[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

说明书

本发明公开了一种基于K‑means和离散粒子群算法的多无人车任务分配方法，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；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。本发明的方法结合聚类思想和群智优化算法对多无人车任务分配问题进行解答，使用离散化的粒子群算法进行多无人车的任务分配，粒子群算法的收敛速度快，离散化的迭代方式使算法更适用于实际的物流场景。并且在使用粒子群算法前先用K‑means聚类算法对任务进行打包，极大地减小了解空间的大小，提高了任务分配效率。

技术领域

本发明涉及物流配送优化领域，具体涉及一种无人物流领域中的任务分配方法。

背景技术

随着电子商务行业的体量不断膨胀和人工成本的不断提高，配送作为物流运转的基础环节，由于其覆盖率的不断扩大，数据更新更加频繁，配给任务日益繁重，更有“送货上门”的服务要求的提高，智慧物流的日益盛行，中国物流已开启无人化时代。

无人仓的存储效率可达到传统横梁货架存储效率的数倍。据某电商物流统计的信息，其无人分拣中心的分拣能力可以达到9000件/小时，供包环节的效率提升了4倍，在同等场地规模和分拣货量的前提下，每个场地可节省人力180人。无人机能够将传统人工配送的时间缩短数倍甚至数十倍，物流成本也随之降低。但其由于存在恶劣天气下送货无力，飞行过程无法避免人为破坏等缺点，在现阶段还无法大批量商用。而在近期实验表明，无人车则能一次性送6件快递，一次充电续航80公里，可以弥补无人机配送缺点，大批量生产使用。随着物流现代化和智能化的发展，国内市场对于无人物流的需求将进一步扩大。客观地说，无人车系统的应用领域相当广阔，几乎只要有货物需要连续或重复运输的环境都可以使用无人车系统。单无人车的调度已经无法满足现有庞大的物流量，无人物流应用中的多无人车智能调度系统属于复杂的动态、多目标离散系统，当地图密度越高且无人车数量越多时，出现大量延迟等待的几率也越高。实现在不确定环境(如马路上)中无人车之间相互协调合作以减少出入库等操作任务执行时发生的冲突，成为较为重要的实际目标。

所以，想要利用多无人车达成“最后1公里”的愿望，多无人车的任务分配问题的研究至关重要。目前多无人车分配方面主要采用的有粒子群算法、蚁群算法、简单扫描法、分支界定法、模拟退火算法、动态规划算法等，但当前这些算法都存在一定的缺点，主要包括：与实际物流背景的契合度低，收敛速度慢，求解结果不一定是最优解，运算时间长等问题。

因此，需要一种更高效的多无人车分配方法。

发明内容

发明目的：针对现有技术的不足，本发明提出一种基于K-means和离散粒子群算法的多无人车任务分配方法，实现了更加实用和高效的无人车任务分配。

技术方案：本发明提出了一种带有打包策略(K-means)和离散粒子群算法的多无人车任务分配方法，包括：

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；

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。

其中，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。

步骤S2包括：

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；