[发明专利]多目标下的物流机器人配送路径动态自动规划方法及系统

说明书

本公开提供了多目标下的物流机器人配送路径动态自动规划方法及系统，包括：获取多目标机器人所有可能的路径；将一个多目标机器人路径问题通过切比雪夫的分解方式转化为多个单目标子问题，并获得各个单目标优化函数的聚合函数；从单目标子问题的种群中选取父代，生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；根据预设权重从一组可行的配送方案中选择最终配送方案进行配送；同时由于算法分俩层优化进行，计算复杂度被大大降低；每次进入一个新的街道用于更新路径的时间消耗较少；能够更好的满足物流机器人的实用要求。

技术领域

本公开属于物流调度领域，具体涉及多目标下的物流机器人配送路径动态自动规划方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。

在进入二十一世纪之后，物流技术的发展速度明显加快，目前的物流派送已经进入了成熟期，各个企业之间的竞争已经转向了提高服务水平，扩大品牌号召力以及降低配送成本上，所以越来越多的企业开始关注于物流配送过程的优化。然而近年来物流相关领域又面对高涨的劳动力成本、土地成本和仓储租金，企业采用机械化和自动化设备取代人工的物流作业，提升土地利用率成为必然，这为物流装备企业带来了广阔市场和机遇。

随着5G的开放以及人工智能时代的到来，在大力推行5G应用以及人工智能技术的大环境下，智能化技术在各个行业大放异彩。在当前智能化蓬勃发展的背景下，如何利用智能化技术提升土地利用率的同时降低人工成本是目前我国物流领域所面对的新的挑战。

城市物流机器人是一种专门为城市内用户送货的新型产物，目的旨在降低成本的同时将快递准确，快速的送到用户的手中。在实际的生活中，机器人的配送成本主要体现在机器的磨损修复问题与电力消耗上，这主要与机器人走过的路程以及路面的情况有直接的关系。与此同时，配送的速度又直接影响用户体验和企业的口碑。然而，生活中车辆经过的最短路径并不一定是最快路径，最短路径往往容易遇到人流高峰以及车流高峰，这反而可能会大大增加时间成本。所以在实际生活中的物流配送问题，机器人的使用成本和配送的速度经常是一组相互冲突的目标。与此同时，人流车流量往往都是随着时间变化的变量，机器人的配送方案路径应该随着路面情况的变化实时更新，这样才能取得最好的配送效果。

在传统的优化领域，优化的目标经常以路径最短或者成本最低作为优化的目标去实现，也就是传统的单目标优化方法。单目标优化方法有很多，比如Dijkstra方法，Bellman-Ford算法等等。这些方法也取得了很好的效果，但是一般来说这些方法都具有较高的计算复杂度，并且这些方法只能解决只有一个目标追求的问题，对于解决具有多个相互冲突的目标的问题时就显得捉襟见肘了。有效的城市物流路径规划应该是以多目标优化为基础的，这也就拓出了多目标优化问题。多目标优化问题是要将多个目标同时优化，使得这些目标可以达到一个相对较好的标准，这往往是很难做到的，因为多个目标之间往往都会相会冲突制约，当某一个目标达到最好值的同时往往伴随着其他的目标的变差。因此，多目标问题是研究的重点和难点。目前广泛解决多目标问题的方法有：蚁群优化算法，狼群优化算法，进化算法等元启发式算法。

城市物流机器人在选择配送路线的时候，会考虑配送的速度和机器的维护成本问题。机器人在配送过程中，如果希望提升配送的速度，那么就会经常需要绕开人流以及车流高峰路段，这会增加电池以及车体等部件的损耗，增加维护费用。而希望减少机器的维护费用，就经常需要避开路面状况不佳的路线，这亦会导致配送时间边长。所以配送的速度与机器的维护成本是相互冲突的。同时机器的维护成本受到路面情况，天气等等因素所影响，配送的速度会受到交通情况，人流以及天气因素等影响。这些都是会随着实际时间动态发生变化的因素，如果只是使用静态的多目标优化算法按住最开始的路径前进，而不考虑这些动态的因素就做出决策，很有可能对公司和用户都造成多余的损失。所以此时需要提出一种适用于物流配送的动态多目标优化算法。