本发明涉及物流系统技术领域，尤其涉及一种无人机待配送货物的出库序列调度方法及系统。
背景技术：
快递物流与互联网在新经济时代发展密切相关、业务互为支撑，互联网与快递服务的结合是一个相互促进、共赢发展的过程，优质的快递服务也是推动互联网新型模式发展的关键环节和重要基础，随着互联网经济的高速发展，对快递服务的时效性、安全性、质量等要求也越来越高。
随着互联网的高速发展，快递物流行业也正在经历着快速变革和创新。无人机、云仓储、机器人等出现在物流行业，让整个行业充满“智慧转型”的期待。然而，目前快递最后一公里仍然以人工送货为主，公路运输成本高，包括过桥过路费、管理成本高，且效率低下。同时，随着电商规模不断增长，以及线上线下加速融合，要想应对目前日益膨胀的物流配送需求，依靠扩张快递员数量已经无济于事，通过技术升级提升物流行业整体效率已经刻不容缓。
无人机因其是在天空飞行，能够在很大程度上克服道路所带来的限制，以无人机每小时50英里的飞行速度计，10公里的农村配送所需要的飞行时间大概在8分钟左右，再加上装卸货的时间最多不会超过30分钟，相对原有的快递员人工配送能够在极大程度上节约时间，因此成为解决快递最后一公里问题的热点发展方向。
当前无人机送货中，容易出现货物出库序列及送货路径规划不到位的情况，导致无人机能量浪费、送货效率低下、送货不及时的问题。中国专利公开号为cn103542852a的发明专利公开了一种基于分割法的无人机路径规划方法，采用voronoi图法得到初始飞行路径，并利用dijkstra算法得到最短路径，然后利用分割法对路径进行优化进一步减少路径中的拐点并缩短路径路程，最后利用spcrv函数对路径进行平滑得到能够满足无人机安全飞行的最优路径。该发明专利只是单纯的对无人机的飞行路径进行优化，从而提高无人机的送货效率，但是其并不能优化货物出库序列，不能解决因货物出库序列规划不到位导致的无人机能量浪费、送货效率低下的问题。
技术实现要素：
本发明为了解决上述技术问题，提供了一种无人机待配送货物的出库序列调度方法及系统，其根据待配送货物的重量、体积、目的地信息，对在出库点的货物出库顺序进行优化，达到节约无人机飞行能耗、增加无人机送货重量和体积的目的。
为了解决上述问题，本发明采用以下技术方案予以实现：
本发明的一种无人机待配送货物的出库序列调度方法，包括以下步骤：
s1：获取各个待配送货物的重量、体积、目的地信息；
s2：以无人机的最大装载重量、最大装载体积以及无人机当前电量为约束条件，以无人机单次装载货物的总重量、总体积均达到最大为优化目标，建立无人机货物出库配送序列的目标函数；
s3：在满足约束条件的前提下，生成无人机货物出库配送序列的初始解，基于所述目标函数对所述无人机货物出库配送序列进行优化，得到无人机货物出库配送序列的最优解集；所述无人机货物出库配送序列包括待配送货物、货物目的地及对应的配送先后顺序；
s4：按照无人机货物出库配送序列的最优解集进行配货。
在本技术方案中，首先，建立无人机货物出库配送序列的目标函数；随后，根据无人机待配送货品，生成初始的配送序列；接着，使用极值优化算法基于多目标优化原理对配送序列进行优化，得到无人机货物出库配送序列的最优解集；最后，将无人机货物出库配送序列的最优解集下发至配货控制系统，完成无人机在配送点的配货、装载。
无人机按照配送序列中的配送先后顺序将所装载货物送到对应的目的地。
作为优选，所述无人机货物出库配送序列的目标函数为：
maxf(x)＝[f1(x)，f2(x)]；
其中，
约束条件为
其中，e为无人机单次装载货物的件数，f1(x)为无人机单次装载货物的总重量，f2(x)为无人机单次装载货物的总体积，mi为第i个货物的重量，vi为第i个货物的体积，i∈[1，2，...，e]，m为无人机的最大装载重量，v为无人机的最大装载体积，w为无人机当前可供配送货物消耗的能量，w′为无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量。
作为优选，在无人机货物出库配送序列下，无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量w′用以下公式表示
其中，wtakeoff(a)＝(m0+f1(x))*α+β；
wfly(a)＝(m0+f1(x))*da*γ
wtakeoff(j)＝(m0+mj)*α+β；
wfly(j)＝(m0+mj)*dj*γ；
其中，wtakeoff(a)为无人机从装载货物的出库点起飞时消耗的能量，wfly(a)为无人机从装载货物的出库点飞到配送序列中第一个目的地所需要消耗的能量，da为无人机从装载货物的出库点飞到配送序列中第一个目的地的飞行距离，wtakeoff(j)为无人机在配送序列中第j个目的地起飞时消耗的能量，wfly(j)为无人机从配送序列中第j个目的地飞到下一个目的地所需要消耗的能量，j∈[1，2，...，p-1]，p为无人机货物出库配送序列中目的地总个数，p≤e，mo为无人机的自身重量，mj为无人机在配送序列中第j个目的地起飞时载有货物的总重量，dj为无人机从配送序列中第j个目的地飞到下一个目的地的飞行距离，α、β为无人机起飞时的能量消耗系数，γ为载货无人机飞行时的能量消耗系数。
α、β、γ由无人机的物理飞行特性决定。无人机按照目的地配送先后顺序依次将各个货物送到对应的目的地，到达一个目的地时无人机需要降落放下相应货物，接着起飞飞往下一个货物目的地。
作为优选，所述da、dj采用地图导航系统计算得到。
作为优选，所述配送序列中每个货物的配送先后顺序的确定步骤为：获取配送序列下各个货物的目的地信息，将距离装载货物的出库点最近的目的地作为无人机要到达的第一个货物目的地，将距离第一个货物目的地最近的目的地作为无人机要到达的第二个货物目的地，依此类推，直到确定无人机要到达的最后一个货物目的地。
作为优选，所述步骤s3的具体步骤如下：
s31：初设迭代次数g，在满足约束条件的前提下，随机选取数量为e的货物，生成初始种群s0，并将s0赋给当前解s，将初始种群s0作为初始最优解存入最优解集sbest中；
s32：更新迭代次数g，对当前解s中的各个组元依次实施变异，得到e个子个体，在变异某个组元时，保持其他组元不变；
s33：对e个子个体所对应的总重量和总体积进行pareto支配排序，令当前解s中各个组元的适应度等于其对应的子个体的支配排序数，若只有一个组元的适应度为0，则认定该组元为最差组元，若存在两个或以上的组元的适应度等于0，则利用多样性保持机制决定出最差组元，将最差组元变异得到的子个体构成的新的种群s1赋给当前解s，将新的种群s1与最优解集sbest中的各单独的最优解，在总重量和总体积两个维度下，进行pareto支配比较，并进行最优解集的更新；
s34：判断迭代次数g是否到达预设值，若未达到，则返回步骤s32，继续进行迭代优化；否则执行步骤s35；
s35：输出无人机货物出库配送序列的pareto最优解集sbest。
本发明的一种无人机待配送货物的出库序列调度系统，包括：
数据采集单元，用于获取每个待配送货物的重量、体积、目的地信息；
模型建立单元，用于以无人机的最大装载重量、最大装载体积以及无人机当前电量为约束条件，以无人机单次装载货物的总重量、总体积均达到最大为优化目标，建立无人机货物出库配送序列的目标函数；
优化单元，用于在满足约束条件的前提下，生成无人机货物出库配送序列的初始解，基于所述目标函数对所述无人机货物出库配送序列进行优化，得到无人机货物出库配送序列的最优解集；
配货单元，用于按照无人机货物出库配送序列的最优解集进行配货。
本发明的一种计算机可读存储介质，所述存储介质存储有计算机程序，该计算机程序被处理器执行时，实现上述的一种无人机待配送货物的出库序列调度方法。
本发明的一种计算机设备，包括存储器和处理器，所述存储器上存储有可被处理器调用的计算机程序，所述处理器执行所述计算机程序时，实现上述的一种无人机待配送货物的出库序列调度方法。
本发明的有益效果是：针对待配送货物的重量、体积以及目的地信息，对待配送货物的出库顺序进行优化，并优化送货路径，使得在同样能量消耗的情况下，达到提升无人机装载量、提高无人机能量利用效率、提高货物配送效率的有益效果。
附图说明
图1是实施例的调度方法的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种无人机待配送货物的出库序列调度方法，如图1所示，包括以下步骤：
s1：获取各个待配送货物的重量、体积、目的地信息；
s2：以无人机的最大装载重量、最大装载体积以及无人机当前电量为约束条件，以无人机单次装载货物的总重量、总体积均达到最大为优化目标，建立无人机货物出库配送序列的目标函数；
s3：在满足约束条件的前提下，生成无人机货物出库配送序列的初始解，基于所述目标函数对所述无人机货物出库配送序列进行优化，得到无人机货物出库配送序列的最优解集；所述无人机货物出库配送序列包括待配送货物、货物目的地及对应的配送先后顺序；
s4：按照无人机货物出库配送序列的最优解集进行配货。
步骤s2中无人机货物出库配送序列的目标函数为：
maxf(x)＝[f1(x)，f2(x)]；
其中，
约束条件为
其中，e为无人机单次装载货物的件数，f1(x)为无人机单次装载货物的总重量，f2(x)为无人机单次装载货物的总体积，mi为第i个货物的重量，vi为第i个货物的体积，i∈[1，2，...，e]，m为无人机的最大装载重量，v为无人机的最大装载体积，w为无人机当前可供配送货物消耗的能量，w′为无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量。
在无人机货物出库配送序列下，无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量w′用以下公式表示：
其中，wtakeoff(a)＝(m0+f1(x))*α+β；
wfly(a)＝(m0+f1(x))*da*γ
wtakeoff(j)＝(m0+mj)*α+β；
wfly(j)＝(m0+mj)*dj*γ；
其中，wtakeoff(a)为无人机从装载货物的出库点起飞时消耗的能量，wfly(a)为无人机从装载货物的出库点飞到配送序列中第一个目的地所需要消耗的能量，da为无人机从装载货物的出库点飞到配送序列中第一个目的地的飞行距离，wtakeoff(j)为无人机在配送序列中第j个目的地起飞时消耗的能量，wfly(j)为无人机从配送序列中第j个目的地飞到下一个目的地所需要消耗的能量，j∈[1，2，...，p-1]，p为无人机货物出库配送序列中目的地总个数(即无人机配送完单次装载的货物需要到达的目的地数量)，p≤e，m0为无人机的自身重量，mj为无人机在配送序列中第j个目的地起飞时载有货物的总重量，dj为无人机从配送序列中第j个目的地飞到下一个目的地的飞行距离，α、β为无人机起飞时的能量消耗系数，γ为载货无人机飞行时的能量消耗系数。
da、dj采用地图导航系统计算得到。α、β、γ由无人机的物理飞行特性决定。无人机按照目的地配送先后顺序依次将各个货物送到对应的目的地，到达一个目的地时无人机需要降落放下相应货物，接着起飞飞往下一个货物目的地。
步骤s3的具体步骤如下：
s31：初设迭代次数g，在满足约束条件的前提下，随机选取数量为e的货物，生成初始种群s0，并将s0赋给当前解s，将初始种群s0作为初始最优解存入最优解集sbest中；
s32：更新迭代次数g，对当前解s中的各个组元依次实施变异，得到e个子个体，在变异某个组元时，保持其他组元不变；
s33：对e个子个体所对应的总重量和总体积进行pareto支配排序，令当前解s中各个组元的适应度等于其对应的子个体的支配排序数，若只有一个组元的适应度为0，则认定该组元为最差组元，若存在两个或以上的组元的适应度等于0，则利用多样性保持机制决定出最差组元，将最差组元变异得到的子个体构成的新的种群s1赋给当前解s，将新的种群s1与优化前最优解集sbest中的各单独的最优解，在总重量和总体积两个维度下，进行pareto支配比较，并进行最优解集的更新；
s34：判断迭代次数g是否到达预设值，若未达到，则返回步骤s32，继续进行迭代优化；否则执行步骤s35；
s35：输出无人机货物出库配送序列的pareto最优解集sbest。
配送序列中每个货物的配送先后顺序的确定步骤为：获取配送序列下各个货物的目的地信息，将距离装载货物的出库点最近的目的地作为无人机要到达的第一个货物目的地，将距离第一个货物目的地最近的目的地作为无人机要到达的第二个货物目的地，依此类推，直到确定无人机要到达的最后一个货物目的地。
本实施例中，首先，建立无人机货物出库配送序列的目标函数；随后，根据无人机待配送货品，生成初始的配送序列；接着，使用极值优化算法基于多目标优化原理对配送序列进行优化，得到无人机货物出库配送序列的最优解集；最后，将无人机货物出库配送序列的最优解集下发至配货控制系统，完成无人机在配送点的配货、装载。无人机按照配送序列中的配送先后顺序将所装载货物送到对应的目的地。
例如：配送节点现有待配送货物n件。设定当前解s包含20件货物，即e为20。货物配送顺序规则采用近距离优先配送的规则，具体的，每次选择下一个目的地，均选择离当前节点飞行距离最近的那个节点作为下一个送货目的地。按照近距离优先配送的原则可以有效地节省能量。
采用本实施例的出库序列调度对配送节点的n件货物进行出库序列调度的流程如下：
s101：获取各个待配送货物的重量、体积、目的地信息。
s102：建立无人机货物出库配送序列的目标函数。
以无人机的最大装载重量、最大装载体积以及无人机当前电量为约束条件，以无人机单次装载货物的总重量、总体积均达到最大为优化目标，建立无人机货物出库配送序列的目标函数。
无人机货物出库配送序列的目标函数为：
maxf(x)＝[f1(x)，f2(x)]；
其中，
约束条件为
其中，e为无人机单次装载货物的件数，f1(x)为无人机单次装载货物的总重量，f2(x)为无人机单次装载货物的总体积，mi为第i个货物的重量，vi为第i个货物的体积，i∈[1，2，...，e]，m为无人机的最大装载重量，v为无人机的最大装载体积，w为无人机当前可供配送货物消耗的能量，w′为无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量。
在无人机货物出库配送序列下，无人机将单次装载的货物全部配送到对应的目的地所需要消耗的能量w′用以下公式表示：
其中，wtakeoff(a)＝(m0+f1(x))*α+β；
wfly(a)＝(m0+f1(x))*da*γ
wtakeoff(j)＝(m0+mj)*α+β；
wfly(j)＝(m0+mj)*dj*γ；
其中，wtakeoff(a)为无人机从装载货物的出库点起飞时消耗的能量，wfly(a)为无人机从装载货物的出库点飞到配送序列中第一个目的地所需要消耗的能量，da为无人机从装载货物的出库点飞到配送序列中第一个目的地的飞行距离，wtakeoff(j)为无人机在配送序列中第j个目的地起飞时消耗的能量，wfly(j)为无人机从配送序列中第j个目的地飞到下一个目的地所需要消耗的能量，j∈[1，2，...，p-1]，p为无人机货物出库配送序列中目的地总个数，p≤e，m0为无人机的自身重量，mj为无人机在配送序列中第j个目的地起飞时载有货物的总重量，dj为无人机从配送序列中第j个目的地飞到下一个目的地的飞行距离，α、β为无人机起飞时的能量消耗系数，γ为载货无人机飞行时的能量消耗系数。
s103：生成初始种群s0。
从配送节点现有待配送的n件货物中随机选取20件货物，如果这20件货物满足无人机货物出库配送序列优化模型数学表达式中的约束条件，则这20件货物组成初始种群s0，s0＝[x1，x2，x3，...x20]，并将s0赋给当前解s，将初始种群s0作为初始最优解存入最优解集sbest中。
s104：对当前解s中的各个组元依次实施变异。
对当前解s中的各个组元依次实施变异，得到20个子个体，变异某个组元时，保持其他组元不变；
例如：选择x1进行变异时，从未被选取的剩余待配送货物中任意选择一件货物作为新的x1。
s105：对各个子个体进行支配排序，令当前解s中各个组元的适应度等于其对应的子个体的支配排序数。
对20个子个体进行支配排序，从而得到其支配排序数rl∈{0，1，2...19}，l∈{1，2，...20}，rl为第l个子个体被其他子个体支配的个数；
为了找到子个体中最优解，即使得目标函数最大的解，令当前解s中各个组元的适应度λ1等于对该组元变异所生成的子个体的支配排序数r1，即λ1＝r1，l∈{1，2，...20}。
s106：找出最差组元，将最差组元变异得到的子个体构成的新的种群s1赋给当前解s。
如果只有一个组元的适应度为0，即该组元所对应的子个体不被任何其他子个体支配，则该组元被认为是最差组元；如果有两个以上适应度为0的组元，则运用多样性保持机制随机选取出最差组元。假设最差组元为xw，其适应度λw＝o，通过变异xw而产生的子个体为x′w，w∈{1，...，20}，无条件用x′w取代当前个体xw。
s107：更新最优解集sbest。
新产生的当前解s与最优解集sbest中的各单独的最优解进行pareto支配比较。如果最优解集sbest中存在被当前解s支配的解，则将所有被当前解s支配的解从最优解集sbest中删除掉，并将前解s添加到最优解集sbest中去。如果最优解集sbest中存在至少一个最优解支配当前解s，则当前解s不被加入到最优解集sbest，并且最优解集sbest不用实施更新操作。如果当前解s与最优解集sbest中任何一个最优解都互不支配，则将当前解s添加到最优解集sbest中。
s108：判断是否到达预设最大迭代次数，若是，则进入步骤s109，否则，迭代次数加1，返回步骤s104。
可以根据实际需要预先设置迭代次数，本次预设迭代次数为
判断算法是否到达预设的迭代次数，若已达到，则说明本次极值优化算法结束，已得到本次n件货物出库序列的pareto最优解集sbest，否则，迭代次数加l，并对上一次迭代得到的当前解s进行变异，继续迭代寻优。
从极值优化算法开始直到达到预设迭代次数结束，初始种群只生成一次，由于变异一次之后，就由进化种群替代了初始种群，因此，返回步骤s104时，是对进化种群进行变异。
s109：输出无人机货物出库配送序列的pareto最优解集sbest。
按照pareto最优解集sbest中的货物出库序列配送货物，可在满足无人机最大装载质量、最大装载体积、当前电量的约束条件下，使得无人机单次装载货物的质量最大、体积最大。
本实施例的一种无人机待配送货物的出库序列调度系统，包括：
数据采集单元，用于获取每个待配送货物的重量、体积、目的地信息；
模型建立单元，用于以无人机的最大装载重量、最大装载体积以及无人机当前电量为约束条件，以无人机单次装载货物的总重量、总体积均达到最大为优化目标，建立无人机货物出库配送序列的目标函数；
优化单元，用于在满足约束条件的前提下，生成无人机货物出库配送序列的初始解，基于所述目标函数对所述无人机货物出库配送序列进行优化，得到无人机货物出库配送序列的最优解集；
配货单元，用于按照无人机货物出库配送序列的最优解集进行配货。
本实施例的一种计算机可读存储介质，存储介质存储有计算机程序，该计算机程序被处理器执行时，实现上述的一种无人机待配送货物的出库序列调度方法。
本实施例的一种计算机设备，包括存储器和处理器，存储器上存储有可被处理器调用的计算机程序，处理器执行存储器上的计算机程序时，实现上述的一种无人机待配送货物的出库序列调度方法。