[发明专利]基于K-means和离散粒子群算法的无人车任务分配方法

权利要求书

1.一种基于K-means和离散粒子群算法的多无人车任务分配方法，其特征在于，所述方法包括以下步骤：

S1、物流场景信息初始化；

S2、物流任务打包：使用K-means算法确定最佳打包结果，其打包个数为k，包括以下步骤：

S21、获取任务点数量和可用无人车数量，确定需要打包的任务包数量上限；

S22、使用K-means算法实现k个任务包的打包结果，具体包括：

step1：随机初始化k个任务包的包中心；

step2：对于每个任务点，将其归为距离最近的任务包中心所在的任务包j中，该划分规则满足如下公式：

其中，为任务点的包划分，中的x表示任务点的地理纬度、y表示任务点的地理经度、id表示任务点的编号，表示第j个任务包中心，g从1到2表示一个纬度一个经度、sub是指求这个的下标j；

step3：更新每个任务包的包中心，新包中心的属性值为隶属该任务包的所有任务点的属性值均值，满足如下公式：

其中，表示新的包中心，表示新的任务包划分，指的是新任务包内所含的任务点个数；

step4：当各包中心变化率小于某给定值，或达到最大迭代次数时，结束本次打包，反之，回到step 2；

S23、根据k个任务包的打包结果计算其类外距、类内距和相似度，取最小的相似度值所对应的k值和打包方案，其中类外距为每个任务包中心到全任务包中心的距离值之和，计算式如下：

其中，L表示类外距，带上绝对值的相减表示求两个点间的距离，表示第i个任务包中心，表示全任务包中心：，表示该id的任务的经纬度，表示任务点的数量；

类内距为每个任务包中所含任务点到该任务包中心的距离值之和，计算式如下：

其中，D表示类内距，表示第i个任务包；

相似度为类外距和类内距之和，满足如下公式：

其中，表示本次打包的距离相似度函数值，该值越小，则打包结果越好；

S3、取k辆可用无人车，匹配每个任务包的执行无人车；

S4、对每一辆无人车用离散粒子群算法确定其任务序列，通过离散化更新粒子速度和位置，计算目标函数的值，从而确定使无人车付出代价最小的任务序列，所述目标函数包括：

其中，表示第u个阶段行驶到任务点v的时长，表示第u个阶段是否执行任务点v，表示第u个阶段执行第v个任务点的时延，表示第u个阶段执行第v个任务点的执行时间；

所述离散化更新粒子速度和位置按照以下更新公式：

其中，为粒子，表示任务包中任务点的当前排列方式，是随机生成的循环右移向量，即根据该向量对任务序列进行循环右移操作，是个体极值，是全局极值，指转化成个体极值所需的循环右移向量集合，指转化成全局极值所需的循环右移向量集合，、分别表示随机性选择循环右移向量。

2.根据权利要求1所述的基于K-means和离散粒子群算法的多无人车任务分配方法，其特征在于，所述步骤S1包括任务信息初始化、仓库信息初始化以及无人车信息初始化。