一种基于智慧物流的电动汽车运输充电调度方法及系统

本发明涉及智慧物流运输领域，特别涉及一种基于智慧物流的电动汽车运输充电调度方法及系统。

背景技术：

1、低碳物流主要是通过降低物流运输、揽收、包装等环境的能源消耗来促进低碳排放，进而实现降低对社会环境造成污染的一种物流发展模式。在过去的若干年，因化石能源广泛开采，石油业发达，加之燃油运输车辆配套设施健全，车辆性能稳定，使得燃油车辆成为国内外物流运输的主角。近几年电子商务市场的爆发式增长也带动了中国物流行业近年来的快速发展。但随着全球气候环境与能源的不断恶化，全世界朝着低碳化发展的趋势愈加明显。物流业属于能源与碳排放大户，因此，促进低碳物流助力“双碳”目标的实现至关重要，低碳物流业的是当前发展的必然方向。将以电动汽车为代表的新能源汽车替换传统燃油车辆进行运输是低碳物流的一个重要手段。但电动汽车发展最大的痛点是电池的续航里程有限，导致电动汽车的运输能力受限。

2、因此，需要提供一种基于智慧物流的电动汽车运输充电调度方法及系统，用于实现低成本、绿色低碳的电动物流汽车运输充电调度。

技术实现思路

1、本说明书实施例之一提供一种基于智慧物流的电动汽车运输充电调度方法，包括：建立电动物流汽车运输充电问题模型，其中，所述电动物流汽车运输充电问题模型的优化目标为所有电动物流车辆的揽件路径长度之和最小，所述电动物流汽车运输充电问题模型的约束条件至少包括车辆运载能力、电池续航及节点访问条件，所述节点访问条件包括每个目标节点只能被访问一次并且要求所有目标节点被全部访问；将所述电动物流汽车运输充电问题模型建模为一个马尔可夫决策过程，设计并训练基于多头异构注意力模型的异构汽车运输充电分配模型，其中，所述异构汽车运输充电分配模型用于解决所述电动物流汽车运输充电问题模型；获取待处理物流任务的物流信息；获取所述所有电动物流车辆的当前状态信息及所述待处理物流任务对应的目标区域内的充电站的位置信息；通过所述异构汽车运输充电分配模型基于所述待处理物流任务的物流信息、所述所有电动物流车辆的当前状态信息及所述待处理物流任务对应的目标区域内的充电站的位置信息，确定所述待处理物流任务对应的电动物流汽车充电运输方案。

2、在一些实施例中，所述建立电动物流汽车运输充电问题模型，包括：将所述电动物流汽车运输充电问题模型映射到一个完全图；基于所述完全图建立多个约束条件。

3、在一些实施例中，所述将所述电动物流汽车运输充电问题模型映射到一个完全图，包括：将所述电动物流汽车运输充电问题模型映射到一个完全图g＝(v,e)，v＝(v0,v1,v2,…,vn,vn+1,…,vn+z)，其中，v0表示电动物流车辆在二维空间中的起始站点位置坐标，n＝{v1,…,vn}表示n个目标节点在二维空间中的位置坐标集合，s＝{vn+1,…,vn+z}表示z个充电站在二维空间中的位置坐标集合，e表示边的集合；定义对于每一个充电站k都有至少一个影子节点，所述至少一个影子节点与所述充电站k共享相同的位置坐标，表示为gk，同时定义c'＝∪k∈sgk，表征c'为所有充电站k的位置坐标的并集，使用以下公式定义所述完全图g中节点的总数，包含起始站点、目标节点和充电站以及影子节点：其中，n表示要访问的目标点数，nk表示充电站k及其影子节点的总个数。

4、在一些实施例中，所述基于所述完全图建立多个约束条件，具体包括：定义第m个电动物流车辆的最大运载能力为建立约束其中，wm为第m个电动物流车辆的运输的物品的总质量；定义第m个电动物流车辆满载时的单位电能消耗为rm，第m个电动物流车辆的剩余电池电量为qm，建立约束qm-rm·di,j≥yj>0，其中，di,j表示从节点i到节点j的距离，节点为目标点、起始点或充电站，yj为预设剩余电量阈值；定义每个目标节点必须被访问一次，具体如下公式：其中，n表示目标节点的集合；定义每个充电站及对应的影子节点最多被访问一次，具体公式定义如下：式中，gk表示对充电站及对应的影子节点的潜在访问量的集合；定义所述完全图g中每个节点的入度等于出度，公式定义如下；定义所述完全图g中不存在子回路，公式定义如下：式中，表示节点i在第m个电动物流车辆的路径中的位置；以所有电动物流车辆的揽件路径长度之和最小为所述电动物流汽车运输充电问题模型的优化目标，基于所述优化目标及所述多个约束条件，构造得到电动物流汽车运输充电问题模型：其中，xij表示二进制决策变量。

5、在一些实施例中，所述将所述电动物流汽车运输充电问题模型建模为一个马尔可夫决策过程，包括：定义第m个电动物流车辆的状态空间为式中，nt为第m个电动物流车辆的部分解，qt为第m个电动物流车辆的剩余电池电量；nt为在第t步之前被第m个电动物流车辆的访问的所有节点的集合，当t为0时，n0表示起始点，q0表示第m个电动物流车辆的的最大电池容量q；定义第t步的动作空间为at＝(vt；ct)；式中，vt表示第m个电动物流车辆在第t所有未访问的目标节点集合，ct表示第m个电动物流车辆在第t步的可用充电站集合；定义st+1＝(nt+1；qt+1)为过渡规则，表示第m个电动物流车辆的下一个状态空间，由第t步所选择的节点决定；其中，将部分解nt与新选择的节点oj进行组合，即nt+1＝(nt；{oj})；如果oj是一个目标节点，qt+1＝qt-qij，其中，qij表示第m个电动物流车辆从nt中最后一个节点oi移动到oj所消耗的电量；如果oj是一个充电站，则qt+1＝q；果已经访问了所有的目标，并且新选择的节点是起始节点，那么下一个状态st+1是终端状态；定义奖励函数为

6、在一些实施例中，所述异构汽车运输充电分配模型解决所述电动物流汽车运输充电问题模型，包括：定义一组策略网络，其中定义proθ为代理学习策略，所述代理学习策略用于在每一步自动选择一个节点进行访问，所述策略网络的最终输出的电动物流汽车充电运输方案是由所有目标节点、起始点和部分或全部充电站组成的节点序列，具体公式定义如下：式中，π＝{π0,π1,.....,πt},πt∈v，表示所述策略网络最终输出的节点序列，t为路径选择的最大时间步长，λ为待处理物流任务的实例，π1:t-1为从第1步到t-步的节点集合；使用基于多头异构注意力模型定义所述策略网络。

7、在一些实施例中，所述使用基于多头异构注意力模型定义所述策略网络，包括：构建编码器，将节点序列x＝{o1,o2,....,on+z+1}编码后输入所述基于多头异构注意力模型中，通过线性投影产生维数为dh＝128的初始节点嵌入其中，oi是一个三维向量，包括节点的二维位置位置坐标和一个二进制变量，如果节点是充电站，则节点的二进制变量等于1，否则节点的二进制变量为0；将初始节点嵌入l个注意层中，将其转换为高级节点嵌入每个注意层由多头异构注意子层和改进的前馈子层组成；构建自注意力机制的三个关键计算向量，即查询、键和关键值，具体定义如下：其中，表示注意层l-1层的节点嵌入，dq，dv分别表示查询、键和关键值的维数，m表示多头异构注意模型的头数，m＝8；和为训练参数；得到目标节点和充电节点之间的权值，定义如下：定义单头向量是来自所有类型的注意的头的总和，定义如下：对单头向量矢量连接来自不同头的不同消息，通过一个跃变层和一个批处理归一化层，定义如下：式中，wout是为超参数，cat是连接操作符；将单头向量经过gelu激活函数处理，通过一个跳过连接和一个bn层进一步处理，定义如下：式中，w1和w2为超参数；通过l个子注意层获得高阶节点嵌入，计算图嵌入来表示全局信息，定义如下：构建解码器，根据编码器产生的图嵌入和节点嵌入，在每个解码步骤中输出输入节点上的概率分布，解码器由一个mha层和一个单个头部注意层组成，在每个解码步骤中计算表示上下文的向量将图嵌入最后访问节点的节点嵌入和剩余电池电量qt组合，上下文的向量定义如下：式中，wgraph和wcon为超参数矩阵；定义为聚合函数组，通过mha层聚合来自节点不同部分的消息，定义如下：式中，和为可训练的参数矩阵；单个头部注意中的查询和关键值向量按如下公式计算：式中，wq和wk是可训练的参数矩阵；查询和键之间的兼容性计算如下：式中，cp是用于规模因子；在每个解码步骤中屏蔽无效节点，将所述无效节点的兼容性设置为负无穷；计算下一步访问节点的概率，具体如下：pro(πt∣λ,π1:t-1)＝softmax(ht)；迭代地执行上述流程，直到所有的目标节点都被覆盖。

8、在一些实施例中，所述训练基于多头异构注意力模型的异构汽车运输充电分配模型，包括：采用深度强化学习算法对策略网络的关键超参数θ进行训练，学习到一个最优策略proθ(π|x)以较大概率输出最优目标函数值，使用策略梯度算法对策略网络的参数θ进行更新如下：式中，其中dθ为策略网络参数的梯度，b为批量大小，r(λ)为策略网络计算的实例λ的奖励，bф(γ)是基于baseline算法计算的实例γ的基线奖励，pθ(πλ)是策略网络确定解πλ的概率，bφ(λ)bφ(λ)是一个基准函数，并依据贪心策略进行目标函数的构造，直到通过reinforce算法将θ训练完成，则获得训练好的所述异构汽车运输充电分配模型。

9、在一些实施例中，所述待处理物流任务的物流信息包括多条用户物流信息，其中，所述用户物流信息至少包括物品的尺寸、类型、重量及位置；所述电动物流车辆的当前状态信息至少包括电动物流车辆的当前位置、剩余电池电量及续航里程。

10、本说明书实施例之一提供一种基于智慧物流的电动汽车运输充电调度系统，其特征在于，包括：问题建立模块，用于建立电动物流汽车运输充电问题模型，其中，所述电动物流汽车运输充电问题模型的优化目标为所有电动物流车辆的揽件路径长度之和最小，所述电动物流汽车运输充电问题模型的约束条件至少包括车辆运载能力、电池续航、节点访问条件，所述节点访问条件包括每个目标节点只能被访问一次并且要求所有目标节点被全部访问；问题解决模块，用于将所述电动物流汽车运输充电问题模型建模为一个马尔可夫决策过程，设计并训练基于多头异构注意力模型的异构汽车运输充电分配模型，其中，所述异构汽车运输充电分配模型用于解决所述电动物流汽车运输充电问题模型；任务获取模块，用于获取待处理物流任务的物流信息；信息获取模块，用于获取所述所有电动物流车辆的当前状态信息及所述待处理物流任务对应的目标区域内的充电站的位置信息；方案确定模块，用于通过所述异构汽车运输充电分配模型基于所述待处理物流任务的物流信息、所述所有电动物流车辆的当前状态信息及所述待处理物流任务对应的目标区域内的充电站的位置信息，确定所述待处理物流任务对应的电动物流汽车充电运输方案。

11、相比于现有技术，本说明书提供的一种基于智慧物流的电动汽车运输充电调度方法及系统，至少具备以下有益效果：

12、1、为了解决现有技术中电动汽车的电池的续航里程有限，导致电动汽车的运输能力受限的技术问题，基于智慧物流的电动汽车运输充电调度方法及系统可以综合车辆运载能力、电池续航及各个目标节点的位置，通过异构汽车运输充电分配模型确定待处理物流任务对应的电动物流汽车充电运输方案，在多个充电站存在的情况下，考虑各电动物流车辆自身运载能力的同时，将按照电动物流汽车充电运输方案，统一从起始站点出发，通过顺序访问分配的目标节点，完成目标区域的揽件任务，最终回到起始站点，并且，在完成揽件任务过程中，规划充电路径，电动物流车辆通在规划的充电站进行充电补给，充电完成后，就会重新启动以访问规划的剩余的目标节点，优化了电动物流车辆的运输路线，延长电动物流车辆的运营半径，提高车辆的运输效率，减少了重复和无效的路径的同时，降低碳排放；

13、2、具有较高的准确度和较高的实时性，可以使物流运输在满足及时性、安全性的同时又可以降低能源浪费和碳排放，营造绿色低碳智慧交通运输系统，实用性强，安全可靠，可广泛应用于物流、外卖等绿色交通运营领域的任务；

14、3、通过设置基准函数，可以有效降低计算成本，加速收敛，并且，采用深度强化学习算法对策略网络的关键超参数θ进行训练，可以有效提高训练效率及准确度。