[论文解读] A Variable Neighborhood Search for Flying Sidekick Traveling Salesman Problem

Júlia Cária de Freitas, Puca Huachi Vaz Penna|arXiv (Cornell University)|Apr 11, 2018

Vehicle Routing Optimization Methods参考文献 17被引用 11

一句话总结

本文提出一种混合启发式算法 HGVNS，结合混合整数规划（MIP）与通用变邻域搜索（GVNS），以解决飞行快递员旅行商问题（FSTSP），优化无人机与卡车协同包裹配送。该方法将总配送时间减少最高达67.79%，并在所有基准实例中建立了新的最优解，包括基于TSPLIB的新数据集。

ABSTRACT

The efficiency and dynamism of Unmanned Aerial Vehicles (UAVs), or drones, present substantial application opportunities in several industries in the last years. Notably, the logistic companies gave close attention to these vehicles envisioning reduce delivery time and operational cost. A variant of the Traveling Salesman Problem (TSP) called Flying Sidekick Traveling Salesman Problem (FSTSP) was introduced involving drone-assisted parcel delivery. The drone is launched from the truck, proceeds to deliver parcels to a customer and then is recovered by the truck in a third location. While the drone travels through a trip, the truck delivers parcels to other customers as long as the drone has enough battery to hover waiting for the truck. This work proposes a hybrid heuristic that the initial solution is created from the optimal TSP solution reached by a TSP solver. Next, an implementation of the General Variable Neighborhood Search is used to obtain the delivery routes of truck and drone. Computational experiments show the potential of the algorithm to improve the delivery time significantly. Furthermore, we provide a new set of instances based on well-known TSPLIB instances.

研究动机与目标

• 通过无人机-卡车协同配送应对日益增长的快速、低成本末端配送需求。
• 为飞行快递员旅行商问题（FSTSP）开发一种高效的元启发式算法，该问题为涉及卡车与无人机协同作业的TSP变种。
• 通过减少总配送时间，改进现有FSTSP实例的最佳已知解（BKS）。
• 基于著名的TSPLIB TSP实例，生成一个全新的大规模基准数据集，用于FSTSP研究。
• 评估无人机速度与车辆协同对配送效率的影响。

提出的方法

• 初始解通过使用混合整数规划（MIP）求解器获得的最优TSP环游生成。
• 混合启发式算法HGVNS应用通用变邻域搜索（GVNS）迭代改进MIP解，通过探索邻域结构实现。
• 该算法使用随机化的变邻域下降（VND）组件以跳出局部最优并增强搜索多样性。
• 该方法将客户分配给卡车或无人机，同时遵守无人机续航力与载重约束。
• 解的评估基于总配送时间，定义为卡车与无人机完成时间的最大值。
• 该方法在三组基准数据集上进行了测试：Ponza（2016）、Agatz等人（2016）以及一组基于TSPLIB的新数据集。

实验结果

研究问题

• RQ1 与现有方法相比，HGVNS启发式算法在减少FSTSP总配送时间方面效果如何？
• RQ2 在协同卡车-无人机配送中，无人机速度在多大程度上影响总配送时间？
• RQ3 基于TSPLIB实例的新大规模基准数据集能否提升FSTSP算法的评估效果？
• RQ4 车辆协同与路径规划对最小化FSTSP配送时间的影响是什么？
• RQ5 所提出的方法是否能在多种FSTSP实例中持续优于现有最佳已知解？

主要发现

• 在基于TSPLIB的新实例上，HGVNS算法相对于最优TSP环游平均提升了13.49%。
• 在某一实例上，总配送时间最大减少达67.79%，展现出强劲性能。
• 对于Ponza（2016）实例，与先前最佳已知值相比，该方法将解改进了最高达24.84%。
• Agatz等人（2016）的TSP-D变种表明，无人机速度显著影响配送时间，当无人机速度为卡车两倍时，改善效果最为显著。
• 该算法在文献中报告的所有FSTSP实例上均建立了新的最佳已知解（BKS）。
• 基于TSPLIB的新实例集，包括最多200个客户的实例，为未来FSTSP研究提供了可扩展的基准。