不得小于預(yù)設(shè)最低飛行高度，不得高于預(yù)設(shè)限定高度；

12、無人機(jī)的飛行路徑中不能存在障礙物；

13、無人機(jī)在飛行過程中的爬升角度必須小于預(yù)設(shè)最大爬升角；

14、無人機(jī)飛行過程中的轉(zhuǎn)彎角度不能超過預(yù)設(shè)最大轉(zhuǎn)彎角；

15、無人機(jī)完成搜索任務(wù)后返回起點的飛行距離必須小于無人機(jī)預(yù)設(shè)最大飛行距離。

16、優(yōu)選地，所述適應(yīng)度函數(shù)滿足以下關(guān)系式：

17、k＝e1×g+e2×w+e3×c；

18、其中，k表示所述適應(yīng)度值，g表示所述交通流量的影響因子，w表示所述天氣數(shù)據(jù)的影響因子，e1,e2和e3表示權(quán)重系數(shù)，c表示配送成本。

19、優(yōu)選地，所述交通流量的影響因子滿足以下關(guān)系式：

20、

21、其中，v表示當(dāng)前道路的交通速度，vmax表示當(dāng)前道路的最大允許速度，yi表示交通擁堵指數(shù)，q1和q2表示交通權(quán)重系數(shù)。

22、優(yōu)選地，所述天氣數(shù)據(jù)的影響因子滿足以下關(guān)系式：

23、w＝1+α(β1r+β2s+β3fs)；

24、其中，r表示降雨量，s表示降雪量，fs表示風(fēng)速，α表示天氣影響系數(shù)，β1β2β3表示天氣因素權(quán)重系數(shù)。

25、優(yōu)選地，所述配送成本滿足以下關(guān)系式：

26、

27、其中，cr表示每單位距離的燃料成本，ct表示每單位時間的人工成本，l表示配送時間，t表示完成配送所需的總時間。

28、優(yōu)選地，步驟s4中包括以下子步驟：

29、s41、初始化粒子群的位置和速度；

30、s42、根據(jù)正弦自適應(yīng)慣性權(quán)重公式和指數(shù)自適應(yīng)策略對所述粒子群的位置和速度進(jìn)行調(diào)整；

31、s43、根據(jù)所述自適應(yīng)函數(shù)對所述粒子群中每一粒子的速度和位置進(jìn)行迭代更新，得到所述全局較優(yōu)解。

32、優(yōu)選地，所述正弦自適應(yīng)慣性權(quán)重公式滿足以下關(guān)系式：

33、

34、其中，zmax和zmin分別表示慣性權(quán)重的最大值和最小值，t表示當(dāng)前的迭代次數(shù)，t表示最大迭代次數(shù)。

35、優(yōu)選地，步驟s5中包括以下子步驟：

36、s51、根據(jù)所述全局較優(yōu)解，初始化螞蟻群體和信息素；

37、s52、建立啟發(fā)函數(shù)，所述啟發(fā)函數(shù)用于計算可選柵格與終點柵格的距離權(quán)重；

38、s53、根據(jù)起點和終點之間的方向性信息，初始化信息素濃度；

39、s54、所述螞蟻群體中的螞蟻根據(jù)所述信息素濃度和所述啟發(fā)函數(shù)進(jìn)行路徑選擇，得到螞蟻路徑；

40、s55、更新所述信息素濃度，對所述螞蟻路徑進(jìn)行迭代優(yōu)化，得到所述優(yōu)化結(jié)果。

41、與現(xiàn)有技術(shù)相比，本發(fā)明通過獲取訂單數(shù)據(jù)，基于聚類算法對訂單數(shù)據(jù)進(jìn)行聚類，得到聚類結(jié)果；根據(jù)聚類結(jié)果通過柵格法進(jìn)行區(qū)域劃分并建立約束條件，得到多個訂單；根據(jù)交通流量和天氣數(shù)據(jù)定義適應(yīng)度函數(shù)，根據(jù)適應(yīng)度函數(shù)計算每一訂單對應(yīng)的適應(yīng)度值；根據(jù)每一訂單對應(yīng)的適應(yīng)度值基于粒子群優(yōu)化算法進(jìn)行全局搜索，得到全局較優(yōu)解；根據(jù)全局較優(yōu)解基于蟻群優(yōu)化算法進(jìn)行局部優(yōu)化，得到優(yōu)化結(jié)果；基于帕累托最優(yōu)解對優(yōu)化結(jié)果進(jìn)行優(yōu)化，得到分配方案；根據(jù)分配方案對無人機(jī)和無人車進(jìn)行協(xié)同配送。本發(fā)明通過應(yīng)用動態(tài)調(diào)整和自適應(yīng)優(yōu)化策略，顯著提高任務(wù)分配的效率和準(zhǔn)確性，實現(xiàn)了無人車與無人機(jī)協(xié)同配送的高效任務(wù)分配和路徑規(guī)劃。本發(fā)明通過結(jié)合k-means聚類、柵格法、改進(jìn)的粒子群優(yōu)化(pso)算法和蟻群優(yōu)化(aco)算法，能夠在復(fù)雜的城市環(huán)境中實現(xiàn)高效的任務(wù)分配。提升了配送的效率和準(zhǔn)確性，有效應(yīng)對了現(xiàn)有方法中任務(wù)分配效率低和準(zhǔn)確性不足的問題。同時，本發(fā)明注重環(huán)境保護(hù)，通過較為精確的飛行路徑規(guī)劃和任務(wù)調(diào)度，最大限度地減少了無人機(jī)運(yùn)輸過程中的耗電量。有助于減少對環(huán)境的負(fù)面影響，提升了物流配送的可持續(xù)性。本發(fā)明引入了動態(tài)調(diào)整和自適應(yīng)優(yōu)化策略，使得系統(tǒng)能夠根據(jù)實時的交通、天氣等環(huán)境變化靈活調(diào)整任務(wù)分配和路徑規(guī)劃。這種靈活性增強(qiáng)了系統(tǒng)對復(fù)雜環(huán)境的適應(yīng)能力，有效提升了整體系統(tǒng)的操作效率和響應(yīng)速度。