CC BY
6
ПЕРСПЕКТИВЫ РАЗВИТИЯ БЕСПИЛОТНЫХ СРЕДСТВ ДОСТАВКИ И ЕГО ОПТИМИЗАЦИЯ АЛГОРИТМА
Ли Цзяси, магистрант Ван Чжэн, магистрант Цзо Лян, магистрант
Научный руководитель: И.К. Романова, канд. техн. наук, доцент Московский государственный технический университет им. Н.Э. Баумана (Россия, г. Москва)
Б01:10.24412/2500-1000-2022-5-2-37-41
Аннотация. Анализируются перспектив развития беспилотной доставки. Анализируются сценарий применению беспилотной доставки и выбран алгоритм планирования пути. Анализируются важные параметры алгоритма муравьиной колонии. Анализируются преимущества и недостатки алгоритма муравьиной колонии, проводится целевая оптимизация.
Ключевые слова: беспилотная доставка, алгоритм муравьиной колонии, планирование пути.
В процессе развития современной логистической отрасли на всех этапах логистической отрасли внедряются новые технологии, такие как технология позиционирования и отслеживания грузов, технология радиочастотной идентификации и создание платформы больших данных. Соответствующая статистика показывает, что стоимость «последней мили» составляет около 30% от общей стоимости дистрибуции, что является основным фактором, влияющим на эффективность логистических предприятий [1]. Появление беспилотных технологий эффективно повысило эффективность доставки «последней мили», решило проблему задержки доставки и помогло устойчивому развитию логистических предприятий [2]. Энергично исследовать и создать систему логистических услуг беспилотной доставки, основанную на беспилотной технологии. Это стала тенденцией в развитии логистической отрасли.
Алгоритмы планирования маршрута имеют решающее значение для разработки беспилотных логистических транспортных средств. Это напрямую влияет на эффективность и надежность всей системы обслуживания беспилотной распределительной логистики.Проблема планирования пути беспилотных средств доставки очень сложна. Его математическая модель до-
бавляет сложные ограничения для соответствия реальным сценариям применения. Время решения растет экспоненциально с размером проблемы, поэтому точное решение стоит дорого. Кроме того, в сочетании с реальным сценарием применения логистического распределения время решения алгоритма должно быть как можно короче, поэтому невозможно использовать точный алгоритм для решения планирования пути беспилотного транспортного средства [3-5]. Алгоритм муравьиной колонии, как интеллектуальный алгоритм с механизмом положительной обратной связи, изначально был предложен для решения задачи планирования пути. Алгоритм муравьиной колонии обладает такими преимуществами, как высокая надежность, сильные возможности параллельных вычислений, интеграция с другими эвристическими алгоритмами и способность. Кроме того, использование алгоритма муравьиной колонии очень эффективно, за несколько секунд, очень подходит для сценария применения беспилотной доставки.
Анализ параметра алгоритма муравьиной колонии
При анализе алгоритма муравьиной колонии установлено, что алгоритм муравьиной колонии включает в себя множество параметров, и значение параметров будет
влиять на качество решения, поэтому необходимо специально рассмотреть, как установить каждый параметр, чтобы обеспечить качество решения, полученного алгоритмом лучше, выше эффективность работы. Проанализируйте параметры в алгоритме муравьиной колонии.
1. Количество муравьев т
Множество допустимых решений задачи состоит из решений, построенных каждым муравьем. т решений, построенных муравьями, равны подмножеству множества допустимых решений. Чем больше значение т, тем больше количество муравьев и шире диапазон поиска петли. Чем больше подмножеств допустимых решений проблемы, тем больше вероятность того, что будет найдено оптимальное решение. Однако значение т не должно быть слишком большим. Если т слишком велико, решение не только займет много времени, но и приведет к преждевременной сходимости муравьиной колонии к локальному оптимуму.
2. Постоянное общее количество феромона О
Интенсивность феромона Q показывает, что общее количество феромона, выделяемого каждым муравьем, является постоянным. Чем больше Q, тем большее количество феромона добавляется в конце каждого участка дороги, тем быстрее накапливается феромон и тем выше скорость сходимости.
3) Феромон фактор а
Феромоновый фактор а отражает силу
приобретенного сотрудничества, обучения и общения в процессе поиска муравьями оптимизации. Чем больше значение а, тем больше влияние муравьев, идущих впереди, на муравьев позади. Следовательно, если а слишком велико, в основном все идут по одному и тому же пути, что сильно снижает случайность поиска, ограничивает степени свободы каждого муравья и приводит к преждевременному попаданию алгоритма в локальный оптимум.
4) Фактор эвристической информации в
Фактор эвристической информации в
представляет силу жадности, объективно-
сти и расстановки приоритетов в процессе оптимизации муравьев. Чем выше значение в, тем проще муравьям выбрать путь с кратчайшим локальным путем, они будут жадно выбирать ближайший узел, и в итоге застрянут на каком-то оптимальном решении. Когда в слишком мало, это не будет иметь эффекта просветления, у муравьев не будет цели поиска, они не будут знать, как выбирать, и войдут в почти случайное состояние, что приведет к длительному времени сходимости алгоритма.
5) Настройка коэффициента летучести феромона р
Коэффициент летучести феромона р напрямую влияет на скорость сходимости и способность глобального поиска алгоритма муравьиной колонии, и его значение находится в диапазоне от 0 до 1. Это указывает на степень улетучивания феромона, что означает, что влияние феромона на поведение муравья ограничено. (1-р) представляет собой оставшийся фактор феромона, отражающий продолжительность эффекта. Чем меньше значение р, тем больше феромонов останется на дороге, и тем больше муравьев будет затронуто позже, и эмерджентное поведение не будет легко возникать на каждом пути, что замедлит скорость оптимизации алгоритма. И наоборот, чем больше р, тем лучше способность глобального поиска и случайность алгоритма, но это также может снизить качество решения.
Подбор параметров не является статичным, необходимо провести пробную эксплуатацию, собрать данные и рассчитать наиболее подходящие для конкретной области работы параметры на основе больших данных, что может еще больше повысить производительность алгоритма.
Модель ограничения алгоритма планирования маршрута беспилотной доставки
1) Общий запас автомобиля меньше максимальной нагрузки автомобиля:
2) Убедитесь, что все точки спроса полностью выполнены
3) Чтобы обеспечить точки спроса, вы должны иметь точку спроса:
4) Убедитесь, что путь доставки сформировать замкнутый цикл:
5) Убедитесь, что дрон начинается с распределительного центра и возвращается в распределительный центр: м м
т-\ т=]
Минимальная стоимость транспорта:
Дефект алгоритмов и его оптимизация
Поскольку алгоритм муравьиной колонии имеет проблемы с медленной скоростью сходимости, легко попасть в локальный оптимум, противоречие между разнообразием популяции и скоростью сходимости. Поэтому используется алгоритм 2-opt и добавляется механизм вознаграждения и наказания для оптимизации алгоритма муравьиной колонии для планирования пути беспилотной доставки. Специфический метод алгоритма 2-opt при оптимизации алгоритма муравьиной колонии заключается в том, чтобы поменять места-
ми два пути в полученном решении по очереди, а затем вычислить длину пути, полученного путем обмена. Если длина пути меньше длину перед обменом, затем сохраните новый порядок пути, иначе сохранится порядок исходного пути. Стратегия поощрения и наказания: наградите первых w муравьев и увеличьте концентрацию феромона в зависимости от качества раствора; наказать остальных муравьев и снизить концентрацию феромонов в зависимости от качества раствора; для путей с феромоном ниже минимума и выше максимума сделайте его равным максимуму и минимуму соответственно.
^ Закончить ^
Рис. 1. Базовая блок-схема оптимизированного алгоритма муравьиной колонии
Усовершенствованный алгоритм имеет высокую скорость сходимости, что решает проблему легкости попадания алгоритма в локальное оптимальное решение, а также уравновешивает разнообразие популяции и скорость сходимости.
Рис. 2. Изменения длины маршрута и количества итераций
Заключение. Сегодня эпоха бурного лонии путем анализа его параметров и неразвития электронной коммерции, и стре- достатков. Схема оптимизации учитывает мительный рост спроса на распредели- реальные сценарии применения алгоритма тельные мощности делает беспилотную и себестоимость достави. Предоставляет доставку все более важной. В этой статье больше возможностей для реализации бес-оптимизируется алгоритм муравьиной ко- пилотной доставки.
Библиографический список
1. Ge Xishi, Last Mile E-Commerce Logistics Distribution Study // Logistics Engineering and Management. - 2021. - №43 (2). - С. 79-84.
2. Yang Menke, Zhou Xiaoguang, Building Cooperative Delivery Mode of Courier Terminals in the Background of "Internet+" // Journal of Peking University of Posts and Telecommunications (Social Science Edition). - 2015 - №56 (6). - С. 45-50.
3. Sonneberg M O, Leyerer M, Kleinschmidt A, et al. Autonomous Unmanned Ground Vehicles for Urban Logistics: Optimization of Last Mile Delivery Operations // International Conference on System Sciences. - Hawaii, America, 2019. - P. 1538-1547.
4. Willems L. Transportation and Logistics with Autonomous Technologies // International.
5. Sun Tongtong Популярность беспилотных транспортных средств в Ухане способствует коммерциализации беспилотных транспортных средств // Enterprise Observer. - 2020. -№102 (3). - P. 42-47.
PROSPECTS FOR THE DEVELOPMENT OF UNMANNED DELIVERY VEHICLES
AND ITS ALGORITHM OPTIMIZATION
Li Tszyasi, Graduate Student Van Chzhen, Graduate Student Tszo Lyan, Graduate Student
Supervisor: I.K. Romanova, Candidate of Technical Sciences, Associate Professor Bauman Moscow State Technical University (Russia, Moscow)
Abstract. The prospects for the development of unmanned delivery are analyzed. The scenario for the use of unmanned delivery is analyzed and a path planning algorithm is selected. Important parameters of the ant colony algorithm are analyzed. The advantages and disadvantages of the ant colony algorithm are analyzed, and targeted optimization is carried out. Keyword: unmanned delivery, ant colony algorithm, path planning.
