核心内容摘要
5个技术痛点解决：Blender插件如何提升3D角色开发效率
目录
摘要
问题描述
提出的算法
结果展示
参考文献
代码获取
算法辅导·应用定制·读者交流
摘要针对异构无人机末端配送路径优化问题本文提出了一种基于投票机制的集成多目标遗传算法。
通过改进聚类方法将客户划分为子区域降低问题规模并结合定制化遗传算子与投票式集成策略提高解的收敛性与多样性。
实验结果表明该方法在合成与实际算例中均优于对比算法验证了其在无人机末端配送中的有效性与实用价值。
问题描述异构无人机末端配送问题HDDPBO由一架大型无人机与多架小型无人机协同完成大型无人机负责运输并在各子区域释放小型无人机小型无人机在子区域内完成多客户配送后前往自动化机场回收。
大型无人机不直接服务客户所有客户节点仅被小型无人机访问一次。
系统假设路径无子回路自动化机场仅作为临时回收与存储节点其运营成本不予考虑。
在有向网络上定义母机与末端机协同路径母机负责在各子区域释放末端机末端机在簇内完成多客户配送并飞往自动化机场回收。
模型以最大化客户满意度基于软时间窗和最小化总配送距离成本为优化目标并通过路径唯一性、载重约束、时间连续性及无子回路等约束确保配送过程的可行性与合理性。
提出的算法基于投票机制的集成多目标遗传算法VEMOGA通过考虑无人机载重约束的改进聚类算法将原问题划分为多个子问题以降低规模。
VEMOGA引入集成多排序准则的投票式环境选择机制在兼顾收敛性与多样性的同时筛选高质量帕累托前沿解。
客户聚类算法为提升求解效率本文提出了一种考虑末端无人机载重约束的改进客户聚类算法该方法首先采用 K-means 算法生成初始客户聚类方案以最小化簇内距离随后根据末端无人机的最大载重对聚类结果进行调整当某子区域内包裹总重量超过载重上限时通过增加簇数或启发式调整客户分配使每个簇满足载重约束。
染色体编码策略本文针对 HDDPBO 设计了一种基于标签规则的染色体编码策略该编码方式在单一染色体中同时表示母机路径与多架末端机路径并通过节点重复规则隐式标识末端机的起飞点、配送节点及回收机场。
解码过程中可依据重复节点准确划分母机与各末端机的独立航线从而完整刻画协同配送过程。
后代生成算法本文设计了一种由多点交叉与变异搜索组成的后代生成算法采用锦标赛选择从父代种群中选取个体并基于子区域结构实施多点交叉操作每个子区域对应一个交叉点从而高效重组母机与末端机的协同路径引入多种变异算子对后代进行局部搜索以增强解的多样性。
为提升多目标优化效果提出了一种基于投票机制的环境选择方法通过集成多种排序策略并动态调整其权重在兼顾收敛性与多样性的同时稳定筛选高质量帕累托解。
结果展示
参考文献[1] Wen X, Wu G, Li S, et al. Ensemble multi-objective optimization approach for heterogeneous drone delivery problem[J]. Expert Systems with Applications, 2024, 249:
123472.