本发明实施例涉及人工智能，尤其涉及一种无人机与车辆协同配送的方法、系统、电子设备及介质。
背景技术：
1、伴随着人工智能与物联网技术的不断发展，无人机所具有的配送效率高、机械化程度高等优势与物流行业发展需求愈发契合。在末端配送环节中，单一无人机配送会受到续航性能差、载重能力弱等机体性能限制，而将车辆与无人机进行结合可有效降低无人机性能限制带来的影响。
2、两级车辆路径问题(2e-vrp)是指在综合配送网络中，配送网络被分为一级和二级两种级别的配送网络，配送中心、配送点、车辆等都可被分为两种类型。在一级配送网络中，一级车辆从总配送中心出发，按照规定路线行径，前往一级配送点；在二级配送网络中，由二级车辆从一级配送点出发，继续按照路线前往二级配送点完成配送任务，一、二级车辆的行驶路线共同组成了完整的行驶路径。车辆路径问题(vrp)是典型的非确定性多项式(np-hard)问题，而2e-vrp的两级配送网络之间存在耦合关系，两级车辆的配送顺序相互依赖。
3、针对无人机与车辆协同配送任务的研究属于两级路径规划任务的一种，如何求解无人机与车辆协同配送系统的路径规划，是需要研究的问题。
技术实现思路
1、本发明实施例提供一种无人机与车辆协同配送的方法、系统、电子设备及介质，用于解决如何求解无人机与车辆协同配送系统的路径规划的问题。
2、为了解决上述技术问题，本发明是这样实现的：
3、第一方面，本发明实施例提供了一种一种无人机与车辆协同配送的方法，包括：
4、获取无人机与车辆的运输成本、无人机与车辆的运营成本和配送点的时间惩罚成本；
5、基于所述无人机与车辆的运输成本、无人机与车辆的运营成本和配送点的时间惩罚成本，构建以总配送成本最小化为目标函数的无人机与车辆协同配送模型；
6、对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径。
7、可选地，所述总配送成本采用如下公式确定：
8、s＝sd+sh+st
9、其中，s为所述总配送成本，sd为所述无人机与车辆的运输成本，sh为所述无人机与车辆的运营成本，st为所述配送点的时间惩罚成本。
10、可选地，所述无人机与车辆的运输成本，所述无人机与车辆的运营成本和所述配送点的时间惩罚成本的确定过程中，考虑无人机机型的影响。
11、可选地，所述无人机与车辆的运输成本采用如下公式确定：
12、
13、
14、
15、其中，sd为所述无人机与车辆的运输成本，su为配送模块u的运输成本，xug用于表示配送模块u中是否包含车辆g的配送路径，g为车辆集合，u为配送模块集合，为无人机单位距离运输成本，dik为无人机起飞节点pi至无人机配送点pk的直线距离，dkj为无人机配送点pk至无人机降落节点pj的直线距离，βt为车辆单位距离运输成本，dij为无人机起飞节点pi至无人机降落节点pj的直线距离，λ为车辆行驶距离超过无人机起飞节点pi和无人机降落节点pj之间直线距离的固定倍数，pt为车辆配送点集合；
16、其中，每条无人机与车辆协同配送路径包括至少一个配送模块u，每个所述配送模块u至少包括一个无人机配送点，一个无人机起飞节点和一个无人机降落节点，所述无人机起飞节点和/或无人机降落节点为车辆配送点或配送中心。
17、可选地，所述无人机与车辆的运营成本采用如下公式确定：
18、
19、
20、其中，sh为所述无人机与车辆的运营成本，ct为车辆的单位运营成本，xug用于表示配送模块u中是否包含车辆g的配送路径，g为车辆集合，为无人机的单位运营成本，u+(p)为以节点p为起飞点的配送模块集合；
21、其中，每条无人机与车辆协同配送路径包括至少一个配送模块u，每个所述配送模块u至少包括一个无人机配送点，一个无人机起飞节点和一个无人机降落节点，所述无人机起飞节点和/或无人机降落节点为车辆配送点或配送中心。
22、可选地，所述配送点的时间惩罚成本采用如下公式确定：
23、
24、其中，st为配送点的时间惩罚成本，p为配送点，p为配送点集合，ep为配送点p允许的最早配送时间，tp为配送点p的服务时间，fp为配送点p允许的最晚配送时间，a为过早惩罚成本系数，b为延误惩罚成本系数。
25、可选地，构建以总配送成本最小化为目标函数的无人机与车辆协同配送模型，包括：
26、确定所述车辆协同配送模型的约束条件，所述约束条件包括以下至少一项：
27、约束条件一：
28、约束条件二：
29、约束条件三：
30、约束条件四：
31、约束条件五：
32、约束条件六：
33、约束条件七：
34、约束条件八：
35、约束条件九：
36、约束条件十：
37、其中，xug用于表示配送模块u中是否包含车辆g的配送路径，g为车辆集合，u(p)为包含节点p的所有配送模块集合，p为配送点集合，p0为配送中心，u+(p)为以节点p为起飞点的配送模块集合，u-(p)为以节点p为降落点的配送模块集合，q0为所有行使路径配送的货物总量，qi为配送点的货物需求量，qtmax为车辆最大载容量，为无人机最大载容量，为无人机配送模块u的中的无人机配送点，l为无人机机型，l为无人机机型集合，dik为无人机起飞节点pi至无人机配送点pk的直线距离，dkj为无人机配送点pk至无人机降落节点pj的直线距离，为无人机最大航行距离，为无人机最大载容量，qtmax为车辆最大载容量。
38、可选地，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，包括：
39、基于深度强化学习和遗传算法，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径。
40、可选地，基于深度强化学习和遗传算法，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，包括：
41、第一步骤：确定问题参数集合，所述问题参数集合包括：配送点的信息，车辆的信息和无人机的信息；
42、第二步骤：定义问题并设置遗传算法的初始参数，所述问题为对无人机与车辆协同配送模型进行求解；
43、第三步骤：对配送点和配送中心进行染色体编码，并将配送点划分无人机配送点和车辆配送点；
44、第四步骤：将染色体编码随机排列产生多组个体，作为遗传算法的初始种群；
45、第五步骤：利用transformer算法求解每个个体的配送路径；
46、第六步骤：以总配送成本的倒数作为适应度函数，求解每个个体的适应度函数值，并确定适应度函数值最高的个体对应的配送路径为当前解；
47、第七步骤：若满足迭代终止条件，输出当前解作为最优的无人机与车辆协同配送路径。
48、可选地，基于深度强化学习和遗传算法，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，还包括：
49、第八步骤：若不满足迭代终止条件，根据所有个体的适应度函数值，通过轮盘赌方式选择个体；
50、第九步骤：交叉操作，所述交叉操作包括：选择两个父代染色体，随机生成小于父代染色体长度的数，任意选择交叉位置，然后再互换交叉位置的基因片段，最后对子代染色体进行多次修订，确保子代染色体上没有重复片段；
51、第十步骤：变异操作，所述变异操作包括：随机选择一定数量的染色体，在每条被选中的染色体上任意选择两个变异点，对变异点之间的基因串顺序进行倒置；
52、重复执行所述第五步骤至所述第十步骤，直至满足迭代终止条件，输出当前解作为最优的无人机与车辆协同配送路径。
53、可选地，所述第三步骤还包括：将不符合禁分区限制的无人机配送点调整为车辆配送点。
54、第二方面，本发明实施例提供了一种无人机与车辆协同配送的系统，包括：
55、获取模块，用于获取无人机与车辆的运输成本、无人机与车辆的运营成本和配送点的时间惩罚成本；
56、模型构建模块，用于基于所述无人机与车辆的运输成本、无人机与车辆的运营成本和配送点的时间惩罚成本，构建以总配送成本最小化为目标函数的无人机与车辆协同配送模型；
57、模型求解模块，用于对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径。
58、第三方面，本发明实施例提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上述第一方面所述的无人机与车辆协同配送的方法的步骤。
59、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的无人机与车辆协同配送的方法的步骤。
60、在本发明实施例中，配送方式上采用无人机与车辆协同配送方式，将无人机配送优势和车辆配送优势进行有效结合，在物流配送的“最后一公里”环节，充分发挥无人机飞行速度快、配送成本低的优势，通过车辆配送弥补无人机载重限制、续航限制的短板，提高了配送方案决策效率。构建的无人机与车辆协同配送模型具有更强的适用性及合理性，可为实际物流场景下无人机配送模式的应用提供有价值参考和理论依据。
1.一种无人机与车辆协同配送的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述总配送成本采用如下公式确定：
3.根据权利要求1所述的方法，其特征在于，所述无人机与车辆的运输成本，所述无人机与车辆的运营成本和所述配送点的时间惩罚成本的确定过程中，考虑无人机机型的影响。
4.根据权利要求1或2或3所述的方法，其特征在于，所述无人机与车辆的运输成本采用如下公式确定：
5.根据权利要求1或2或3所述的方法，其特征在于，所述无人机与车辆的运营成本采用如下公式确定：
6.根据权利要求1或2或3所述的方法，其特征在于，所述配送点的时间惩罚成本采用如下公式确定：
7.根据权利要求1所述的方法，其特征在于，构建以总配送成本最小化为目标函数的无人机与车辆协同配送模型，包括：
8.根据权利要求1所述的方法，其特征在于，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，包括：
9.根据权利要求8所述的方法，其特征在于，基于深度强化学习和遗传算法，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，包括：
10.根据权利要求9所述的方法，其特征在于，基于深度强化学习和遗传算法，对无人机与车辆协同配送模型进行求解，得到最优的无人机与车辆协同配送路径，还包括：
11.根据权利要求9所述的方法，其特征在于，所述第三步骤还包括：
12.一种无人机与车辆协同配送的系统，其特征在于，包括：
13.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至11中任一项所述的无人机与车辆协同配送的方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的无人机与车辆协同配送的方法的步骤。
