本文摘要：摘要：無人車配送可有效緩解目前末端配送效率低、人力成本高、安全隱患多等問題。本研究以城市社區網購生鮮無人車配送為研究對象，搭建了網購生鮮時空需求數據驅動的多智能體仿真平臺，構建了基于實際路網的仿真環境及無人車、客戶、配送站三類智能體，以運
摘要：無人車配送可有效緩解目前末端配送效率低、人力成本高、安全隱患多等問題。本研究以城市社區網購生鮮無人車配送為研究對象，搭建了網購生鮮時空需求數據驅動的多智能體仿真平臺，構建了基于實際路網的仿真環境及無人車、客戶、配送站三類智能體，以運營成本最小及客戶滿意度最大為優化目標，設計并測試了動靜態訂單分配策略及距離最近或時間最緊配送路徑規劃策略。最后基于上海某生鮮電商實際訂單數據，對不同策略展開情景模擬及敏感度分析，實現了運力資源的優化配置。
關鍵詞：多智能體仿真;無人車配送;網購生鮮;訂單分配;路徑規劃
引言近年來，即時物流訂單量尤其是生鮮配送的規模逐年增加。調查數據顯示，每周購買一次以上的生鮮網購用戶達63.8%[1]。2019年的生鮮電商交易規模達1620億元，相較于2018年增長29.2%[2]，2020年新冠肺炎疫情期間，相關生鮮電商平臺的單日訂單量同比增長200300%[3]，預計未來網購生鮮規模將進一步增大。據調查，我國居民網購生鮮產品時最注重的前兩個因素分別是安全和品質，其比例分別占55.7%、49.3%。
人工智能論文： 基于5G的無人機智能組網的應急通信技術開發及應用
縮短配送時間可有效保證生鮮產品的品質[4]。由于網購生鮮配送時效性強、需求隨機性高、規模逐年增大等特點，導致了人力配送難以精準效應網購生鮮配送需求，造成了配送效率低下、人力成本高昂、安全隱患多等問題。與此同時，我國在無人配送領域的政策不斷完善，為無人配送的應用落地提供了政策支持。2017年月，國務院印發《新一代人工智能發展規劃》，該規劃指出行業需要不斷完善無人配送車的技術標準。2019年月，中共中央、國務院印發《交通強國建設綱要》，明確提到要“積極發展無人機(車)物流遞送”。
因此，許多電商企業、第三方物流和眾多初創公司開始探索使用無人車、無人機、配送機器人代替人力進行配送，不僅可以緩解訂單量暴漲導致的運力緊張，降低人力成本，也降低了疫情期間人際傳播帶來的潛在感染風險。無人車的加入，可代替難以管理的三輪車、電動車等車輛上路，減少安全隱患。電動無人車相比于燃油配送車輛，更利于保護環境。利用無人車進行城市社區網購生鮮配送，是生鮮配送服務鏈的最后一個環節，屬于末端配送問題。針對末端配送的研究，主要由兩個部分組成——訂單分配和路徑規劃。由于針對無人配送的訂單分配研究較少，因此在本研究中主要分析物流訂單分配與網約車訂單分配的相關研究。
鄧娜和張建軍(2018)基于聚類分析和TSP路徑規劃建立了O2O外賣訂單指派模型，將一定時長內的訂單進行聚類合并;劉鵬宇和陳淮莉(2018)對超售策略進行了研究，根據消費者對時隙價格的偏好建立Logit模型，采用強化學習的方法求解;戴大鵬(2018)以總體的物流成本最小、配送時間最短、配送質量最高為優化目標建立多目標規劃模型，采用蟻群算法、遺傳算法求解;Kuhnle等(2019)基于深度強化學習的方法對車間生產系統內的訂單自組織調度進行了研究;Malus等(2020)采用多智能體強化學習的方法對生產系統內部的物料流動進行調度，通過自主移動機器人學習協同競價的方式，實現更高效的訂單分配目標。
滴滴出行[1在2018年提出了在線調度模型，基于實際訂單數據，通過強化學習構建狀態動作值函數，采用KM算法求解全局最優匹配;而在2019年，滴滴出行[1將時間因素加入狀態動作值函數中，并進一步采用深度神經網絡(CVNet)進行更好地未來訂單匹配價值學習。在路徑規劃研究中，不僅包括無人車，還包括無人車與卡車、無人機與卡車的協同配送研究。
Zhang[1(2016)等人設定車輛有三個狀態：在車站等候、服務客戶、再平衡調度到另一個車站，建立混合整數規劃模型進行求解;張嘉琦[1(2017)通過子目標點與無人車的連線將平面劃分為自由扇區，并設計局部層和全局層進行路徑規劃;郭蓬[1(2019)等人基于Frenet坐標系理論，采用一元三次方程擬合局部層路徑，并選取代價函數最小的最優路徑;胡覺亮[1(2020)等以配送成本最小為目標，采用遺傳算法與模擬退火算法相結合的方法求解電動無人車的路徑規劃模型。
Rabta[1(2018)以災難援助為背景，以載重、能耗為約束，以成本最小為目標建立無人機末端調度模型;Agatz[1、Paul18(2018)采用means算法對客戶群進行分類，采用動態規劃方法求解;Chang19(2018)在運用means進行訂單分類及建立旅行商模型后，對無人機向卡車的移動路徑進行優化，以最小化配送時間;Yurek[2(2018)采用兩階段法，對客戶和任務進行分配后，建立混合整數規劃模型。
彭勇[2(2020)定義了三種客戶類型：只能由無人機服務、只能由卡車服務和既可以由無人機服務，也可以由卡車服務，以服務時間最小為目標，采用混合鄰域搜索算法進行無人機-卡車協同配送問題求解。在針對末端配送調度現有研究中，很少有研究將訂單分配與路徑規劃組合在一起考慮;且現有研究方法主要分為分支定界法等精確算法和遺傳算法等近似算法。隨著問題規模的擴大，精確算法的計算時間將不斷增加，因此模型運用范圍受限。單純地采用精確算法或啟發式算法，不能夠很好的描述無人車配送系統，并且難以應對大規模動態的無人調度決策[2,2。
由于智能體具有個體異質、自主行動、環境感知、信息交互等特點，基于智能體的仿真能夠更加自然、連續的描述無人車、客戶等實體之間的動態供需交互行為，并且在仿真過程中可以靈活的改變智能體的數量、屬性、行為規則等。多智能體仿真從個體級別開始建模，模擬現實系統中的個體行為決策、個體之間的交互合作，系統的變化由單個智能體行為變化而涌現[2。
因此為了理解無人車生鮮配送系統在不同訂單分配策略和路徑規劃策略下的表現，本文采用多智能體仿真的方法[2，并在此方法中嵌入貪婪算法，以輔助無人車智能體的行為決策。利用地理信息強化，將實際路網、配送站等環境信息納入到仿真框架中。通過實際需求數據驅動微觀個體仿真，以“自下而上”的建模思路，通過各智能體間的互動決策，群智涌現無人車配送調度系統整體優化效果。
1基于多智能體仿真的無人車配送調度方法
1.1多智能體仿真模型概述
基于網購生鮮需求時空變化特征，本研究搭建了基于多智能體仿真的無人車生鮮配送模型，由基于實際路網仿真環境及若干輛無人車智能體、若干個已知地理位置的客戶智能體和一個配送站智能體組成;基于智能體間的互動，設計不同的訂單分配策略和配送路徑規劃策略，以實現客戶滿意度最大和無人車運營成本最小的優化目標。本研究建模主要基于以下假設：(1)所有無人車均從配送站出發并最終返回配送站;(2)每輛無人車型號、最大容量均一致;(3)每位客戶的需求量為非負值且小于等于每輛無人車的最大容量;(4)在配送過程中每位客戶只能由一輛無人車服務;(5)無人車每次的裝載量均不超過其最大容量;(6)無人車勻速行駛，不考慮行駛過程中出現交通擁堵、交通事故等突發情況;(7)配送站擁有全品類的生鮮產品，能夠滿足當日所有客戶的需求;(8)只考慮單純送貨任務，不考慮客戶取貨情況。
1.2智能體定義
1.2.1智能體類型及屬性
①客戶智能體客戶智能體的屬性主要包括所在位置、下單時間及可接受最大延誤時間。客戶智能體的行為主要包括向配送站發送訂單和計算自身滿意度�？蛻糁悄荏w的狀態隨著配送過程推進依次變化：客戶下單后由普通客戶轉變為待配送客戶;該客戶訂單分配給某一輛無人車后，狀態由待配送客戶轉變為目標客戶，但狀態仍為false，待無人車在配送站取完該客戶的貨物后，其目標客戶狀態變為rue;無人車決定優先配送該客戶的貨物時，狀態由目標客戶轉變為當前客戶;無人車完成該客戶的貨物配送后，狀態又由當前客戶轉變為普通客戶。
�、跓o人車智能體無人車智能體的屬性主要包括數量、位置、運行速度、最大容量、目標客戶列表等。無人車智能體的行為主要包括返回倉庫取貨、優化目標客戶配送的先后次序、記錄運行公里數及運行軌跡。本研究探討的無人車具有同樣的容量和成本等參數。③配送站智能體配送站智能體的屬性主要是待配送客戶列表。配送站智能體的行為主要是分配待配送客戶訂單給無人車以及更新待配送客戶列表。
1.2.2智能體行為規則①客戶智能體向配送站發送訂單：待系統時間到客戶的下單時間時，客戶智能體會向配送站發送訂單。配送站每五分鐘更新一次客戶新訂單。
1.3環境定義仿真環境包括配送站、實際路網、居民區建筑等實物信息及節假日、疫情實時狀態等環境信息。仿真環境中有且僅有一個配送站。由國外的管理經驗可知，目前國外無人車行駛的道路主要有兩種：人行道與機動車道，不允許在高速公路上行駛。因此無人車行駛的實際路網不包含高速公路。
1.4仿真系統運行流程本項目無人車生鮮配送仿真流程如圖所示，主要體現了無人車、客戶、配送站三類智能體間的交互，通過不斷調整無人車配送路徑規劃策略和配送站訂單分配策略，涌現無人車自主配送智能調度效果，實現客戶滿意度最大和運營成本最小的優化目標。
2城市社區無人車配送案例研究
2.1仿真數據輸入
本研究以上海市嘉定區某生鮮電商的配送區域為研究對象，擬使用無人車進行網購生鮮配送服務。配送區域面積為8km×5km，有個生鮮配送站。共有42個住宅小區，3400多個住宅建筑，總人口為260多戶，基于該生鮮電商實際訂單數據，新冠肺炎疫情期間，該配送區域工作日的日均訂單量為800多單。本研究以該配送區域某個工作日生鮮配送需求為例，共有858名客戶智能體參與仿真。
客戶智能體屬性參數均來源于網購生鮮客戶調查數據，其中包括客戶下單時間、可接受的最大延誤時間及家庭月收入水平。無人車智能體屬性參數來源于現有文獻，包括車輛速度、租賃成本、行駛成本、最大容量等。目前無人車技術可實現30秒彈夾式智能換電，100公里續航[2，因此本研究假設無人車在一天的配送過程中不需要中途充電。
2.2仿真場景構建
在仿真場景的模擬中，共考慮了靜態、動態訂單分配和距離最近、時間最緊配送路徑規劃兩兩組合的四種策略組合場景。靜態訂單分配與動態訂單分配兩種場景的區別在于無人車是否中途取貨。距離最近配送與時間最緊配送兩種場景主要體現在無人車取完所有目標客戶的貨物后，如何進行配送路徑規劃。在上述四種策略組合場景中，通過改變無人車的數量及最大容量，來達到客戶滿意度最大(即延時懲罰成本最小)和運營成本最小的優化目標。同時延時懲罰成本和運營成本共同組成了系統總成本，因此可將多目標優化問題轉化為單目標優化問題進行討論，從而選擇最優的策略組合。
2.3結果分析
本文以運營成本最小及客戶滿意度最大為優化目標，設計并測試了動靜態訂單分配策略及基于貪婪算法的距離最近或時間最緊配送路徑規劃策略。為了更好地對仿真結果進行分析，在上述仿真結果中選取了四種策略下的最小延時成本、最小運營成本、最小系統總成本、最小平均行駛公里數以及對應的無人車數量和最大容量，如表所示。當無人車數量較大，容量較小時，延時懲罰成本最小;當無人車數量最小，容量最大，運營成本最小;當無人車數量較大，容量最小時，系統總成本最小;當無人車數量最大，容量最大時，平均行駛公里數最小。當訂單分配策略為靜態分配，配送路徑規劃策略為最近優先配送時，系統總成本最小為15579元，此時無人車數量為28輛，無人車最大容量為。
2.4敏感度分析
通過2.3節不同策略組合下的仿真結果對比分析，靜態訂單分配與最近配送路徑規劃是最優的策略組合。因此基于該策略組合，本節對無人車數量及無人車最大容量對系統總成本影響進行了敏感度分析。
3結論
隨著網購生鮮規模逐年增加，傳統的依靠人力的配送模式已難以滿足配送需求。交通強國等政策的支持及新冠肺炎疫情的影響加速了無人車配送在城市末端配送的應用落地。本研究基于網購生鮮需求時空變化特征，搭建多智能體仿真平臺，評估無人車配送模型的運營成本以及客戶滿意度�；谏虾Ｊ心成r電商的某配送區域的實際訂單數據和網購生鮮客戶調查數據，對網購生鮮無人車配送展開實例仿真分析。通過仿真結果的對比分析，發現當組合策略為靜態訂單分配，路徑規劃策略為距離最近優先配送時，延時懲罰成本和運營成本皆最小，從而系統總成本最小。
并在此策略下，對無人車數量和無人車的最大容量對系統總成本影響進行了敏感度分析，發現為滿足該配送區域的網購生鮮訂單配送服務無人車日均數量應不少于18輛。本研究中的無人車配送路徑規劃采取了貪婪算法，無人車總是選取距離最近或時間最緊的目標客戶進行優先配送，所得結果易陷入局部最優。未來的研究將融合深度強化學習從全局優化的角度進行無人車配送的智能調度。本項目研究中的無人車行駛路網已基于現有地理信息篩選優化，但還需更精細的地理信息識別，以提升方案結論的落地性。
參考文獻：
[1]艾瑞咨詢.2019年中國生鮮電商行業研究報告[EB/OL].[202018].http://report.iresearch.cn/wx/report.aspx?id=3400.Iresearch.2019ChineseFreshEcommerceIndustryResearchReport[EB/OL].[202018]. http://report.iresearch.cn/wx/report.aspx?id=3400.
[2]艾媒咨詢.2019年中國生鮮電商行業商業模式與用戶畫像分析報告[EB/OL].[202018].http://report.iresearch.cn/wx/report.aspx?id=3400.Iresearch.2019ChineseFreshEcommerceIndustryBusinessModelandUserPortraitAnalysisReport[EB/OL].[202018]. http://report.iresearch.cn/wx/report.aspx?id=3400.
[3]張珉.新冠肺炎疫情下的無人配送[J].企業觀察家,2020,(3):4647.ZhangMin.AutonomousDeliveryintheContextofCOVID19[J].CorporateObserver,2020,(3):4647.
[4]史映紅.生鮮產品物流配送中存在的問題及對策[J]..現代商業,2020,(2):6061.
作者：陸淼嘉，黃承媛，滕靖
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/dzlw/27881.html
