基于CNN的舰船-无人机协作物流任务规划框架:适用于多岛港口环境
《Results in Engineering》:A CNN-Driven Mission Planning Framework for Vessel-Drone Collaborative Logistics in Multi-Island Port Environments
【字体:
大
中
小
】
时间:2026年05月06日
来源:Results in Engineering 7.9
编辑推荐:
sun星瀚 | 雷晓玉 | 张东升
西安交通大学机械工程学院,中国陕西省西安市710049
摘要
多岛地区破碎的地形和有限的基础设施为港口物流带来了显著的工程挑战,包括高运营成本、延长的运输周期和过度的港口拥塞。为了解决这些问题,本文提出了一种舰船-无人机协同物流
sun星瀚 | 雷晓玉 | 张东升
西安交通大学机械工程学院,中国陕西省西安市710049
摘要
多岛地区破碎的地形和有限的基础设施为港口物流带来了显著的工程挑战,包括高运营成本、延长的运输周期和过度的港口拥塞。为了解决这些问题,本文提出了一种舰船-无人机协同物流系统。鉴于现有的车辆路由模型无法考虑岛屿障碍物,我们开发了一个基于混合整数线性规划(MILP)和卷积神经网络(CNN)驱动的范围优化器的任务规划框架。该框架包括:(1)通过路径规划对岛屿地形和港口分布进行建模,并可选地规划舰船航线;(2)建立用于运输规划的MILP模型;(3)应用CNN驱动的后期处理框架,该框架利用约束放宽和途中策略来解决地形障碍物与无人机飞行范围限制之间的冲突。数值实验验证了该方法的有效性,并为现实世界场景提供了规划示例。与传统仅使用舰船的运输方式相比,所提出的方法在不同岛屿密度下将总系统成本降低了6.44%–7.98%,任务完成时间缩短了16.45%–17.87%,在不同港口停留时间下节省了17.65%–24.16%的时间。这些结果突显了将ML驱动的优化技术嵌入实际港口物流系统的工程价值,为多岛地区的智能化和可持续海洋运营提供了一条可扩展的路径。
1. 引言
多岛地区的物流运输长期以来一直面临重大挑战。岛屿分布分散和基础设施不发达导致了对海上运输的强烈依赖,从而导致高昂的成本和延长的交货时间[1]。根据2025年经合组织的数据,东南亚岛屿国家(如印度尼西亚和菲律宾)的物流成本占其GDP的20%以上,而美国等大陆发达国家的物流成本约为8%。这种对海上运输的单一依赖迫使舰船频繁停靠港口,给港口吞吐能力和调度系统带来了越来越大的压力[2]。此外,沿海水域更严格的排放规定给海上运输带来了额外的限制,导致燃料成本上升[3]。因此,开发高效、低成本的运输替代方案以优化现有的单一模式系统是多岛地区可持续发展的关键工程任务。
根据Ti Insight的报告,2024年B2C(企业对消费者)包裹占总物流包裹的61%,这一比例持续上升。在这种小包裹量不断增加的背景下,运输无人机已成为完成物流“最后一段距离”的新选择。凭借其操作灵活性、低运营成本和高速度,多旋翼无人机可以有效地替代舰船进行小批量货物运输,几乎不需要地面基础设施。这使得舰船能够专注于剩余的重型货物运输,减少不必要的港口停靠,缓解港口压力,并缩短航行时间[4]。此外,集成舰船和无人机的协同系统代表了海洋物流自动化的高级形式:物流舰船作为无人机的移动基地,利用各自的优势克服彼此的局限性。这种协同系统的关键在于有效的任务规划,它直接决定了整个系统的效率提升和操作可行性。
为了应对这些挑战,本文提出了一种适合多岛地区地形和基础设施特征的舰船-无人机协同运输策略,如图1所示。为了模拟物流场景,仿真框架包括多个独立的岛屿,每个岛屿都配备一个港口,而客户节点随机分布在各个岛屿上。为了满足特定客户的交货需求,搭载无人机的物流舰船从一个初始节点出发。舰船必须访问相应岛屿的港口进行卸货;随后,地面车辆完成最后的转运。无人机可以直接从舰船上起飞,将货物送达客户所在地,从而使舰船能够同时前往下一个港口,从而节省时间。总体目标是通过协调规划整个多岛地区的所有物流需求来最小化总运输成本,特别强调减少舰船的港口停靠次数并在实际地理约束条件下提高运营效率。
下载:下载高分辨率图片(270KB)
下载:下载全尺寸图片
图1. 舰船-无人机协同运输与传统舰船运输的比较
涉及无人机与其他车辆协调调度的问题通常被归类为飞行助手旅行商问题(FSTSP)或带有无人机的车辆路由问题(VRPD)[5,6]。然而,多岛地区破碎的地形(例如峡湾)意味着港口节点不能简单地抽象为无障碍的空间。作为经典旅行商问题(TSP)的扩展,这些问题的模型通常不考虑障碍物,因此不适合直接应用于复杂的近海多岛环境。因此,本文特别制定了岛屿区域中的舰船路由问题(VRPD-I)。该问题模型主要包括以下考虑因素:1)由于地形破碎而无法通过的障碍物约束;2)每次舰船停靠港口时的卸货时间和相关成本;3)使用舰船辅助电源为无人机充电的成本,反映了海上运营中的实际能源消耗。为了解决由此产生的计算挑战(将在第3.2节讨论),我们结合了约束放宽和途中概念,并设计了一个卷积神经网络(CNN)驱动的范围优化器框架。与传统启发式或基于规则的方法不同,该框架使用卷积神经网络直接从岛屿地形数据中学习空间感知的起飞和回收策略,从而实现不受飞行范围限制的无人机操作,同时不降低规划效率。最后,本文在不同岛屿密度和停靠场景下与传统的舰船-地面车辆运输方法进行了运输成本和完成时间的比较,并基于舟山群岛和希腊群岛的实际场景提供了样本规划示例。
总之,鉴于多岛地区固有的物流挑战以及现有协同规划算法的局限性,本研究提出了一个基于舰船-无人机协作的智能运输框架。它提出了相应的算法框架,包括环境建模、路径规划、混合整数线性规划(MILP)模型构建以及CNN驱动的范围优化器。本研究旨在开发一个考虑多岛地区地理特征的海船-无人机协同任务规划框架,重点关注小批量货物物流。预期的成果包括提高物流效率、降低舰船运营成本、提高港口运营灵活性,并为实现海洋运输系统的智能化和可持续转型提供可行的路径。
本文的其余部分组织如下:第2节回顾相关文献;第3节详细介绍提出的舰船-无人机协同任务规划框架;第4节描述数值实验设置,展示基本实验结果,分析优化算法的效率,并提供比较实验结果和实际规划示例;第5节讨论研究结果,第6节结论总结研究发现,与现有研究的比较分析以及对未来研究方向的展望。
2. 相关工作
2.1. 海上/多岛运输中的挑战和技术发展
当前,海上运输行业面临数字化缓慢、协作水平低和监管压力不断增加等共同挑战。在多岛地区,破碎的地形带来了特定的困难,包括由于频繁停靠港口而导致的基础设施不足和效率低下[7]。为了解决这些问题,研究人员进行了大量研究,将机器学习和深度学习应用于舰船轨迹预测、燃料效率优化和港口资源调度等领域[8]。例如,Timas等人[9]通过整合天气信息和能源优化,开发了一种舰船路由问题的优化模型,成功减少了燃料消耗和行驶时间。Santos等人[10]提出了一种方法来划定集装箱码头的潜在腹地,考虑了基础设施网络、运输成本和处理时间等因素,旨在最小化总体成本。Irannezhad等人[11]开发了一种规划模型,考虑了空集装箱和车辆类型,以实现航运公司之间的协同运输,证明了有效的协作可以显著降低运输成本和排放。Silva等人[12]引入了一种船队规模和混合车辆路由模型,以优化河海运输服务,考虑到需求波动的不确定性。
关于专门针对多岛地区的研究:Amin等人[13]使用动态系统方法展示了经济增长驱动的技术进步和基础设施改进如何有助于降低岛屿国家的运输成本。Monios[14]分析了统计数据,强调了小型集装箱港口基础设施发展与贸易吞吐量扩张之间的不平衡。Kostidi等人[15]认为清洁能源是多岛地区海上运输的潜在替代燃料。
总体而言,尽管有很多研究致力于推进海上运输技术的发展,但专门针对多岛环境的研究主要集中在情况分析上,缺乏专门的技术研究。作为海洋工程创新的代表,无人机技术具有填补这一研究空白的潜力。
2.2. 无人机技术在海洋工程中的发展
凭借高速和灵活的起降优势,无人机吸引了各种海洋工程研究人员的广泛关注,包括舰船识别、污染监测和通信基础设施。Cheng等人[16]设计了一种基于强化学习的有效网络模型,用于在基于无人机的舰船监测操作中解决计算资源有限的问题,提高了检测准确性和速度。类似地,Li等人[17]提出了一种用于大规模海面监测的快速监控算法,结合了改进的特征提取和线性变换,以减少计算资源消耗。Anand等人[18]开发了一种实时监测系统,使用基于无人机的羽流嗅探微传感器系统来监测船舶排放中的硫含量,考虑了交叉敏感性和多光谱传感器的气象效应。Vangala等人[19]提出了一种无人机辅助的海洋通信认证框架,以解决船舶导航过程中的通信干扰问题,验证了其安全性和可靠性。Wang等人[20]设计了一种智能多目标无人机路径规划算法,用于监测无人海上石油平台,旨在降低人员操作风险。
此外,近年来利用无人机和舰船互补优势的协同系统产生了许多研究成果。Shen等人[21]使用船载无人机进行污染监测,利用人工蜂群算法进行舰船和无人机之间的协同任务规划。Fontenla-Carrera等人[22]提出了一种结合支持船舶和无人机群的海上风电场检测系统,考虑了天气条件和障碍物等各种因素。Tian等人[23]设计了一种异构海空无人系统,用于快速海上检测,研究了无人水面船舶上的无人机起降算法,同时考虑了波浪波动等不确定性。
总的来说,在各种海洋工程领域,无人机应用取得了显著成就,有许多关于海空协同系统的研究。然而,专门针对多岛地区协同运输规划的研究仍然有限,需要进一步分析以适应这些环境。
2.3. VRPD问题的研究及其在海洋应用中的前景
最初,VRPD协同规划算法的研究考虑了单一车辆与单个无人机的操作。基于Murray等人[5]最初提出的FSTSP,研究人员开发了许多扩展。例如,Ha等人[24]将目标函数从最小化完成时间改为最小化总运营成本,考虑了车辆和无人机之间的运输成本和等待时间。Gonzalez-R等人[25]提出了一种方法,允许无人机连续为多个客户服务,前提是电池有足够的剩余电量。后续研究将这些问题扩展到多个无人机与多个车辆的协作。Murray和Raj[26]提出了mFSTSP(多飞行助手旅行商问题),使单个车辆能够与多个异构无人机协作,并考虑了同时返回的着陆顺序。Ham等人[27]提出了一个扩展问题,包括多个仓库、多个无人机和多个车辆,考虑了无人机闲置行驶和时间窗口等约束。Kitjacharoenchai等人[28]提出了mTSPD(多旅行商问题与无人机),其中无人机可以从不同的地面车辆起飞和降落,而不是局限于特定的车辆,这与VRPD不同。此外,机器学习方法最近开始作为优化卡车-无人机协作的转型方法,以及实时路线调整或智能资源分配[29]。Bi等人[30]在真实道路网络环境中引入了深度强化学习,通过施加行为约束,减少了不必要的动作,并优化了车辆的行驶轨迹和服务时间。Bogyrbayeva等人[31]提出了一种结合注意力编码器和长短期记忆(LSTM)的混合模型,证明了其在多车辆环境中的优越性。这些研究表明,通用的VRPD模型已经达到了相当高的成熟度,在海洋工程中的船舶-无人机协同运输领域展现出巨大的潜力。虽然上述研究扩展了VRPD的通用性,但实际应用需要考虑现实世界中的环境影响,这些影响通常被分为城市环境或野外环境。对于城市环境,Xu等人[32]研究了在城市道路网络中使用无人机和车辆进行协同监控和巡逻的任务,将城市道路网络和路径弧纳入问题中。Liu等人[33]提出了一种结合模拟退火和禁忌搜索算法的优化方法来解决车辆-无人机路径问题,并使用中国长沙市的实际道路网络进行了详细分析。Mahmoodi等人[34]使用非支配排序遗传算法-II(NSGA-II)评估了城市环境中混合车队的二氧化碳排放量,并进一步引入了风险意识优化模型,以提供一个更全面的多目标决策框架。对于类似海空协同的野外环境,也 already 存在一些研究。例如,Li等人[36]提出了一个用于海上补给场景中的供应船舶和无人机的协同配送模型。他们设计了一种自适应同步无人机会合策略来确定会合节点。Hu等人[37]研究了无人机-船舶协同分配海上应急资源的方法。与仅涉及船舶的传统方法相比,他们的方法在时间和成本上都具有优势。然而,这些研究没有解决船舶在受阻岛屿环境中的受限移动问题。
总之,通用的VRPD模型已经相对完善,并且在各种应用场景中取得了研究进展。表1对前述典型研究进行了比较。然而,这些通用模型通常没有将环境障碍作为约束条件纳入考虑。它们通常使用欧几里得距离或曼哈顿距离来表示节点之间的距离,这使得它们不适用于复杂且障碍物众多的岛屿环境。此外,还有特定于多岛海上场景的问题需要考虑,比如港口停靠成本和时间。因此,为了解决这些研究空白,本文提出了VRPD-I,并建立了相应的数学模型和解决框架。
表1. 典型研究 VRPD 对比
| 参考文献 | 载体 | 无人机 | 目标 | 特殊环境 | 机器学习辅助 | 途中操作 |
|---------|-------|------|------|------------|---------|
| Murray et al. 2015 [5] | 1 | 1 | 时间 | --- | --- |
| Ha et al. 2018 [24] | 1 | 1 | 成本 | --- | --- |
| Murray et al. 2020 [26] | 1 | 多 | 时间 | --- | --- |
| Ham et al. 2019 [27] | 多 | 多 | 时间 | --- | --- |
| Marinelli et al. 2017 [38] | 1 | 1 | 成本 | --- | √ |
| Schermer et al. 2019 [39] | 多 | 多 | 时间 | --- | √ |
| Xu et al. 2023 [32] | 1 | 多 | 城市网络 | √ |
| Bi et al. 2023 [30] | 1 | 多 | 成本 | 城市网络 | √ |
| Bogyrbayeva et al. 2023 [31] | 1 | 多 | 时间 | --- | √ |
| Mahmoodi et al. 2026 [35] | 多 | 多 | 多 | 城市 & 风险意识 | --- |
| Li et al. 2025 [36] | 1 | 多 | 沿海地区 & 港口 | --- | --- |
| Hu et al. 2025 [37] | 多 | 多 | 沿海地区 | --- | --- |
| 我们的研究 | 1 | 多 | 沿海地区 & 岛岛 | √ | √ |
3. 材料与方法
本节详细描述了多岛地区船舶-无人机协同运输规划的完整技术流程,如图2所示。首先,根据多岛地区的破碎地形特征构建了一个场景模型。然后符号化定义了协同规划问题,并计算了燃料消耗和运输成本(第3.1节)。接着,制定了VRPD-I的MILP模型(混合整数线性规划模型)。讨论了多岛环境中的关键问题,如船舶路径规划和无人机航程可靠性(第3.2节)。最后,通过约束放宽和途中方法,设计了一个基于CNN的混合神经网络模型来确保无人机航程可靠性(第3.3节)。
下载:下载高分辨率图片(524KB)
下载:下载全尺寸图片
图2. 提出的多岛地区船舶-无人机协同任务规划框架的流程图。
3.1. 研究场景和问题描述
3.1.1. 研究场景描述
本研究以舟山群岛、希腊群岛和印度尼西亚群岛等几个代表性的多岛地形为例来定义研究场景。该场景包括多个独立的岛屿,每个岛屿沿海岸线设有一个可供船舶停靠的港口。此外,这些岛屿上还有几个有物流需求的客户。重型货物需要由船舶运送到港口,然后通过地面车辆转运。而轻型货物则可以直接由无人机送到客户所在地。总体目标是为整个岛屿地区提供集成的船舶-无人机协同运输解决方案,以降低总体运输成本并提高效率。
如图3所示,基于实际障碍地形和多岛地区的物流需求分布,建立了一个二维网格场景。在这个表示中,浅蓝色区域代表海洋,浅黄色区域代表船舶无法通行的岛屿地形。橙色三角形代表港口节点。蓝色和红色节点分别表示需要船舶或无人机送货的货物类型(详见第3.1.2节)。绿色节点是船舶的起始节点,船舶必须从这个节点出发并在完成所有运输任务后返回。
下载:下载高分辨率图片(201KB)
下载:下载全尺寸图片
图3. 多岛地区物流运输的二维网格建模示意图。
总之,这种建模方法抽象了舟山群岛和希腊群岛等群岛地区的常见地理特征,其中船舶导航受到离散岛屿障碍的约束,港口访问仅限于海岸线位置。网格分辨率和障碍物表示的选择旨在平衡工程精确性和计算可行性。附录A提供了环境建模过程的伪代码。
3.1.2. 符号定义和问题描述
在定义了研究场景之后,本节介绍了MILP模型的具体符号定义,如表2所示。对于本文研究的多岛地区船舶-无人机协同运输问题,建立的二维网格作为操作区域。基于一个随机生成的正方形多岛区域,边长为L,每个岛屿上的有物流需求的客户位置被抽象为目标节点,形成集合C。这些客户在每个岛屿的边界内随机分布。一艘携带多个运输无人机的物流船舶从起始节点出发,必须完成所有任务,最后返回起始节点。初始化时,根据无人机的最大载重能力w对货物进行分类:超过此限制的货物被归类为重型货物,其余的被认为是轻型货物。因此,有两种运输方式:对于重型货物,船舶将货物送到相应岛屿的港口,然后由地面车辆转运;对于轻型货物,无人机从船舶起飞并直接送到客户所在地。分类完成后,船舶必须访问的港口节点表示为Cv,无人机服务的客户节点表示为Cd。所有货物中轻型货物的比例为μ,即 |Cd|=μ×|C|,Cd?C。
表2. MILP模型的主要符号定义
| 符号 | 定义 |
|---------------|--------------------------------------------------|
| C | 岛上所有客户的集合 |
| Cs | 从集合C中筛选出的所有目标节点 |
| N | 所有节点的集合,N={0,1,2,…,c+1} |
| N0 | 可作为起始位置的节点集合 |
| N+ | 可作为终点位置的节点集合 |
| Cv | 可以被船舶到达的目标节点集合 |
| Cd | 可以被无人机到达的目标节点集合 |
| O | 岛区集合,O={o1,o2,o3,…,on} |
| A | 无人机集合,|A|=nd |
| xij | 表示船舶从节点i到节点j的路线 |
| yaijk | 表示无人机a从节点i到节点j的路线 |
| tj | 船舶到达节点j的时间 |
| taj′ | 无人机a到达节点j的时间 |
| ui | 用于消除子游路的辅助决策变量 |
| pij | 表示船舶的访问顺序 |
| c | 目标节点的数量 |
| nd | 无人机的数量 |
| d | 无人机的飞行范围限制 |
| τij | 船舶从i到j的移动时间 |
| τij′ | 无人机从i到j的移动时间 |
| τp | 船舶在港口的单次停靠时间 |
| v | 船舶的速度 |
| v′ | 无人机的速度 |
| e | 船舶和无人机到达目的地的系统成本 |
| eij | 船舶从节点i到节点j的运营成本,单位距离成本为e |
| eij′ | 无人机从节点i到节点j的运营成本,单位距离成本为e′ |
| ep | 船舶在港口的单次停靠成本 |
| PA | 形式为〈i,j,k〉的元组集合,定义无人机可能飞行的三个节点 |
| Ma | 用于构建约束的足够大的数 |
提示:该表格主要描述了与MILP数学模型相关的符号。其余算法中涉及的参数将在相应部分中给出。
为了使无人机-船舶协同运输模型能够在复杂的多岛环境中应用,本文提出了VRPD-I。与通用模型相比,VRPD-I最显著的区别在于它考虑了物流船舶无法穿越的岛屿障碍。在这里,所有岛屿区域节点被定义为障碍集O={o1,o2,…,on},其中每个元素代表从海图或卫星图像中提取的相应岛屿的区域,n是岛屿的数量。在通用模型中,节点C之间的距离用欧几里得距离或曼哈顿距离表示。然而,当场景包含不可忽视的障碍物(船舶无法通行的陆地地形)时,这两种距离表示不再适用。因此,在提出的模型中,需要重型货物运输的客户的位置节点被替换为它们所在岛屿的港口。此外,船舶不能直接访问分配给无人机的轻型货物节点。因此,我们将筛选并重新组织的节点集定义为Cs=Cv+Cd={1,2,…,c},作为后续建模的节点集。值得注意的是,Cv∩Cd=?,这意味着如果一个岛屿只有轻型货物需求,船舶不需要在该岛屿的港口停靠,从而节省了相应的成本和运输时间。船舶服务的节点之间的区别反映了基于货物重量和交付紧急性的实际工程分类。此外,MILP模型不包括从港口到客户的地面车辆转运阶段;这一阶段被描述为港口与剩余客户节点之间的简单VRP,并将在结果部分单独计算。这种模块化方法反映了典型的工程实践,即港口到门点的交付由不同的运营商或车队处理。
3.1.3. 多岛地区运输成本的组成
由于海上运输在多岛地区是一个重要的成本组成部分,海洋燃料消耗是一个关键问题。为了简化成本估算,本文假设船舶在正常运营期间的单位距离燃料消耗为常数e。具体值由主引擎和辅助引擎的功率决定,表示为 e=(PME×SFCME+PAE×SFCAE)×v,其中v代表船舶的速度,PME和PAE分别表示主引擎和辅助引擎的运行功率,SFCME和SFCAE是它们相应的特定燃料消耗率。此外,主引擎和辅助引擎的运行功率由主引擎的最大连续额定功率(MCRME)确定:PME=ζ1×MCRME,PAE=ζ2×MCRME,其中ζ1和ζ2是经验性的船舶设计系数(上述成本参数源自真实世界工程数据,详见附录B中的4.1.1基本实验参数设置)。
另一方面,虽然无人机本身由电力驱动,但它们运行所需的能量最终来自船舶上的充电。因此,本文假设运输无人机使用船舶的辅助引擎充电,该引擎作为发电机的燃料消耗用于计算无人机的运输成本。无人机的单位距离燃料消耗定义为 a′=Q×SFCAEζc×d,其中Q是无人机电池容量,φc是充电损失系数,d是无人机的最大航程。
此外,多岛地区运行的船舶经常需要在港口停靠。这一过程不仅需要时间进行装卸,还会产生额外费用。单次港口停靠的成本计算公式为:ep=φp×NT,其中NT是船舶的净吨位。考虑到计算的复杂性,其他成本(如劳动力)未包括在内。通过考虑船舶和无人机的燃料成本以及船舶停靠成本,最终的总运输成本E表示为公式(1):
(1) E=∑xijeij+∑a∈A∑〈i,j,k〉∈Pyaijk(eij′+ejk′)+∑j∈Cvxijep
3.2. MILP模型构建和多岛环境中的具体问题
3.2.1. VRPD-I的MILP模型
基于之前建立的所有符号定义和问题描述,本节为多岛环境量身定制了一个MILP模型。该模型涵盖了船舶-港口和无人机-客户段的运输规划。剩余的港口至客户的地面运输通过VRP(车辆路径优化)来解决,并在结果部分单独计算。本文中的MILP(混合整数线性规划)模型公式参考了Murray和Raj [26]工作中的符号定义。为了简化不必要的计算,还做出了以下假设:1) 考虑到整体运输时间相对较长,且船舶操作员不需要停靠就可以操作无人机,因此无人机起飞和回收所需的时间可以忽略不计;2) 假设每种车辆的燃油消耗成本仅取决于行驶距离,并视为常数。根据上述符号定义,VRPD-I的MILP模型如下构建,目标是最小化总运输成本,如方程(1)和(2)所示。该模型受一系列约束的限制,这些约束涉及船舶路线、无人机操作及其协调。
(由于提供的文本较为复杂,翻译过程中一些专业术语和数学符号可能无法完全准确对应,以上是尝试性翻译。如需更专业的学术翻译,请提供更多背景信息。)
附件A提供了该优化过程的伪代码和详细描述。这里,(xui, yui) 是第 i 架无人机的初始坐标,(xti, yti) 是其对应目标节点的坐标。(38) Xp = [xu1, yu1, xti, yti, …, xund, yund, xtd, ytd] 这个向量随后通过两个全连接层进行非线性转换,如方程式 (39) 和 (40) 所描述的那样。最终输出是一个 256 维的位置特征向量 Fp,它包含了无人机与目标节点之间的距离和方向,以及多架无人机之间的协调关系。(39) Z1 = σ1(W1·Xp + b1) (40) Fp = σ2(W2·Z1 + b2) = σ2(W2·σ1(W1·Xp + b1) + b2) 3) 范围预测器该模块作为决策核心。环境和位置特征的结合使网络能够共同考虑地形限制和操作几何形状。最终输出映射到物理坐标,确保生成的发射和回收节点位于可行的海上区域内,并满足范围限制 (33) 和安全距离限制 (34) (35),如图 7 所示。下载:下载高分辨率图像 (86KB) 下载:下载全尺寸图像 图 7. 范围预测器模块的结构。它首先将环境特征 Fo 和位置特征 Fp 连接起来形成融合特征向量 Fcomb = [Fo; Fp] = R384。随后,Fcomb 通过三个全连接决策层进行逐步抽象和映射:(41) Z3 = σ3(W3·Fcomb + b3) (42) Z4 = σ4(W4·Z3 + b4) (43) Z5 = σ5(W5·Z4 + b5) 前三层使用 ReLU 激活函数。最后一层使用 Sigmoid 激活函数 σ5(x) = 1/(1 + e?x),将输出规范化到 (0, 1) 区间。最后,根据地图边长 L,将输出映射回实际的物理坐标以获得最终决策。这种端到端设计使网络能够在高维特征空间内隐式学习并满足范围限制和障碍物避免限制,从而直接生成全局最优的连续坐标节点。(44) [xl, yl, xr, yr] = σ5(W5·σ4(W4·σ3(W3·Fcomb + b3) + b4) + b5)·S4。结果本节提供了数值实验,验证了所提出的船舶-无人机协同运输方法在多岛环境中的有效性。评估包括对范围优化器框架效率的评估、与传统运输方式的比较,以及从现实世界多岛场景中得出的规划示例。所有数值实验都是使用台式计算机进行的。系统配备了 Intel(R) Core (TM) i5-12490F CPU、16GB 的 RAM 和 NVIDIA GeForce RTX 4060 显卡。MILP 模型使用 Gurobi 优化器(版本 12.0.1)进行求解。代码实现使用 Python(版本 3.11.9)完成。4.1. 实验参数设置和训练集生成4.1.1. 基本实验参数设置为了模拟多岛场景中的协同运输任务,按照以下方式生成了基本的随机测试实例。目标多岛区域被设定为一个 60 km × 60 km 的正方形区域,船舶起始节点位于 (1, 1)。在基本实例中,客户节点的数量被设定为 15 个,轻型货物需求的比例设定为 40%。生成的岛屿数量占总节点数量的 60%。在非整数情况下,数值会向上取整。客户和港口节点的坐标以及岛屿覆盖区域是使用 Python 的随机数函数生成的。不同的测试实例使用不同的随机种子来适应不同的地理条件。船舶的行驶速度设定为 20 km/h。无人机的飞行速度设定为 60 km/h,最大飞行距离为 30 km。每艘船舶配备了 2 架无人机(nd = 2)。船舶的相对运营成本为每单位距离 27.03,无人机的成本为每单位距离 0.58。假设船舶在港口停靠需要 1 小时,单位成本为 20。地面运输车辆的单位距离成本设定为 2.5,距离使用曼哈顿距离测量。详细参数计算在附录 B 中提供。最后,Gurobi 优化器的运行时间限制设定为 30 分钟,MipGap 参数设定为 0.4.1.2. 范围优化器框架的训练集生成为了确保范围优化器框架的泛化能力,构建了一个大规模数据集。为了生成场景,创建了具有从 5% 到 30% 不同随机生成岛屿障碍密度的二进制地图。运输船舶及其 nd 架无人机的位置,以及它们对应的超出范围问题的目标节点被初始化。对于方程式 (32),λ1、λ2 和 λ3 没有偏好设置,都设定为 1/3。对于约束 (34) (35),在没有特殊地形的情况下,安全距离 Ds = 1。对于标签生成,范围优化器为每个场景生成了最优的航线节点标签。这涉及在满足障碍物避免和无人机范围限制的可行区域内使用路径规划算法计算新的船舶路线。然后确定出使新的综合成本 E′ 最小化的发射和回收节点坐标。最后,通过随机旋转和缩放地图以及对坐标添加高斯噪声来进行数据增强。这扩展了数据集并增强了模型的鲁棒性,最终得到包含 104 个样本的数据集。模型使用监督学习进行训练,采用加权混合损失函数,如方程式 (45) 所示。(45) L = α·Lcoord + β·Lrange + γ·Lobs这里,Lcoord 是坐标的均方误差(MSE),Lrange 是范围约束的铰链损失,Lobs 是障碍物避免的铰链损失。经过几次测试尝试后,损失权重被选为 α = 1.0,β = 0.5,γ = 0.3。训练使用 Adam 优化器,初始学习率为 10?3,并使用余弦退火策略动态调整。批量大小为 32,训练周期数设为 1000。引入了提前停止机制(耐心度 20)和 Dropout(概率 0.2)以防止过拟合。4.1.3. CNN 驱动的范围优化器的参数敏感性分析为了评估架构配置对模型性能的影响,对四个关键参数进行了敏感性分析:障碍物地图分辨率、卷积层深度、池化输出规模和 Dropout 系数。采用控制变量方法,每次改变一个参数,同时保持其他设置与基线模型一致(0.5 km/像素分辨率、四个卷积层、4 × 4 自适应池化、Dropout 0.3)。评估指标包括预测坐标的平均绝对误差(MAE)、可行性率(约束满足率)、系统成本差距(相对于基线的成本增加)和每个样本的平均推理时间。如表 3 和图 8 所示,障碍物地图分辨率对模型性能有直接影响。将分辨率从 1.0 km/像素提高到 0.5 km/像素,MAE 从 2.84 降低到 2.15,可行性率从 87.6% 提高到 94.8%,成本差距从 7.1% 降低到 4.3%。进一步细化到 0.25 km/像素只获得了边际收益,而推理时间几乎翻倍(8.7 ms 对比 4.9 ms)。因此,0.5 km/像素在准确性和计算效率之间取得了最佳平衡。卷积层深度和池化输出规模表现出类似的趋势。将深度从两层增加到四层,所有指标都逐渐改善,MAE 从 2.96 降低到 2.15,可行性率从 89.2% 提高到 94.8%。浅池化输出(1 × 1)导致过度空间压缩,特别是在密集的岛屿群中尤为不利,而 4 × 4 池化更好地保持了可导航区域结构,且没有明显的推理开销。对于 Dropout 系数,随着比率从 0.0 增加到 0.3,性能稳步提高(MAE 从 2.31 降低到 2.15,可行性率从 92.7% 提高到 94.8%)。然而,进一步增加到 0.5 会导致准确性和可行性的下降,表明过度的正则化会损害特征表示。基于这些结果,最终模型采用了 0.3 的 Dropout 率。表 3. 范围优化器的参数敏感性分析结果。参数设置MAE 可行性率(%)成本差距(%)推理时间(ms)障碍物地图分辨率1.0 km/像素2.84 87.6 7.13.2 0.5 km/像素2.15 94.8 4.3 0.25 km/像素2.02 95.5 4.08.7卷积层深度2 层2.96 89.2 6.83 层2.41 92.65.24.34 层2.15 94.8 4.34.9池化输出规模1 × 12.88 88.3 6.94.12 × 22.37 92.25.14.54 × 42.15 94.8 4.34.9Dropout0.0 2.31 92.75.0 4.80.22.21 93.94.64.90.32.15 94.84.34.90.52.46 91.35.95.1下载:下载高分辨率图像 (533KB) 下载:下载全尺寸图像 图 8. 范围优化器参数敏感性分析比较。4.2. 基本实验验证和结果可视化在按照上述配置实验参数并完成训练后,提出的解决方案框架为每个模拟场景生成了一个可执行的协同运输行动计划。这些场景具有不同的岛屿和港口分布。结果证实该方法在多样化的多岛环境中具有通用性。表 4 中展示了 30 个代表性实例的规划结果数据。图 9 展示了一个代表性数据实例的任务规划结果。该算法框架为模拟区域生成了一整套可执行的协同运输操作指令。该区域包含 15 个目标客户(包括初始节点在内的 16 个节点)和 10 个岛屿。指令包括船舶的导航路径和无人机的出勤任务。图 9-(a) 显示了场景生成、路径规划和 MILP 模型解决(包括约束放宽)后的结果。在此图中,橙色三角形代表港口节点,蓝色方块代表轻型货物需求的客户节点。红色曲线表示船舶的导航路线,包括需要访问的港口。蓝色虚线表示无人机的飞行任务。高亮的浅红色区域表示某些无人机任务超出了范围限制。图 9-(b) 显示了应用范围优化器框架后的计划。在高亮的浅绿色区域中,提供了新的发射和回收节点,确保了无人机运输的范围可靠性。还展示了地面交通工具的运输计划,橙色曲线代表路线,橙色方块代表重型货物需求的客户节点。此外,关于 VRPD-I 的可扩展性研究,附录 C 展示了在更大规模环境中的规划结果,并提供了 MILP 模型与后处理阶段之间的计算相关性分析。表 4. 详细的数值实验结果。实例Obj.(单位成本)陆地运输(单位成本)到达时间(小时)计算时间(秒)特殊情况空白单元格空白单元格空白单元格空白单元格MILP 范围空白单元格空白单元格空白单元格空白单元格空白单元格优化器空白单元格15116.95 220 12.99 3.135.71 2570 9.89 215 16.04 2.41 8.0335 923.69 245 25.06 10.320 无超范围4485 5.31 305 14.45 6.09 2.2155 467.26 260 15.57 5.45 2.3365 130.08 270 13.02 2.30 5.2074 77 4.53 250 13.31 2.60 1.06 85 124.71 220 14.98 3.914.48 945 77.89 200 12.96 1.79 4.28106 161.62 265 18.818.130 无超范围115 143.58 200 14.01 1.79 3.87 12570 9.35 145 13.10 1.08 6.44135 921.46 205 15.42 1.34 6.60 1460 14.12 265 15.56 3.67 6.87 156 129.41 260 17.77 6.42 3.55 1646 99.16240 15.07 1.02 无超范围175 787.76 250 15.15 1.68 5.02 1845 40.62 190 11.88 2.67 3.59 196 183.75 185 15.88 2.02 2.42 2045 22.86 205 11.92 2.31 1.95 21547 2.42 230 14.55 2.50 7.39 2253 81.17 210 14.43 2.09 5.43 235 101.07 210 14.98 2.51 4.34 2458 62.59 250 14.32 2.57 1.93 2569 23.51 205 18.20 2.97 3.65 2649 73.61 200 12.71 1.86 4.07 2749 89.48 235 14.70 4.19 0.03 285 172.89 270 16.02 5.320 无超范围2946 62.13 220 12.18 3.35 5.92304 191.25 230 12.32 2.76 3.27下载:下载高分辨率图像 (463KB) 下载:下载全尺寸图像 图 9. 多岛环境中船舶-无人机协同任务规划的示例。在表 4 中,每个实例对应一个不同的随机种子。Obj. 表示计划的目标函数值,即完成运输后的最小化总系统成本。Land Trans. 表示货物送达港口后剩余陆地运输的成本。Arrive Time 表示运输船舶在完成所有运输任务后返回初始节点的时间。在计算时间列中,分别报告了 MILP 模型和范围优化器的运行时间。范围优化器的时间包括使用 A* 算法的路径重新规划。最后,特殊情况列记录了计算过程中遇到的任何异常情况。无超范围表示该实例中的所有节点已经满足无人机的范围限制,因此不需要进一步优化。4.3. CNN 驱动的范围优化器对系统效率的贡献为了进一步评估第 3.3 节中提出的范围优化器框架在优化无人机范围方面的有效性,本节比较了算法处理前后运输无人机的平均运行范围。在三种不同的场景密度(10、15 和 20 个客户节点)上对 50 个随机测试实例进行了实验。统计比较了约束放宽下的无人机平均飞行范围和范围优化器优化后的平均范围。比较实验结果显示在图 10 中。对于 10 个客户节点的场景,分析了超出范围限制的初始规划结果。约束放宽下的平均无人机范围为 44.42 km。应用范围优化器补充范围限制后,平均范围降低到 24.07 km。这相当于平均节省了 45.80%。同样,对于 15 个客户节点的场景,优化前后的值分别为 40.25 km 和 23.75 km,平均节省了 41.01%。对于 20 个客户节点的场景,值分别为 41.30 km 和 24.21 km,平均节省了 41.39%。优化后,所有无人机任务都满足了 30 km 的最大范围限制。这确保了无人机在岛屿运输任务中的可靠性。总之,通过解决通用 VRPD 模型在岛屿障碍环境中的不适用性问题,所提出的 VRPD-I 模型结合范围优化器框架解决了模型求解不同岛屿密度下,范围优化器对无人机飞行距离优化效果的比较。为了进一步研究基于CNN的范围优化器的规划效率,本节将其在后期处理阶段的效率与其他算法进行了比较,包括经典的元启发式算法PSO、基于规则的扇区采样算法以及基于图的分类启发式算法(G-Heuristic)。模型参数设置为第4.1.1节中的基本实验参数,并在相同的随机种子条件下进行了3×30组的实验。图11和表5显示了平均规划成本、完成任务的时间和模型解决时间,结果表明,范围优化器架构能够在最短的计算时间内实现具有最佳总成本和完成任务时间的规划结果,总成本提高了2.0%至7.0%以上,完成任务的时间提高了12.5%至19.3%以上。例如,“+16.40%”表示PSO的结果比范围优化器多花费了16.40%的时间。特别值得注意的是,PSO算法需要多次调用路径规划算法,从而导致计算时间的显著增加。尽管基于规则的扇区采样算法的架构最简单,但其解决方案的质量是最差的。基于图的分类启发式算法是专门为具有障碍物的VRPD环境设计的,其伪代码在附录A中提供。然而,在完成任务的时间方面,这种启发式算法仍然明显落后于基于CNN的范围优化器。这证明了基于CNN的范围优化器在计算时间和解决方案质量方面的综合效率优势。
下载:下载高分辨率图片(300KB)
下载:下载全尺寸图片
图11. 范围优化器与其他算法的规划结果比较。
表5. 范围优化器与其他算法的相对效率比较。
空单元格
节点数量
PSO
扇区扫描
G-Heuristic
CNN
解决时间(秒)
10
44
6.86
17.80
3.01
11.69
15
64
3.49
24.57
4.47
4.22
20
74
5.45
28.00
4.98
3.07
相对总成本(%)
10
+2.90
+5.67
+2.31
-15
+6.01
+7.02
+3.46
-20
+2.27
+5.79
+2.04
相对完成任务时间(%)
10
+16.40
+19.27
+16.98
-15
+17.10
+18.72
+16.88
-20
+12.47
+15.24
+13.66
-4
4. 与传统运输方式的综合效益比较
为了定量评估所提出的船舶-无人机协作运输方法对多岛屿物流效率的提升,与传统方法进行了比较。传统方法仅依赖于船舶运输,然后通过地面车辆将货物送达客户。考虑了两个评估指标:总运输成本和任务完成时间。这些指标在不同岛屿密度和客户密度以及不同港口停靠时间下进行了测试。在多岛屿场景中,对50个随机测试实例进行了比较实验,涉及三种客户密度(10、15和20个节点)。此外,对于不同的港口停靠时间(1、2和3小时),也为每种情况生成了50个随机测试实例。传统模式与所提出的协作模式之间的主要区别在于船舶的停靠要求。在传统模式下,无论货物轻重,船舶都必须停靠每个有客户需求的岛屿。在这种情况下,船舶路线规划被构建为一个标准的VRP问题,其中包括起始节点和需要访问的港口节点。在其他条件相同的情况下,传统运输模式的规划结果如图12所示(使用与图9相同的随机种子)。在该图中,红色曲线表示船舶的导航路线,橙色曲线表示地面运输路线,橙色方块表示客户节点。
下载:下载高分辨率图片(379KB)
下载:下载全尺寸图片
图12. 多岛屿环境中传统运输模式的规划结果示例。
图13显示了不同岛屿密度下的比较结果。这里,η1表示VRPD-I的总成本与传统模型的比例,而η2表示VRPD-I完成任务时间(任务完成时间)与传统模型的比例。因此,低于1的值表示优于传统模式。从图13-(a)的总成本比较来看,对于10、15和20个节点的客户密度,η1的平均值分别为93.56%、92.74%和92.01%,这意味着总系统成本分别平均减少了6.44%、7.26%和7.98%。图13-(b)的完成时间比较显示,η2的平均值分别为83.55%、82.35%和82.13%,相应地,VRPD-I的任务完成时间平均减少了16.45%、17.65%和17.87%。这些结果表明,所提出的协作模式在成本和时间节省方面都优于传统模式。此外,这种优势随着岛屿和客户密度的增加而增强,表明该模式在大规模、高强度的运输应用中具有潜力。
下载:下载高分辨率图片(170KB)
下载:下载全尺寸图片
图13. 不同港口停靠时间下空地协作运输与传统运输模式的效益比较。
图14显示了不同港口停靠时间下的比较结果。对于1、2和3小时的停靠时间,η2的平均值分别为82.35%、78.40%和75.84%,这意味着VRPD-I分别平均减少了17.65%、21.60%和24.16%的任务完成时间。随着单个港口停靠时间的增加,这种优势进一步扩大。这表明所提出的空地协作运输模式在更繁忙的港口环境中更有效地提高了运输效率,因为船舶减少了不必要的停靠操作,有助于缓解多岛屿设置下的港口吞吐压力。
4.5. 基于真实岛屿场景的规划示例结果
在分析了船舶-无人机协作运输方法带来的效率提升后,本节通过一个真实的多岛屿海域案例进一步验证了其应用潜力。图15-(a)显示了中国东海岸舟山群岛的海域。该区域代表了一个典型的近岸多岛屿地形。通过一系列图像处理步骤建立了该海域的二维网格模型,这些步骤包括高斯模糊去噪、HSV颜色空间分割、轮廓识别算法和相对坐标变换。结果模型如图15-(b)所示。它包括10个岛屿及其对应的港口节点,这些节点用橙色三角形表示。没有考虑连接桥梁等因素,每个岛屿被视为独立的。
图16展示了舟山群岛环境中的一个规划示例结果。表6显示了五个随机实例(各有10个客户节点)的计算结果。该表比较了VRPD-I与传统运输模式在这个真实世界建模环境中的总成本和完成任务时间。此外,图17展示了希腊东南部岛屿海域的情景模型构建。该模型包括12个岛屿及其对应的港口节点。在12个随机客户节点的条件下,图18和表7分别展示了一个示例任务规划结果和比较计算结果。
图17. 希腊岛屿海域地形及其二维网格模型。
表6. 模拟舟山群岛场景中的运输规划比较示例结果。
图18. 模拟希腊岛屿场景中的运输规划比较示例结果。
图17. 希腊岛屿海域地形及其二维网格模型。
图18. 模拟希腊岛屿场景中的运输规划比较示例结果。
5. 讨论
本文讨论了多岛屿海域中低运输效率这一关键问题,尤其是在小批量货物运输方面。通过数值实验,证实了VRPD-I空地协作运输模式的有效性。所提出的方法克服了通用VRPD模型的缺点,后者无法直接应用于障碍物密集的岛屿环境。设计范围优化器框架有效减少了无人机的飞行距离,确保了操作的可靠性。此外,与传统运输模式相比,VRPD-I在总系统成本和任务完成时间方面表现出优势。然而,所提出的方法和模型仍存在一些局限性。我们在图13和图14中发现,在许多数值实验中,仍有少数情况下协作运输方法的性能不如传统方法。在筛选出差异超过1%的数据后,总成本方面表现较差的实例比例约为2.67%。在这些情况下,最大的η1值为101.76%。对于完成时间,这一比例为大约1.33%,最大的η2值为104.02%。鉴于无人机的单位距离运营成本远低于船舶,我们认为较差的性能可能是由于范围优化器选择了次优的临时起飞和回收节点,导致船舶不必要的绕行或无人机飞行时间过长。此外,当前的MILP模型在客户节点和岛屿数量增加时计算负担过重,限制了其在更大规模真实世界实例中的适用性。简化的假设(如恒定的燃料消耗和环境因素)也可能导致成本估计过于乐观,未能完全反映实际运作情况。此外,验证完全依赖于模拟的客户需求;缺乏真实运营物流数据意味着该框架的实际部署能力仍有待确认。
考虑到上述局限性,以下领域仍有进一步探索的空间:
1) 提高规划模型的物理真实感。未来的工作应该用更现实的无人机能量模型替换恒定的单位距离消耗模型,该模型考虑了负载重量、风况和飞行动态,并结合对海况和航行速度敏感的船舶燃料消耗模型。系统分析客户分布特性和岛屿面积比例如何影响规划结果也将有助于确定协作模式的最有利运行条件。
2) 增强规划框架的可扩展性。为了解决大规模场景中MILP公式化的计算瓶颈,未来的研究可以将启发式VRPD求解器(如自适应大邻域搜索)集成到任务规划阶段。这将使框架能够处理超过50个客户节点的问题规模,这些节点代表现实世界中的岛屿物流情况,同时保留基于CNN的范围优化器作为快速的局部可行性校正器。
3) 优化范围优化器和无人机飞行路径。通过比较优化前后的部分路径,或者嵌入替代的智能算法(例如强化学习)并评估它们的性能权衡,可以进一步改进起飞和回收节点的选择。进一步优化无人机飞行路径,同时考虑范围约束和时间同步,将进一步减少不必要的飞行距离。
4) 用真实运营物流数据进行验证。尽管为舟山群岛和希腊群岛提供了规划示例,但客户需求仍然是合成生成的。如果数据可用,未来的研究应该结合实际的港口停靠记录、货物清单和多岛屿地区的船舶AIS轨迹。这将允许框架根据真实世界运营条件进行校准和测试,增强其实际部署能力,并为海事物流利益相关者提供更多可操作的见解。
6. 结论
本文提出了一个船舶-无人机协作物流框架,以解决多岛屿环境中高物流成本和低运营效率的突出问题。认识到传统规划模型在岛屿障碍环境中缺乏足够的适应性,我们建立了VRPD-I模型,该模型明确考虑了岛屿障碍和港口分布约束。提出的解决方案框架集成了路径规划、MILP模型和约束松弛。此外,还引入了基于CNN的范围优化器,通过途中方法强制执行无人机飞行距离约束。数值实验证明了该框架在多岛屿物流场景中的有效性。基于CNN的范围优化器确保了无人机飞行距离的可靠性,平均飞行距离减少了40%以上。与传统运输模式相比,VRPD-I在总系统成本方面平均节省了6.44%–7.98%,在任务完成时间方面平均节省了16.45%–17.87%,尤其是在岛屿密度增加的海域场景中。此外,当港口停靠时间增加时,任务完成时间的平均节省率达到17.65%–24.16%。基于舟山群岛和希腊群岛的规划示例也说明了该方法在现实世界环境中的适用性。这项研究为多岛屿区域的物流运营提供了潜在的智能解决方案,特别是对于小批量货物运输。提出的框架表明,将基于机器学习的优化方法融入海上物流规划可以提高多岛环境中的运营效率,并为将无人机系统整合到海上运输运营中提供了基础。
**资助**
本研究未获得公共部门、私营部门或非营利组织任何资助机构的特定资助。
**CRediT作者贡献声明**
Xinghan Sun:概念化、数据管理、形式分析、调研、方法论、软件开发、验证、可视化、初稿撰写、审稿与编辑。
Xiaoyu Lei:数据管理、方法论、软件开发、验证、可视化、初稿撰写;
Dongsheng Zhang:概念化、资金筹集、调研、方法论、项目管理、资源协调、监督、验证、审稿与编辑。
**利益冲突声明**
作者声明不存在可能影响本研究报告工作的已知财务利益冲突或个人关系。
**数据可用性**
数据可应请求提供。
**CRediT作者贡献声明**
Xinghan Sun:审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论、调研、形式分析、数据管理、概念化。
Xiaoyu Lei:初稿撰写、可视化、验证、软件开发、方法论、数据管理。
Dongsheng Zhang:审稿与编辑、验证、监督、资源协调、项目管理、方法论、调研、资金筹集、概念化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号