链上镖师 / Chain Biaoshi
TRE|港口转运与高楼配送：牵引车—厢式货车—无人机两阶段调度
把进出口取送货、跨车回收无人机与多级运输同步纳入同一优化框架
论文面向港口货物经仓库进入城市的多级运输链，联合优化牵引车、厢式货车和无人机的任务分配、路线、时间同步与柔性对接。
- 01：高楼层客户必须由无人机服务，低楼层客户可由厢式货车或无人机服务。
- 02：无人机单次飞行可连续服务多个客户，并可降落到另一辆厢式货车。
- 03：模型同时处理进口配送、出口取货、时间窗、容量、续航与开放路径。
- 04：RL-C-ALNS使用PPO选择破坏—修复算子组合，并在随机算例和深圳真实地理算例上验证。
港口、转运仓与城市客户如何连成一张网
研究对象是港口连接城市客户的末端运输系统。进口集装箱先由牵引车和挂车运至转运仓，货物卸载分拣后交给厢式货车与无人机；出口货物则从客户处取回仓库，装入集装箱后再运往港口。各阶段共享货物归属和作业时间，任一环节的路线变化都可能影响后续服务。
港口—转运仓—城市客户之间的牵引车、厢式货车与无人机协同运输网络。来源：Fig. 1。
01进口请求包含纯配送，出口请求包含纯取货，组合请求在一次访问中同时完成取送货。
02高楼层请求因地面服务限制必须交给无人机，低楼层请求允许在厢式货车与无人机之间分配。
03厢式货车和无人机可采用开放路径，任务结束后能够进入不同于出发点的仓库。
04同一集装箱对应的客户只能由接收该集装箱的仓库所关联的运力服务。
时间窗同步与跨车辆无人机回收
每个客户必须在规定时间窗内接受一次服务，车辆全程还需满足载重、无人机载荷与续航限制。无人机可以从一辆厢式货车起飞，连续完成多个配送或取货任务，再由另一辆厢式货车回收。该机制扩大了可行路线空间，也使发射节点、服务顺序、回收节点和两辆车的到达时间形成紧密依赖。
客户时间窗约束下的服务同步与无人机柔性对接过程。来源：Fig. 2。
阶段 1 进口集装箱到达转运仓并完成卸载
阶段 2 厢式货车装载配送货物与无人机后出发
阶段 3 车辆沿路线服务客户并在途中发射无人机
阶段 4 无人机连续完成取送货任务并由下游车辆回收
阶段 5 出口货物返回仓库、装箱并等待运往港口
柔性对接改变了传统的原车回收规则。一次客户调整可能同时改变无人机架次、发射车辆、回收车辆、后续访问顺序与仓库作业时刻，因此求解器需要成组更新相互依赖的路线结构。
进出口货流为何需要顺序求解
论文将问题表述为混合整数线性规划，目标函数汇总车辆运输成本、固定启用成本和时间相关惩罚。决策涵盖集装箱与仓库匹配、牵引车和挂车路线、客户服务方式、厢式货车路线、无人机子路线以及各节点到离时刻，并通过货物流与时间约束连接港口运输和城市配送。
1阶段一：联合安排进口集装箱运输、城市配送和出口货物取回
2状态传递：提取出口货物最终到达的仓库位置与可用时刻
3阶段二：以阶段一结果为约束，安排出口集装箱从仓库返回港口
4一致性检查：维持跨阶段的货物归属与时空可行性
出口货物到达哪个仓库、何时能够装箱，取决于厢式货车与无人机完成客户服务的路线和时刻。阶段一先确定这些位置与时间，再将其作为固定参数传入出口集装箱运输阶段，使后续牵引车调度服从已完成的取送货活动，避免跨阶段出现货物尚未到仓便安排返港的冲突。
PPO如何驱动级联大邻域搜索
RL-C-ALNS保留大邻域搜索的路线结构、目标函数和模拟退火接受准则，由PPO策略负责选择破坏—修复算子组合。状态向量记录近期解的改进情况、时间窗与容量松弛度以及算子使用历史，奖励结合接受结果评分和相对目标改进，使算子选择能够随搜索阶段调整。
PPO驱动算子选择的RL-C-ALNS总体架构。来源：Fig. 3。
跨牵引车、厢式货车和无人机路线的级联移除与修复步骤。来源：Algorithm 1。
1PPO根据当前搜索状态选择破坏—修复算子组合
2从初始客户集合出发，递归识别结构依赖节点
3同步移除受影响的车辆路线和无人机子路线
4按依赖关系组成客户束并联合寻找可行插入位置
5使用模拟退火准则接受候选解并更新全局最优解
级联机制的核心是沿运输结构传播客户变动：仓库选择、厢式货车访问顺序或无人机回收节点发生变化时，与其相连的路线和子路线被联合移除与重建，从而在强耦合约束下探索更大的协调邻域。
随机算例与深圳真实网络如何搭建验证场
实验同时使用随机生成算例和基于深圳城市物流运营的真实地理算例。深圳场景包含盐田港、候选转运仓与15个客户点，能够保留港口到仓库、仓库到客户的实际空间层级。车辆速度、固定成本、里程成本、容量、无人机能耗和时间成本均在参数表中统一给出。
包含盐田港、转运仓和15个客户请求的深圳真实地理算例。来源：Fig. 4。
深圳算例中的车辆、无人机和时间成本参数配置。来源：Table 3。
✓小规模算例使用Gurobi提供精确求解参照。
✓算法比较覆盖Greedy、C-ALNS与RL-C-ALNS。
✓随机算例用于观察规模增长下的求解质量与时间。
✓深圳真实地理算例用于检验城市空间结构下的适用表现。
从小规模精度到百请求扩展表现
论文从目标值、计算时间和性能差距等口径比较Gurobi、Greedy、C-ALNS与RL-C-ALNS。小规模结果提供精确解参照，大规模随机算例覆盖75与100个请求，深圳真实地理算例进一步检验相同规模下的表现。论文报告RL-C-ALNS在总成本和计算效率上持续优于基准方法，优势在中大规模实例中更突出。
小规模随机算例中Gurobi、Greedy、C-ALNS与RL-C-ALNS的性能比较。来源：Table 4。
大规模随机算例中的目标值、计算时间及算法性能差距。来源：Table 6。
大规模深圳真实地理算例的算法性能比较。来源：Table 9。
三组证据分别回答模型能否在小规模上获得可核验结果、算法能否扩展到更大的随机网络、方法能否在深圳真实地理结构下维持求解表现。强化学习的作用集中于算子选择，质量收益仍建立在级联邻域、可行性检查与模拟退火搜索之上。
运力配置的适用条件与研究边界
敏感性实验围绕请求构成、高楼层需求比例、无人机机队配置和时间窗松紧程度设置参数，并观察系统总成本的响应。结果说明这些条件会共同改变地面与空中运力的分工以及路线同步难度，管理者需要结合本地客户楼层结构、取送货组合和服务时限评估无人机数量与能力配置。
需求、建筑、无人机与时间窗敏感性分析的参数范围。来源：Table 10。
关键需求与运力参数变化对系统总成本的影响。来源：Fig. 5。
01模型面向以转运仓为中介、终点主要位于发达城区的港口城市运输。
02论文未显式建模空域限制和实时交通变化。
03论文未覆盖港口绕过转运仓直接服务客户的运输方式。
04牵引车与挂车按同质车队建模，实际异质运力应用需重新校准成本、容量与时间参数。
05中大规模求解依赖启发式搜索，论文未报告真实运营系统中的长期在线部署结果。
该框架适用于货物必须经过仓库转运、进出口任务共享城市配送运力、客户存在时间窗与楼层服务限制的规划场景。空域规则、实时路况、异质车队和动态新增请求超出当前模型范围，应用时需要增加相应状态、约束与滚动重优化机制。
论文：Two-phase truck-van-drone collaborative transportation with transshipment: a two-stage heuristic approach enhanced with reinforcement learning
作者：Haipeng Cui，Zhixin Tan，Xin Jiang，Hua Wang，Xuxin Zhang
期刊：Transportation Research Part E
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
