链上镖师 / Chain Biaoshi
CIE|药品无人机配送：神经网络增强多目标路径优化
在载重、续航和中途充电约束下，同时权衡无人机数量、总旅行时间与充电站使用
这篇论文把药品无人机配送建成一个带载重、续航和中途充电约束的多目标路径问题，并用HNN生成更有结构的初始种群，再交给NSGA-II搜索帕累托解集。
- 01：研究对象是单仓库、多药房、候选充电站和同质无人机组成的药品配送网络。
- 02：优化目标同时包含使用无人机数量、总旅行时间和使用充电站数量。
- 03：算法在24个MDRP-P基准算例和土耳其Sakarya的30天真实案例上验证。
研究背景
药品配送对时效、可达性和运输稳定性都有要求。论文从医药物流场景出发，引用既有研究说明无人机可用于药品、血液制品和抗癌药物等配送任务，并提到Zipline已完成超过150万次医疗物资配送，显示药品无人机物流已经具备现实应用基础。
来源：Fig. 1。药品无人机配送系统示意图，展示仓库、药房节点、候选充电站和多架无人机之间的运行关系。
作者关注的业务流程是无人机从一个中心仓库出发，为多个药房送达订单；飞行过程中若剩余电量不足，可以访问固定位置的充电站，完成配送后再返回仓库。这个设定把传统车辆路径问题推进到能源感知和中途补能共同决定线路结构的场景。
01配送网络：一个仓库、多个药房和若干候选充电站。
02作业限制：无人机载重、电池容量、运行时间和节点访问顺序。
03决策目标：减少无人机数量、降低总旅行时间、减少被启用的充电站。
核心问题
论文定义的问题是capacitated、multi-drop、mid-route rechargeable的多目标无人机路径问题。每架无人机可以在一条路线中服务多个客户，并根据路线中的能量状态决定是否访问充电站，优化过程直接输出帕累托解集，供管理者在速度、资源和基础设施之间选择。
关键难点在于三个目标会互相牵动：少用无人机可能拉长路线和飞行时间，少用充电站会压缩可行路径空间，降低总旅行时间又可能要求更多无人机或更积极的补能安排。
数学模型要求每个药房恰好被一架无人机访问一次，活动无人机必须从仓库出发并返回仓库，路线要满足流守恒、载重容量、电量递减、充电站补满、最大运行时间等约束。目标函数分别最小化启用无人机数、所有无人机总旅行时间和被使用的充电站数量。
1先把药房、仓库和充电站写入节点集合，并定义载重、距离、速度、电量和服务时间参数。
2再用二元变量表示无人机是否走过某条弧、是否启用、是否使用某个充电站。
3最后在三个目标之间生成非支配解，使决策者看到不同车队规模、时间和充电资源组合。
方法框架
作者提出的求解框架把Hopfield Neural Network接入NSGA-II。HNN先根据邻接成本和分配约束生成更有结构的药房排列，随后通过可行性解码把排列转为路线方案，再由NSGA-II执行非支配排序、拥挤距离计算、选择、交叉和变异。
来源：Fig. 2。HNN+NSGA-II求解MDRP的整体流程，串联HNN初始种群、可行性解码和NSGA-II帕累托优化。
来源：Algorithm。HNN+NSGA-II用于MDRP的伪代码步骤，覆盖输入、初始化、排序、交叉变异和终止条件。
这个设计的作用是降低纯随机初始化带来的路线碎片化。HNN负责给出邻接质量更好的全局访问顺序，解码器负责处理载重和能量可行性，NSGA-II负责在三维目标空间内保留收敛性和多样性。论文把这种组合视为神经网络辅助初始化策略。
✓HNN阶段：生成结构化药房排列，提升初始种群质量。
✓解码阶段：检查载重、电量、充电和返回仓库等可行性。
✓NSGA-II阶段：通过非支配排序和拥挤距离维护帕累托前沿。
案例或实验设置
实验分成三层：第一层在新建MDRP-P基准集上比较HNN+NSGA-II、NSGA-II、NSGA-III和MOEA/D；第二层做初始化策略消融，对比HNN、ALNS和贪婪最近邻；第三层围绕载重容量、运行航程和巡航速度做敏感性与稳健性分析。
来源：Fig. 3。不同航程设置下的帕累托前沿变化，用于观察无人机数量、总旅行时间和充电站使用之间的结构关系。
来源：Fig. 4。航程变化下IGD和SM指标响应，把运行范围变化对应到收敛质量和解集分布。
来源：Fig. 5。不同载重容量设置下的帕累托前沿，展示载重放宽后路径可行性和目标空间结构的变化。
MDRP-P基准集由CVRPLIB的P-set实例改造而来，保留客户坐标和仓库位置，并加入五个候选充电站。客户需求按无人机配送载重场景重设，前40%客户需求在0.1至0.7千克范围内随机生成，其余60%在0.1至1.5千克范围内生成。
结果分析
在24个MDRP-P基准算例上，论文用SM、IGD和CPU时间衡量算法质量。Friedman检验显示四种算法在IGD上存在统计显著差异，结果为χ2(3)=9.750、p=0.021；HNN+NSGA-II取得最低平均秩，说明整体收敛表现最好。
来源：Table 6。HNN+NSGA-II、NSGA-II、NSGA-III和MOEA/D在基准算例上的SM、IGD和CPU时间比较。
来源：Table 8。不同初始化策略的消融结果，用于识别HNN初始化对收敛和分布质量的贡献。
支配关系也支持该结论。论文报告HNN+NSGA-II在24个基准中的20个算例上优于常规NSGA-II，约占83%。运行时间方面，HNN初始化相对NSGA-II增加约30%至40%的成本，整体仍明显低于NSGA-III和MOEA/D在中大型算例上的耗时。
基准算例
24个MDRP-P实例
用于比较HNN+NSGA-II、NSGA-II、NSGA-III和MOEA/D
相对NSGA-II
20/24个算例占优
论文报告HNN+NSGA-II约83%的基准支配优势
管理启示
真实案例来自土耳其Sakarya的30天药品配送场景，区分冷链与非冷链药品任务。论文用路线图和目标值汇总把算法结果转换成管理者可读的决策信息，核心用途是协助确定车队规模、路径安排和充电基础设施使用。
来源：Fig. 9。第1天冷链药品配送路线，比较NSGA-II与HNN+NSGA-II在同一任务下的路径安排。
来源：Fig. 10。第1天非冷链药品配送路线，补充分药品类别下的路线规划差异。
来源：Fig. 11。30天冷链与非冷链配送的目标值汇总热力图，压缩展示多天任务中的无人机、时间和充电站表现。
来源：Table 14。冷链药品配送场景下两种算法的SM、C-metric、IGD和CPU时间，用于评估真实应用中的解集质量与计算成本。
论文：A novel NSGA-II method integrated with Hopfield Neural Network for solving the multi-objective drone routing problem: pharmaceutical distribution application
作者：Serap Ercan Comert，Sena Kır
期刊：Computers & Industrial Engineering
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
