链上镖师 / Chain Biaoshi
TRC|城市订单末端配送：地铁—无人机临时枢纽激活与时间窗调度
在固定地铁到站时刻、电池续航和客户时间窗约束下，联合安排枢纽、任务分配与无人机多架次服务
论文面向城市配送中地铁干线运输与无人机末端服务的协同组织，联合优化临时枢纽激活、客户任务分配和无人机多架次调度。
- 01：模型同步考虑地铁到站与站内处理后的任务释放、无人机续航、充电和客户时间窗。
- 02：2P-ALNS在22个小规模实例中有20个实例与Gurobi结果一致。
- 03：中大型实例中，2P-ALNS相较基准元启发式平均降低总成本37.87%–46.88%。
- 04：研究发现，地铁运行可靠性和客户需求空间集中度会显著影响协同配送效果。
问题场景与协同网络
研究对象是一个两级地铁—无人机配送系统。包裹先在配送中心完成集货，经地铁沿线运输至具备无人机设施的候选车站，再由临时枢纽向周边客户执行末端配送。模型把地铁到站、站内卸货与转运、无人机起飞和客户服务放进同一条时间链，直接刻画站点接口对末端履约的影响。
图1 地铁—无人机协同配送系统示意图（来源：Fig. 2）
01上游决策：选择当前配送批次启用的临时枢纽。
02中游决策：将每个客户任务分配给一个已启用枢纽。
03下游决策：安排无人机、架次顺序、出发时间和充电动作。
临时枢纽、任务释放与服务约束
每个候选枢纽的任务可用时间由地铁到站时刻和固定站内处理时间共同决定。任务必须分配给已启用枢纽，并由该枢纽的无人机执行；每架无人机每个架次服务一个任务，连续架次受到往返飞行、客户服务和必要充电时间的约束。目标函数同时计入地铁运输、枢纽运营、无人机使用、能源消耗和迟到惩罚成本。
1地铁按固定班次抵达候选车站
2完成卸货、安检和站内转运后释放任务
3枢纽分配客户任务并组织无人机架次
4依据时间窗、电池容量和充电要求计算服务可行性
从距离分配到两阶段搜索
算法先依据客户与候选枢纽之间的无人机飞行距离生成初始分配，再按最早服务时间和时间窗宽度整理任务顺序，最后用负枢纽标记与正任务编号形成紧凑编码。搜索过程采用破坏—修复机制，在任务层面调整分配，在枢纽层面重构启用结构，并通过自适应权重提高近期表现较好的算子被选中的概率。
图2 初始解生成过程示意图（来源：Fig. 3）
图3 两阶段自适应大邻域搜索算法流程（来源：Algorithm 1）
阶段 1 阶段I：优先降低迟到惩罚，释放时间冲突任务
阶段 2 阶段切换：迟到达到阈值且搜索出现停滞时转入下一阶段
阶段 3 阶段II：围绕总系统成本改进枢纽、分配和调度结构
阶段 4 终止：达到迭代上限、连续不改进限制或运行时间限制
编码解如何转化为无人机调度
编码只保留枢纽激活和任务归属，具体无人机服务顺序由解码器恢复。解码器先按时间兼容性排序任务，再在每个枢纽的所有无人机及候选插入位置中寻找边际运营成本最小的位置，随后执行交换和重定位改进。该过程把任务释放时间、时间窗、电池容量和充电要求纳入每次候选解评价。
图4 解码与评价过程（来源：Algorithm 3）
2P-ALNS的关键设计在于分离高层分配搜索与枢纽内调度解码：前者快速探索枢纽—任务结构，后者负责恢复满足运营约束的无人机服务序列。
实验布局与中大型实例验证
论文构造了22个小规模实例和18个中大型实例，并设置模型参数、无人机运行参数及算法控制参数开展计算实验。小规模实例用于检验启发式解与Gurobi的差异，中大型实例用于比较2P-ALNS、经典ALNS、PSO-LS和HGS的求解表现，实验布局同时覆盖候选枢纽数量、客户任务数量和无人机资源规模的变化。
图5 实例C53_H15_D7的空间布局（来源：Fig. 4）
表1 中大型实例上的基准算法比较（来源：Table 6）
小规模实例一致性
20/22
中大型实例平均降本
37.87%–46.88%
上海地铁案例中的运行表现
真实案例以上海地铁2号线为基础，设置地铁走廊、候选临时枢纽和局部配送任务，检验模型与算法在现实规模场景中的表现。案例结果从平均总成本、迟到成本和运行时间等指标比较经典ALNS与2P-ALNS，为地铁线路与无人机末端服务的联合组织提供了具体计算证据。
图6 基于上海地铁2号线的真实案例设置（来源：Fig. 5）
表2 真实规模实例上的经典ALNS与2P-ALNS比较（来源：Table 8）
论文的计算结果支持将地铁干线与无人机末端服务作为一体化运营问题处理，枢纽位置、客户归属、无人机架次和时间窗履约需要同步安排。
电池、干线可靠性与时间窗的敏感性
敏感性分析覆盖无人机电池容量、地铁干线运输延误因子和客户配送时间窗宽度。论文摘要指出，电池容量扩展带来的收益有限；研究结果同时考察地铁延误对总成本、迟到成本和资源配置的影响，以及时间窗宽度变化对调度压力和系统绩效的作用，为服务承诺和运营可靠性设置提供参数层面的依据。
图7 无人机电池容量的影响（来源：Fig. 6）
图8 地铁干线运输延误的影响（来源：Fig. 7）
图9 客户配送时间窗宽度的影响（来源：Fig. 8）
图10 客户空间分布对系统绩效的影响（来源：Fig. 9）
适用条件与研究边界
论文将地铁线路、车站位置、站间距离和到站时刻视为已知且确定，站内卸货、安检和转运被抽象为固定处理过程。无人机在同一枢纽内被视为同质资源，机队规模预先给定，研究任务均满足无人机载荷条件，每个任务对应一个在配送中心预先集货的目的地单元货载。
✓适用条件：存在可利用的地铁干线运力、站侧临时枢纽和无人机末端服务资源。
✓关键假设：地铁运行与候选枢纽信息确定，任务释放受固定到站和处理时间控制。
✓资源边界：无人机机队规模、电池容量、充电时间和载荷条件按实验设定给定。
✓外推限制：论文未报告动态地铁时刻、随机需求、异质无人机机队和超出载荷任务的处理效果。
论文：Metro-drone collaborative delivery: Integrated hub activation and multi-trip scheduling under time windows
作者：Shuo Sun，Laijun Zhao，Changzhi Wu，Huiyong Li，Yifei Wang
期刊：Transportation Research Part C
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
