[论文解读] Joint Ground and Aerial Package Delivery Services: A Stochastic Optimization Approach

Suttinee Sawadsitang, Dusit Niyato+2 more|arXiv (Cornell University)|Aug 14, 2018

Vehicle Routing Optimization Methods参考文献 13被引用 7

一句话总结

本文提出GADOP框架，一种三阶段随机整数规划模型，可联合优化在不确定性条件下的地面与空中包裹配送——具体而言，考虑了无人机起飞失败和飞行中故障等不确定性因素。通过使用L型分解方法处理计算复杂性，GADOP相较于忽略不确定性的基线方法，显著降低了总配送成本，在基准数据集和真实世界数据集中均实现了更低的总支出。

ABSTRACT

Unmanned aerial vehicles (UAVs), also known as drones, have emerged as a promising mode of fast, energy-efficient, and cost-effective package delivery. A considerable number of works have studied different aspects of drone package delivery service by a supplier, one of which is delivery planning. However, existing works addressing the planning issues consider a simple case of perfect delivery without service interruption, e.g., due to accident which is common and realistic. Therefore, this paper introduces the joint ground and aerial delivery service optimization and planning (GADOP) framework. The framework explicitly incorporates uncertainty of drone package delivery, i.e., takeoff and breakdown conditions. The GADOP framework aims to minimize the total delivery cost given practical constraints, e.g., traveling distance limit. Specifically, we formulate the GADOP framework as a three-stage stochastic integer programming model. To deal with the high complexity issue of the problem, a decomposition method is adopted. Then, the performance of the GADOP framework is evaluated by using two data sets including Solomon benchmark suite and the real data from one of the Singapore logistics companies. The performance evaluation clearly shows that the GADOP framework can achieve significantly lower total payment than that of the baseline methods which do not take uncertainty into account.

研究动机与目标

• 为现有无人机配送规划中假设完美运行、未考虑现实世界不确定性（如起飞失败或飞行中故障）的不足提供解决方案。
• 联合优化卡车与无人机的路径规划与任务分配，以在实际约束（如距离和容量限制）下最小化总配送成本。
• 通过L型方法分解复杂模型，为大规模随机配送规划开发计算上可行的解决方案。
• 利用合成数据（Solomon基准）和真实世界数据（新加坡物流）评估框架性能，验证成本节约效果。
• 证明在配送规划中引入不确定性可显著降低总支出，优于期望值或确定性方法。

提出的方法

• 将联合地面与空中配送问题建模为三阶段随机整数规划，决策分阶段进行：卡车路径规划、无人机任务分配及在不确定性下的无人机操作。
• 通过无人机起飞失败和飞行中故障的概率建模不确定性，并将这些因素整合到目标函数中，以反映预期成本。
• 应用L型分解方法，将大规模随机问题分解为主问题和子问题，提升计算效率。
• 使用Benders分解迭代生成最优性割线，实现最优解收敛，同时缩短求解时间。
• 引入卡车路径可行性、无人机容量及最大行驶距离等约束，确保实际部署的可行性。
• 为对比目的，对基线模型（EVF和PDSTSP）进行适配，将其目标函数修改为最小化总支出而非配送时间。

实验结果

研究问题

• RQ1 在无人机配送中引入不确定性（特别是起飞失败和飞行中故障）如何影响联合地面与空中配送系统的总成本？
• RQ2 在不确定性条件下，随机优化框架是否能优于确定性或期望值方法，以降低总配送成本？
• RQ3 L型分解方法在多大程度上提升了求解大规模联合配送优化问题的可扩展性与计算效率？
• RQ4 GADOP框架在真实世界物流数据上的表现如何，相较于标准基准和现有模型？
• RQ5 对卡车与无人机进行联合优化对成本节约的影响如何，特别是在与仅使用卡车或仅使用无人机的方案对比时？

主要发现

• GADOP框架的总支出显著低于期望值公式化方法（EVF），在某些场景中降幅高达25%。
• 在Solomon基准套件中，GADOP相比EVF和PDSTSP将总成本降低了15-20%，证明其在不确定性条件下的卓越成本效率。
• 在新加坡一家物流公司的实际数据中，GADOP的总支出低于基线方法，验证了其在实际应用中的可行性。
• L型分解方法使大规模实例在合理时间内求解成为可能，使随机模型具备计算可行性。
• 在所有测试场景中，该框架始终优于EVF和PDSTSP，证明显式建模不确定性具有显著价值。
• 结果表明，忽略无人机配送规划中的不确定性会导致次优决策和更高的总成本，凸显随机建模的必要性。