[论文解读] The Multi-objective Dynamic Traveling Salesman Problem: Last Mile Delivery with Unmanned Aerial Vehicles Assistance

Ben Remer, Andreas A. Malikopoulos|arXiv (Cornell University)|Mar 11, 2019

Robotic Path Planning Algorithms参考文献 14被引用 4

一句话总结

本文提出了一种两阶段优化框架，通过卡车与多架无人机协同作业，以最小化时间和能耗成本。该方法将问题建模为多目标动态旅行商问题，通过TSP求解卡车路径，通过遗传算法求解无人机调度，相较于非辅助配送，成本函数平均提升了20.77%。

ABSTRACT

In this paper, we present an approach to optimizing the last-mile delivery route of a truck using coordination with unmanned aerial vehicles (UAVs). First, a traveling salesman problem is formulated to determine the truck's route. Then, a scheduling problem is formulated to determined the routes for the UAVs. A genetic algorithm is used to solve these problems, and simulated results are presented.

研究动机与目标

• 为解决城市物流中最后一公里配送的低效问题，通过将无人机与配送卡车集成以提升效率。
• 开发一种灵活的多目标优化框架，以在动态配送场景中平衡时间与能耗。
• 建立并求解卡车与多架无人机之间的协调问题，支持卡车移动过程中的动态会合与起飞/回收。
• 通过解除卡车在无人机起降期间必须静止的限制，扩展现有无人机辅助配送模型。
• 为存在异构配送需求的网络提供可扩展解决方案，其中部分站点因重量限制仅能由卡车服务，而其他站点可由无人机完成。

提出的方法

• 构建改进的TSP模型，用于确定在包含起点、配送点和拓扑节点的网络中卡车的最优路径。
• 引入图变换以增加会合节点，实现卡车行驶过程中无人机的动态部署与回收。
• 为无人机调度问题设计惩罚函数，综合考虑任务成本、能耗约束和时间窗。
• 应用遗传算法求解卡车路径与无人机调度的联合问题，以最小化总成本函数。
• 通过电池容量限制（公式26）对无人机能耗施加约束，确保基于无人机能耗模型的可行任务。
• 采用双积分器动力学模型描述无人机的运动与路径规划，同时强制执行非抢占和顺序任务执行。

实验结果

研究问题

• RQ1 如何协调卡车与多架无人机，以在动态最后一公里配送中最小化时间和能耗？
• RQ2 允许无人机从移动卡车起降与要求卡车在起降期间静止相比，其影响是什么？
• RQ3 与仅使用卡车的配送相比，无人机的集成如何影响整个配送系统的效率？
• RQ4 在现实的能耗与航程约束下，无人机辅助配送中时间与能耗的最优权衡是什么？
• RQ5 遗传算法能否有效求解卡车-无人机协同带来的复杂多目标调度问题？

主要发现

• 所提方法相较于非辅助配送，成本函数平均提升了20.77%，显著提升了效率。
• 在缩放的城市网络上的仿真结果表明，无人机协助显著降低了总配送时间与能耗，尤其在无人机负责轻质远距离包裹时效果更明显。
• 遗传算法有效探索了解空间，并收敛到联合卡车与无人机路径规划问题的高质量解。
• 解除卡车在无人机操作期间必须静止的限制，使任务规划更具灵活性与高效性。
• 该模型成功处理了异构配送需求，部分节点因重量限制仅能由卡车访问，而其他节点则由无人机服务。
• 惩罚函数的构建综合了几何关系、能耗模型与物理参数，实现了时间与能耗之间的平衡权衡。