《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Rolling-horizon replanning for two-echelon truck–drone routing with dynamically released pickups
编辑推荐：
•
考虑载荷影响的动态双层路由模型。
•
RH-RPO方法保留已承诺的操作，仅更新可调整的无人
- •
考虑载荷影响的动态双层路由模型。
- •
RH-RPO方法保留已承诺的操作，仅更新可调整的无人机路线。
- •
结合了路由池构建、固定池MIP和在线更新机制。
- •
为所有45个标准测试和9个100客户测试提供可执行的计划。
- •
与三种滚动时域基准相比，平均最终成本减少了36.22%–42.62%。
引言
当日送达和基于预约的取货要求城市运输商协调计划的出发包裹与执行过程中揭示的请求。在这里考虑的双层设置中，卡车将配送包裹从仓库运输到有人值守的卫星站点，无人机从这些卫星站点提供客户服务。无人机可以携带多个配送包裹，依次卸载它们，然后收集取货包裹，并返回回收卫星站点。因此，其载荷在每次服务后都会发生变化，所以推进功率和剩余航程取决于访问顺序而不仅仅是距离，如图1所示（Yu等人，2027年；Yu等人，2026年）。
这种载荷-能量耦合即使总距离满足固定范围的近似值，也可能使客户订单变得不可行，因为每次配送或取货都会改变后续航段的所需功率（Dorling等人，2016年；Liu等人，2021年；Xia等人，2023年；Zhang等人，2021年）。时间窗口增加了第二个交互因素。无人机可能在起飞前等待，以避免过早到达第一个客户，但起飞后，提前到达需要消耗能量的悬停才能开始服务。因此，必须综合考虑路线顺序、服务时间、载荷变化和电池状态更新（Meng，2025年；Meng等人，2024年；Tamke和Buscher，2023年）。
卫星操作也会影响可行性：需求依赖的装载时间以及单一装载服务器可能会延迟起飞并减少下游的时间窗口余量。在执行开始后，新发布的取货请求可能会改变剩余的无人机工作负载和装载队列。因此，规划者只需更新未来仍可操作调整的无人机分配和访问顺序，同时保留已完成或已承诺的操作以及采用的第0阶段卡车补充计划（Cui等人，2024年；Gu等人，2023年；Liu，2019年；Xing等人，2024年）。
上述特点共同构成了一个路由问题，其中空间决策、服务时间、能量消耗、卫星装载操作和信息揭示紧密耦合。挑战在于生成随着系统状态变化而仍然可执行的低成本路线。因此，在线模型必须尊重操作的不可逆性：已经执行或承诺的卡车移动和无人机操作不能被修改。在每个决策阶段，模型继承实际的车辆状态，包括当前位置、可用时间、装载在途的载荷和剩余电池能量（如适用），而不是从人为的初始条件重新开始。因此，重新优化仅限于未执行和可操作调整的路线部分。图2说明了这种考虑执行的逻辑如何依赖于请求释放时间：在无人机出发前揭示的取货请求会被纳入（初始阶段的）第0阶段路线中，而在路线执行过程中揭示的请求则只会触发后续阶段对剩余可调整路线部分的修订。
本文有三个贡献。首先，它提出了一个动态双层卡车-无人机问题，结合了计划好的配送、动态发布的取货、依赖于载荷的电池状态更新、客户时间窗口和卫星装载队列，并在明确的信息和执行边界下进行了研究。其次，它开发了RH-RPO作为一种基于路线的滚动时域方法，该方法结合了数学编程与考虑可行性的取货分配和有界路线顺序搜索，同时保留了操作上已承诺的操作。第三，计算研究评估了解决方案成本、在线响应、请求可见性、卫星处理以及未来信息的价值。
因此，任何报告的最优性证明仅适用于相应阶段明确定义的路线主模型和候选客户订单空间；它并不针对未揭示的需求建立全时域的最优性。在每个决策时刻，RH-RPO根据该时刻揭示的请求、固定的执行边界、继承的卡车-无人机状态、在路线优化之前固定的任务分配以及该阶段考虑的候选搜索空间，优化未执行和可操作调整的路线部分。因此，得到的在线策略对于未揭示的需求是短视的，其阶段的优化仅针对这个明确定义的问题，而不是针对完整需求实现后的回顾问题。
本文的其余部分组织如下。第2节回顾了最相关的文献，并阐明了这里解决的问题缺口。第3节描述了动态双层优化模型。第4节介绍了滚动时域路由池优化框架。第5节报告了计算实验及其相应的结果。第6节总结了本文。
章节片段
相关工作和研究空白
本部分从四个交叉领域区分了当前研究与现有文献：（i）卡车-无人机协同路由和双层配送系统，（ii）考虑能量的和依赖载荷的无人机路由，（iii）时间窗口、取货-配送和服务等待的扩展，以及（iv）动态和在线卡车-无人机重新规划。本次审查的目的不是重复第1节的问题陈述，而是更精确地将本文置于现有研究的框架内。
问题定义和模型细节
该系统包括一个仓库、有人值守的卫星站点、计划好的配送客户和动态发布的取货客户。在第0阶段之前，配送的身份、位置、数量和时间窗口都是已知的，以便卡车能够将包裹从仓库运输到卫星站点。动态配送不在这一操作范围之内，因为卡车出发后请求的包裹需要额外的仓库补充和新的第一层调度。取货记录对
滚动时域路由池优化框架
与静态模型不同，在线模型在路线执行开始并发现新的取货请求后进行更新。因此，每个事件阶段必须保留采用的第一层计划和已完成或操作上已承诺的无人机操作，继承当前的无人机状态，并仅重新考虑未来仍可调整的无人机工作。因为任何路线修改都必须保持由时间、载荷变化、悬停和等待、电池消耗等因素引起的可行性条件。
实验
计算研究围绕三个实证问题进行了重新设计。首先，RH-RPO能否在合理的计算时间内重复生成可执行的计划，其解决方案质量与其它滚动时域方法相比如何变化（随着实例规模的增加）？其次，由于未来取货尚未可见，会损失多少性能，这种损失如何随着动态发布请求的比例而变化？第三，哪些算法组件和操作
结论
本文研究了一个具有计划配送和动态发布的取货的动态双层卡车-无人机路由问题。该模型结合了明确的在线信息边界、固定的第0阶段之后的第一层、保留的无人机操作、卫星装载队列、时间窗口引起的等待以及依赖于载荷的能量状态更新。在每个事件阶段，RH-RPO继承当前的无人机状态，并仅修改未来仍可调整的操作。
资助
作者感谢国家自然科学基金（授权号：52672430）和湖南省自然科学基金（授权号：2026JJ80764）的支持。
CRediT作者贡献声明
Fan Yu：撰写 – 原始草稿、验证、软件、方法论、调查、数据整理。 Yanzhan Chen：数据整理、调查、方法论。 Qun Chen：撰写 – 审稿与编辑、验证、监督、资源管理、项目管理、方法论、资金获取、概念化。 Qian Tan：验证、监督。 Jin Qin：验证、监督。 Liang Zhou：验证、监督。 Danan Liu：验证、监督。
