無人機物流配送問題與優化調度方法研究綜述

中圖分類號：U116.2 文獻標志碼：A

本文引用格式：，.無人機物流配送問題與優化調度方法研究綜述[J].華東交通大學學報，2025，42（3））：1-11.

ALiterature Review on Drone Delivery Problems and Optimization Scheduling Methods for Drones

Hong Fangyu'，Wu Guohua2

1.Schoolof Traffic and Transportation Engineering， Central South University， Changsha 410073， China; 2.School ofAutomation，Central South University，Changsha 41oo83，China）

Abstract： With the introduction of policies related to low-altitude economydronedelivery，asanimportant drivingforce for enhancing new types of productivity，has gained widespread attntion.Due to the limitationsof drones in terms of batteries capacity and payload constraints，scholars have conducted extensive research on drone delivery models and systems.This paper aims to review the current literature in drone deliveryand explore possible future research directions.This paper is conducted from three perspectives： the types of drone delivery problems，the modes of drone delivery systems，and the optimization scheduling methods for drone delivery systems.First，drone delivery problems are categorized into three types based on the services provided： pick-up only， delivery only，pick-upand delivery simultaneous，and point-to-pointdelivery.Second，drone delivery modesare divided nto two categories based on whether drones are the sole tools for pick-up and delivery：drone delivery systems and vehicle-drone colaborative delivery systems.Third，the paper introduces common optimization objectives in dronedelivery problems，and reviews both single-objective and multi-objective optimization methods for solving drone delivery problems.

Key Words： drone delivery; vehicle-drone collaborative delivery; deliveryonlyor pickup only; pickup and deliv

ery; point-to point delivery

Citation format：HONG F Y，WU G H.A literature review on drone delivery problems and optimization scheduling methods for drones[J].Journalof East China Jiaotong University，2025，42（3）： 1-11.

隨著物流行業的發展和無人機相關技術的成熟，無人機已廣泛應用于各種交通領域，如包裹配送、交通數據采集和交通監控1-4。其中，無人機物流配送是近年來的一個熱點研究課題。無人機作為新的物流配送載體，具有靈活性高、成本低廉和可靠性高等優勢，被越來越多地用于“最后一公里”交付[5]。

與車輛等傳統配送載體相比，無人機機動靈活且易于操作。將無人機用于物流配送幾乎不受道路交通狀況的限制并緩解快遞員配送壓力，可有效提高物流配送效率并降低配送成本，具有較高的經濟優勢。許多國家和地區正在規范空域管理，發展低空經濟。例如，中國已批準運營20個民用無人機物流系統測試基地（第1批13個，第2批7個，其中河南、浙江和深圳的目標定位是針對城市場景的無人駕駛試驗），包括2個無人機物流測試區和3個無人機交付城市測試區。經濟和政策的雙重刺激極大地促進了無人機物流配送系統的研究與發展。與傳統配送方式相比，無人機配送可以有效緩解人工配送的壓力。

無人機靈活且易于操作，將無人機用于物流配送幾乎不受交通狀況的限制。無人機可以為客戶提供取件和配送服務，并有可能為“最后一公里”的配送帶來更好的服務質量，尤其是在擁擠的城市環境。然而，由于無人機的電池容量有限，目前單無人機在物流配送時受到一定的約束，如飛行距離約束和載重能力約束。因此，使用無人機完成大范圍包裹的運輸仍然充滿挑戰，需要對無人機物流配送問題展開研究。

無人機配送問題是在旅行商問題（travellingsalesmanproblem，TSP）的基礎上，考慮各種無人機物流模式帶來的復雜約束，同時針對用戶或運營商需求設計多種優化目標，使得無人機物流配送問題和數學模型更加復雜化和現實化。Garg等重點關注了無人機物流配送有關工作中的3個關鍵概念：通過無人機應用提高消費者可及性、無人機提供的成本節約和減少排放的潛力以及無人機超越卡車和電動汽車等傳統配送方式的條件。Dukkanci等[]回顧了2016—2023年有關無人機配送的研究，主要關注無人機物流配送系統中包括無人機基站（固定或臨時），其他車輛基站，無人機充電站，倉庫點和臨時停靠點等設備的功能定位并討論了經典問題中無人機相對于車輛的獨特特征。

鑒于無人機物流配送具有較好的應用前景，本文將通過研究國內外相關文獻，從問題類型、模式設計、求解方法等方面入手，回顧其研究發展歷程，從而厘清無人機物流配送問題的研究現狀，把握未來可能的發展趨勢。

1 問題類型

無人機物流配送可根據提供服務類型的不同分為3種主要類型[：第1種類型是只取貨或只送貨問題，其中每個客戶點都涉及單一類型取貨或送貨服務；第2種類型是同時取送貨問題，其中每個節點都可以作為取貨和送貨的節點，無人機可以同時完成取貨和送貨服務；第3種類型是點到點取送貨問題，其中每個節點對應一個唯一的取貨和送貨節點，需要從一個節點取貨然后送到另一個節點。

1.1 只取貨或只送貨問題

在只取貨或只送貨問題中研究最多的是只送貨問題。2013年，亞馬遜提出無人機配送的概念，并發布PrimeAir無人機快遞配送計劃，旨在在為倉庫周邊的客戶提供服務[。DHL快遞公司進行了實驗用無人機為一個車輛難以抵達的小島配送藥品[2]。Murray等[13]提出了卡車和無人機協同的配送問題。其中，無人機和卡車均從倉庫出發，攜帶包裹為多個客戶提供配送服務；并在之后的工作中進一步拓展了這個問題，研究了一輛卡車攜帶多架無人機為客戶提供包裹配送服務的調度問題[14]。Dorling等[15]提出一種多行程TSP用于解決無人機配送問題，證明了無人機在單次飛行中可訪問多個客戶的可能性。Song等提出了一種并行無人機包裹配送問題，其中多架無人機可同時為不同客戶提供配送服務。Wen等研究了異構無人機包裹配送模式，由大小無人機協同完成包裹配送。Luo等[18]研究了帶靈活時間窗卡車與無人機包裹配送模式。伍國華等[提出了一種多車輛與多無人機協同配送模式，考慮了無人機有效載荷對無人機電量損耗的動態影響。

1.2 同時取送貨問題

近兩年關于無人機同時完成取貨和送貨的研究較多。Ham2研究了無人機并行取貨和送貨的物流模式，無人機在完成一個配送任務后可以選擇返回倉庫繼續完成下一個配送任務，或者直接飛往另一個客戶點完成取貨任務再返回倉庫。Luo等2提出了一個具有送貨和取貨服務的卡車與無人機協同路由問題，他們的研究允許無人機在完成送貨服務后為客戶提供取貨服務。Hong等[22提出了一種多無人機取送貨調度問題，由多架無人機和自動設備協同完成包裹取貨和送貨。以上研究都是建立在假設無人機一次只能攜帶一個包裹這一前提下。最近，有些研究放開了這一限制，探索了無人機一次攜帶多個包裹完成取送貨任務的調度問題。Meng等2研究了卡車與無人機協同的取送貨路徑規劃問題，他們假設無人機可以在一次飛行中攜帶多個包裹，為客戶提供取貨和送貨服務。

1.3 點到點取送貨問題

點到點取送貨問題主要存在于即時送餐或同城物流場景，這類問題的特征是需要從一個節點處取貨將其送到另一個節點。Ulmer等[2研究了即時送餐問題，一組配送員在客戶最晚送達時間之前將食物從一組餐廳送到客戶手中，考慮了客戶下單時間與餐館備餐時間兩項不確定因素對決策的影響。Chen等2針對美團外賣即時送餐場景，構造訂單后悔值矩陣匹配候選騎手，以整體效益最大化為原則完成訂單和候選騎手的匹配。Wang等2提出了一種基于眾包配送的即時送餐訂單分配方法完成騎手與訂單的匹配，根據眾包騎手的偏好向適合的眾包騎手推薦訂單來分配訂單。以上研究都是基于傳統的人力配送模式，無人機完成點到點取送貨任務的研究相對較少。Huang等2提出了一種無人機送餐問題，建立了一個以最小延誤時間為優化目標的混合整數規劃模型并設計了一種提出了一種迭代啟發式框架（隨機事件調度）來周期性地調度任務，該框架由任務集和動態任務調度階段組成。Liu等2研究了一種無人機動態送餐問題，其中送餐請求包含取件地點、送達地點、發貨物品的估計重量和客戶將為送餐服務支付的金額等信息。在設定的時間內，每個送餐請求將得到接受或拒絕的響應。如果請求被接受，一架無人機將在接下來的一個小時內被派遣完成送餐任務。Meng等[2研究了包含取貨、送貨和同時取送貨（取貨后送貨）3種任務類型的卡車與無人機協同取送貨問題，其中同時取送貨任務需要無人機或卡車從一個地點取貨后送到另一個地點。Sun等[研究了一種無人機騎手并行的動態取送貨調度問題，無人機和騎手都可以執行取貨和送貨任務。

從以上文獻可以看出，無人機物流配送有關研究在起步階段大多僅關注單一的取貨或送貨問題，且在建模時設置了很多假設條件來簡化模型。隨著研究的深入，問題的復雜度逐漸提高，比如，最初的文獻大多只研究無人機用于包裹配送，且假設無人機一次飛行中只能完成一個任務。而近年來的文獻開始研究無人機物流系統同時提供取貨和送貨服務，點到點取送貨問題開始從單一的騎手服務發展到多種無人機服務模式。此外，建立的模型也融入了更多的現實因素。如早期的模型通常假設無人機在飛行過程中速度和電池損耗是恒定的，但近年來的文章已經注意到無人機有效載荷、風力等因素對無人機電池損耗的影響，也關注到無人機在一次飛行中訪問多個客戶的可能性。

2 模式設計

根據無人機物流配送系統中無人機在取貨和送貨功能上的不同，可以將無人機物流配送系統分為兩類：無人機配送和無人機與其他運輸工具（如卡車）協同完成取貨、送貨任務。其中，無人機配送是指在無人機運輸系統中無人機是唯一的運輸載體。

2.1 無人機配送

無人機配送通常是無人機與基站協同完成取送貨任務。在這種模式中，無人機擔任運輸工具，基站為無人機提供電池更換服務。無人機從基站起飛，訪問各個客戶點后回到基站。Dorling等[1提出了多無人機配送模式，在他們的研究中，無人機通過在有限航程內訪問盡可能多的客戶來補償每架無人機有限的運載能力。他們的研究表明增加電池和有效載荷的重量會導致無人機能量消耗顯著增加，而平衡有效載荷重量、電池重量和飛行時間是最小化無人機交付成本或交付時間的重要考慮因素。為此，他們在建模時考慮了有效載荷對無人機能耗的影響，大大增加了模型的實用性。Cam-puzano等[3研究了不同速度對無人機能耗的影響。上述研究主要通過最大化無人機自身能力以提高配送效率。

有研究通過多個無人機之間協作完成取送貨任務以提升無人機物流系統的整體效能。Song等提出了一種無人機物流配送系統的調度模型。在他們所提的系統中有多個無人機基站和多個無人機。無人機基站可以視為配送中心，負責裝卸和存放無人機包裹。無人機攜帶包裹從無人機基站起飛，將包裹送達客戶后返回基站。為提高配送效率，無人機基站提供無人機充電服務。Wen等[提出了一種異構無人機配送系統，大型無人機攜帶多架小型無人機與包裹從倉庫起飛，飛到特定區域后大無人機釋放小無人機，小無人機攜帶包裹飛到配送點。小無人機完成配送任務后飛往無人機基站，無人機基站回收所有小無人機，Liu等[32與文旭鵬等[的工作拓展了這一研究。Wang等[4研究了多異構無人機配送問題，在他們的研究中，多架不同類型的無人機從倉庫出發，將包裹配送給客戶，完成所有配送任務后返回倉庫。其中，倉庫提供無人機充電服務。

也有研究關注了無人機在一次飛行中可為多個客戶服務的潛力，如Hong等[22提出了一種樓頂多無人機取送貨系統，在他們的研究中，無人機在完成配送任務后可繼續為需要取貨服務的客戶服務。為提高取送貨系統效率，無人機可在樓頂的自動存取設備上更換電池然后飛往下一個節點。

2.2 無人機與其他車輛協同

無人機與車輛協同配送是近年來的研究熱點，這種模式由Murray等[13]在2015年首次提出，在他們的研究中一架無人機可以單獨完成配送任務，也可以和一輛卡車協同完成配送任務。Agatz等在他們的研究基礎上提出了有無人機的旅行商問題（traveling salesman problem with drone，TSP-D）。Mathew等提出了一種卡車和無人機協同的包裹配送模式。在他們的研究中，無人機可以為客戶提供配送服務；卡車作為無人機配送的輔助設備，為無人機提供包裹運輸、充電和其他服務。Karak等研究了用多個無人機和一輛卡車協同為客戶提供包裹取送服務。Salama等研究了一輛卡車與多架無人機協同為一組客戶交付訂單的模式。在他們研究的模式中卡車僅作為無人機的起降平臺和倉庫，無人機為客戶配送包裹。此外，他們將交貨地點劃分為多個簇，并計算每個簇的中心，卡車經過每個簇中心時發送無人機為這個簇所有的客戶配送包裹。Wang等8提出了一種卡車與無人機協同為道路兩旁客戶提供配送服務的模式。在他們的研究中，卡車攜帶無人機行駛在城市環形高速公路上，為分布在道路兩旁的客戶提供包裹配送服務。卡車和無人機都可以完成包裹的配送，卡車還能充當倉庫和無人機的起降平臺。該模式與傳統的卡車配送模式相比可以有效減少配送時間。Dayarian等[3研究了一種新的包裹遞送模式，在他們的模式中，卡車用于向客戶遞送包裹，無人機則負責卡車的包裹補給。也就是說，無人機將包裹從倉庫運輸到卡車，卡車再將包裹配送給客戶。

Luo等研究了一輛卡車與多架無人機協同配送的模式，他們假設卡車攜帶多架無人機從倉庫出發進行配送，無人機完成配送任務后可返回卡車繼續執行下一個配送任務，直到完成所有配送任務后車與無人機一起返回倉庫。車和無人機需要在規定的時間窗內訪問客戶并完成取貨和送貨任務，否則就會影響客戶對服務的滿意程度。隨后，他們將該問題拓展到取送貨任務上，用一輛卡車與多架無人機完成取貨、送貨和取送貨任務[2。其中，完成送貨服務的無人機可以飛到另一個需要取貨服務的客戶那里，使得無人機在一次飛行中可同時完成多個任務。Meng等2研究了多輛卡車與無人機協同完成取送貨的模式，無人機一次可以攜帶多個包裹，在起飛后可以訪問多個客戶。以上研究均采用卡車與無人機協同完成取送貨任務。Cheng等的工作創新性地提出了公交車與無人機協同配送系統。其中，每個公交車配備一架無人機完成包裹運輸和乘客運輸。公交車在運輸乘客的同時可以承擔包裹存儲和裝卸服務。由于公交車在每一個停靠站都有固定的停靠時間，因此客戶可在公交車停靠時間內取包裹，乘客也可在此時上下車。對于客戶不能自取的包裹，無人機從公交車車頂起飛完成包裹遞送，然后在公交車上降落和更換電池。

總之，無論是無人機配送模式還是無人機與其他運輸車輛協同配送模式，其本質都是充分開發無人機本身潛力或利用其他車輛優勢來彌補單架無人機航程和載荷小的限制，使得無人機物流系統可以服務更多數量的客戶和覆蓋更大范圍的區域。目前物流需求從最開始單一的“最后一公里”配送需求拓展到了同城物流、即時配送等多樣化需求，相應的無人機物流系統需要根據具體的需求進行設計，因此還有很大的拓展研究空間。同時，隨著無人機物流系統的建設落地，全自動、高穩定、低成本的無人機物流系統是未來的趨勢。

3 求解方法

3.1單目標優化求解

在車輛路徑問題（vehicleroutingproblem，VRP）和TSP中，最小化成本、時間、距離和最大化客戶利益是常見的優化目標[41]。其中成本可以包括運輸成本、運營成本。運輸成本一般和行駛距離成正比，也有研究將能耗成本考慮到運輸成本中。時間通常是運輸時間、客戶等待時間、無人機或卡車協作過程中的等待時間、服務所有客戶的總完工時間。距離是指無人機物流系統中無人機或車輛的行駛時間。

單目標優化求解方法大致可以分成精確算法、啟發式算法、智能優化算法和機器學習方法[22]。精確算法可以確定小規模問題的最優解。 Ham^[20] 提出一種約束規劃方法求解多無人機多倉庫整合調度問題。Liu提出一種列生成算法和一種暴力路徑枚舉算法求解多無人機即時送餐問題。Pei等[43]提出一種基于分支切割的精確算法求解無人機送餐問題。然而，精確算法的計算復雜度較高[44]，求解大規模問題時計算時間較長，效率較低。相對而言，啟發式算法、智能優化算法和機器學習方法更適合解決大規模問題。Kitjacharoenchai等[45]提出了一個大規模鄰域搜索算法為卡車和無人機尋找高質量的路徑規劃方案。Li等4提出了一種用于卡車和無人機調度的大規模鄰域搜索算法。Mourelo等7采用K-means算法和遺傳算法一起來優化卡車和無人機的路徑規劃方案。Liu等將禁忌列表應用于模擬退火算法，在短時間內禁止解的循環或重復，實驗表明，該算法可以有效減少求解時間。Peng等[49提出了一種混合遺傳算法來解決TSP-D。Wu等采用基于編碼器-解碼器框架的強化學習方法求解卡車與無人機協同配送問題，并通過實驗證明了其良好的性能。Wang等[5提出了一種深度強化學習方法求解帶回程的VRP。設計的編碼器包括兩個階段的自我注意力和異構注意力，可以產生更具信息量的節點表示從而提供高質量的解決方案。

從以上研究可知，啟發式算法可以應用于不同的問題，但如果沒有較好的算法設計，其優化效果可能不穩定。智能優化算法通常面向特定問題，但通常依賴于特定的搜索規則。機器學習方法的優化效果取決于訓練集質量，其訓練時間較長而訓練好的模型決策時間短。目前大量的研究都在致力于提高算法的優化能力、決策效率，以及魯棒性。

3.2 多目標優化

由于物流配送服務日趨復雜，單個優化自標已經不能滿足決策者需求。多目標優化通常需要建立具有多個互相沖突的優化目標模型，并且通過多目標優化算法求解出一組帕累托最優解集以在不同優化目標之間權衡[52-53]。最小化多目標優化問題的模型通常為以下形式[54-56]

g_i（X）?0，i=1，2，…，k

式中： f₁（X），f₂（X），…，f_n（X） 表示待優化的目標函數，且它們之間相互沖突，其中一個目標改善的同時，其他優化目標會相應的變差[5]; X={x₁，x₂，…，x_n} 表示一個 n 維的決策變量； g_i（X） 表示模型的約束條件。決策空間是由多個約束條件確定的，目標空間則是由多個目標函數確定的。

多目標優化算法求解的結果是找到一組帕累托前沿解而不是一個解，這與單目標優化算法不同。帕累托前沿包含決策空間內的所有非支配解集，且非支配解之間是互不支配的關系。判斷兩個解 X₁ ， X₂ 的支配關系時， X₁ 支配 X₂ 需滿足以下條件[57]

?i∈1，2，…，mf_i（X₁）?f_i（X₂）

?i∈1，2，…，mf_i（X₁）i（X₂）

對于“最后一公里”包裹交付，在現實場景中經常涉及許多相互沖突的目標。為響應不同配送系統內的決策需求，學者們在建模時傾向于設置多個優化目標。比如，Salama等針對卡車與無人機協同問題構建了以無人機的固定成本、卡車和無人機的行駛距離等為優化目標的混合整數規劃模型；Han等構建了一個最小化卡車總能耗、無人機總能耗和卡車總數的卡車與無人機協同多目標優化模型；Wang等[5所做的工作中構建了一個卡車與無人機協同的雙目標優化模型，其中第1個優化目標是最小化運輸成本和等待成本之和，第2個優化目標是最小化卡車或無人機返回最后一個節點的最晚時間;Das等提出了一輛卡車攜帶一架無人機同步配送的模式，并建立了優化目標為最小化卡車與無人機旅行成本、最大化客戶滿意水平的多目標優化模型；Luo等針對一輛卡車與多架無人機協同的路徑規劃問題，構建了一個最小化卡車與無人機的運輸成本和最大化總體客戶滿意度的多目標優化模型。

對于多優化目標問題，VRP通常采用加權和方法確定多個目標的權重，并將其建模為加權組合目標進行求解[23]。然而，如何衡量不同目標的權重以及理解不同優化目標之間的關系仍然是一個挑戰。鑒于此，多目標優化方法最近變得流行起來。與單目標優化方法一次僅提供一個解決方案相比，多目標優化方法可提供多個代表目標之間權衡的解決方案，供決策者選擇[]。多目標優化方法根據其進化思想可分為3類[6：帕累托支配關系[62-6]，空間分解[67-69]，評價指標[70-71]。

NSGA-Ⅱ是基于帕累托支配關系的典型多目標優化算法，它由Deb等提出，該算法提出非支配解策略，按照解的支配關系對種群所有個體進行等級排序，篩選出種群的非支配解；當兩個解的等級相同時，擁擠度排序策略將保留兩個解中擁擠度更大的個體；兩種策略可在保證種群多樣性的同時加快收斂。許多學者在NSGA-I的基本框架上進行了拓展研究。栗三一等改進NSGA-I并提出一種基于密度的局部搜索方法NSGA2-DLS。NSGA2-DLS使用極值優化策略和隨機搜索策略來探索決策域空間，以在求解單模態多目標問題時獲得高質量的解決方案。Deng等[73]提出了一種改進的快速非支配解排序遺傳算法，該算法采用NSGA-II作為算法的主要框架，同時設計了一種自適應多策略交叉策略，使算法能夠在操作過程中判斷種群的多樣性和收斂性。特殊擁擠度策略選擇優秀的后代個體進行進化。在求解多模態多目標優化問題時，該算法有效改進了NSGA-II無法在決策空間中找到具有良好分布和收斂性的解集這一問題。

基于分解的多目標優化算法（MOEA/D）由Zhang等[74提出，將多目標優化問題分解為多個標量優化子問題，并同時對其進行優化。每個子問題的求解僅使用與之相鄰的子問題信息，這可以降低MOEA/D在每次迭代的計算復雜度。他們的研究表明，MOEA/D在求解多目標0-1背包問題和連續多目標優化問題時優勢明顯。陳黃科等[基于空間分解的思想，提出了一種基于目標空間分解的自適應多目標進化算法，并設計子空間進化概率自適應分配策略推進種群的優化。Zhao等[基于MOEA/D算法框架提出了MOEA/D-AWNs，其主要思想是通過自適應調整權重向量和鄰域來分配計算資源，從而提高進化效率，實驗表明該算法在運行時間、收斂性和多樣性方面有明顯優勢。

Carlos等人提出的MOPSO是基于評價指標的經典多目標優化算法[。Dai等提出了一種基于分解的多目標粒子群優化算法（MPSOD），該算法構造了一組特殊的方向向量，以確保每個子空間都有解，以保持種群的多樣性。Deng等[78設計了一種基于小生境協同進化策略和增強粒子群優化的改進量子進化算法（IPOQEA），用于求解三目標優化問題。Zhang等提出了一種改進的粒子群多目標優化算法，實驗結果表明，該算法在求解多峰多目標優化問題時具有良好的性能。

4結束語

本文回顧了無人機物流配送問題的相關研究，根據提供的物流服務類型將問題分為只取貨或只送貨，同時取貨和送貨，點到點取送貨3類。同時，根據無人機在物流系統中的功能將現有的無人機物流系統分為無人機配送，無人機與其他運輸車輛協同配送兩類。此外，將無人機取送貨問題的求解方法分為單目標優化和多目標優化兩類。無人機取送貨問題現有相關文獻在問題類型、模型構建和求解方法上都進行了大量探索，為未來研究更復雜的問題、更貼合實際的模型和更高效的方法奠定了良好的基礎。

1）從問題角度而言，大多數無人機物流系統忽略了系統建設成本。很多文獻假設通過多架無人機與卡車、基站等組合實現取貨或送貨，但沒有關注到無人機、卡車、基站等要素的采購與維護成本。系統投入使用后如何收回成本甚至實現盈利是無人機物流系統落地必須考慮的關鍵因素。鑒于此，如何以最少的無人機、無人機基站或卡車覆蓋最大面積或最多數量的客戶，以保障無人機物流系統正常運營，是一個亟待研究的問題。

2）從模型角度而言，現有的文獻建模時簡化了很多現實因素，存在大量的理想化假設。大多數文獻假設無人機在有限電量下能飛行固定時間或范圍，無人機在有效載荷充許的情況下可以裝載多個包裹，無人機飛行高度恒定。然而，無人機電池消耗受到風力、有效載荷等因素的影響，因此航程和飛行時間并非固定不變。而且，大多數文獻沒有考慮突發狀況對無人機取送貨系統的影響：如惡劣天氣、無人機故障等對無人機運行的影響及其解決方案，這些都是無人機應用于現實場景時亟待解決的問題。鑒于此，未來的研究應考慮更貼合實際的因素。例如，對于無人機一次可裝載多個包裹的假設，需要考慮無人機裝箱體積的限制以及無人機自動裝卸多個包裹的方法。

3）從算法的角度而言，盡管現有文獻開發了大量無人機取送貨系統調度方法，但現有方法普遍存在泛化性不足的問題。現有方法大多會因為無人機物流系統服務模式、協同方式和數學模型的變化而失效。生成式人工智能模型在諸多問題上展現了強大的邏輯理解能力，探索像大模型那樣泛化性更強的方法以實現無人機物流系統的有效調度，是未來的研究方向。而且，現有方法大多依據具體問題設置固定的算法參數，而現實中問題往往充滿不確定性。鑒于此，需要開發魯棒性更強的優化方法。此外，現有文獻問題規模大多局限在500個客戶點以內，然而現實中客戶規模龐大。鑒于此，應深人研究運行速度快、優化效率高的并行計算方法。

參考文獻：

[1]DASD N， SEWANI R，WANGJW， et al. Synchronized truckand drone routing in package delivery logistics[J]. IEEE Transactions on Intelligent Transportation Systems， 2021，22（9）：5772-5782.

[2]CHUNG S H， SAHB，LEE JK.Optimization for drone and drone- truck combined operations： a review of the state of the art and future directions[J]. Computers amp; Operations Research，2020，123：105004.

[3] XU B J， ZHAO K X， LUO Q Z， et al.A GV-drone arc routing approach for urban traffic patrol by coordinating a ground vehicle and multiple drones[J]. Swarm and Evolutionary Computation，2023，77： 101246.

[4] 董華軍，王宇棲.基于改進YOLOv5s的無人機小目標檢 測算法研究[J].華東交通大學學報，2024，41（4）：118- 126. DONG H J，WANG Y X. Research on UAV small target detection algorithm based on improved YOLOv5s[J]. Journal of East China Jiaotong University， 2024，41（4）： 118-126.

[5]MENG Z Y， ZHOU Y T，LI E Y， et al. Environmental and economic impacts of drone-assisted truck delivery under the carbon market price[J]. Journal of Cleaner Production， 2023，401： 136758.

[6] 洪芳宇.面向城市物流取送貨服務的多無人機協同路徑 規劃方法[D].長沙：中南大學，2023. HONG F Y. Collaborative route-planning methods of multiple drones for urban package pickup-delivery service[D]. Changsha： Central South University，2023.

[7] SALAMA M， SRINIVAS S.Joint optimization of customerlocation clustering and drone-based routing for lastmile deliveries[J]. Transportation Research Part C：Emerging Technologies，2020，114： 620-642.

[8] GARG V， NIRANJAN S，PRYBUTOK V， et al. Drones in last-mile delivery： a systematic review on efficiency，accessibility， and sustainability[J]. Transportation Research Part D： Transport and Environment， 2023，123：103831.

[9]DUKKANCI O， CAMPBELL JF， KARA B Y. Facility location decisions for drone delivery： a literature review[J]. European Journal of Operational Research，2024， 316（2）： 397-418.

[10] CRISAN G C， NECHITA E. On a cooperative truck-anddrone delivery system[J].Procedia Computer Science， 2019，159： 38-47.

[11] YANPIRAT N， SILVADF， SMITHAE. Sustainable last mile parcel delivery and return service using drones[J]. Engineering Applications of Artificial Intelligence，2023， 124： 106631.

[12] XIA Y. ZENG W J. ZHANG C R. et al. A branch-andprice-and-cut algorithm for the vehicle routing problem with load-dependent drones[J]. Transportation Research PartB：Methodological，2023，171： 80-110.

[13] MURRAY C C， CHU A G. The flying sidekick traveling salesman problem： optimization of drone-assisted parcel delivery[J]. Transportation Research Part C： Emerging Technologies，2015，54： 86-109.

[14] MURRAY C C， RAJ R. The multiple flying sidekicks traveling salesman problem：parcel delivery with multiple drones[J]. Transportation Research Part C： Emerging Technologies，2020，110：368-398.

[15] DORLING K， HEINRICHS J， MESSIER G G， et al. Vehiclerouting problems for drone delivery[J]. IEEE Transactions on Systems，Man，and Cybernetics：Systems，2017，47 （1）： 70-85.

[16] SONG BD，PARKK，KIMJ. Persistent UAV delivery logistics： MILP formulation and efficient heuristic[J]. Computersamp; Industrial Engineering，2018，120： 418-428.

[17] WEN X P， WU G H. Heterogeneous multi-drone routing problem for parcel delivery[J]. Transportation Research Part C： Emerging Technologies，2022，141： 103763.

[18] LUO QZ，WU G H，JI B，et al. Hybrid multi-objective optimization approach with Pareto local search for collaborative truck-drone routing problems considering flexible timewindows[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23（8）： 13011-13025.

[19]伍國華，毛妮，徐彬杰，等.基于自適應大規模鄰域搜索 算法的多車輛與多無人機協同配送方法[J].控制與決 策，2023，38（1）：201-210. WUGH，MAO N，XUBJ， et al. The cooperative delivery of multiple vehicles and multiple drones based on adaptive large neighborhood search[J]. Control and Decision，2023，38（1）： 201-210.

[20] HAM A M. Integrated scheduling of m-truck， m-drone， and m-depot constrained by time-window， drop-pickup， and m-visit using constraint programming[J]. Transportation Research Part C：Emerging Technologies，2018， 91： 1- 14.

[21] LUO Q Z， WU G H， TRIVEDI A， et al. Multi-objective optimization algorithm with adaptive resource allocation for truck-drone collaborative delivery and pick-up services[J].IEEE Transactions on Intelligent Transportation Systems，2023，24（9）： 9642-9657.

[22] HONG F Y， WU G H，LUO Q Z，et al.Logistics in the sky： a two-phase optimization approach for the drone package pickup and delivery system[J]. IEEE Transactions on Intelligent Transportation Systems，2023，24（9）： 9175-9190.

[23] MENG S S， GUO XP， LI D， et al. The multi-visit drone routing problem for pickup and delivery services[J]. Transportation Research Part E：Logistics and Transportation Review，2023，169：102990.

[24] ULMER M W， THOMAS B W， CAMPBELL A M， et al. The restaurant meal delivery problem：dynamic pickup and delivery with deadlines and random ready times[J]. Transportation Science，2020，55（1）：75-100.

[25] CHEN JF， WANG L，REN H， et al. An imitation learningenhanced iterated matching algorithm for on-demand food delivery[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23（10）：18603-18619.

[26] WANG X，WANG L，WANG S Y， et al. Recommendingand-grabbing： a crowdsourcing-based order allcation pattern for on-demand food delivery[J]. IEEE Transactions on Intelligent Transportation Systems，2023，24（1）： 838- 853.

[27]HUANGHP，HUC X， ZHU J，et al.Stochastic task schedulinginUAV-basedintelligenton-demand meal delivery system[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23（8）： 13040-13054.

[28] LIU Y C.An optimization-driven dynamic vehicle routing algorithm for on-demand meal deliveryusing drones[J]. Computersamp; Operations Research，2019，111：1-20.

[29] MENG S S，CHENYR，LID. The multi-visit drone-assisted pickup and delivery problem with time windows[J]. European Journal of Operational Research，2024，314（2）： 685-702.

[30] SUN X T，FANG MH， GUO S，et al. UAV-rider coordinated dispatching for the on-demand delivery service provider[J]. Transportation Research Part E： Logistics and Transportation Review，2024，186：103571.

[31] CAMPUZANO G， LALLAR E，MES M. The drone- assisted variable speed asymmetric traveling salesman problem[J]. Computers amp; Industrial Engineering，2023，176： 109003.

[32] LIU H，WU G H， YUANY F， et al. An iterative twophase optimization method for heterogeneous multi-drone routing problem considering differentiated demands[J]. Complex amp; Intelligent Systems，2024，10（5）： 6449-6466.

r221文如鵬江國化百憶地甘工 哈凱代業的士工|切輔 助小無人機物流配送方法[J].控制理論與應用，2024， 41（8）： 1386-1395. WEN X P， WU G H， XIA Y K. Three stage optimization method for large UAV assist small UAV parcels delivery [J]. Control Theory amp; Applications，2024，41（8）：1386- 1395.

[34] WANG X D， LIU Z Y， LI X P. Optimal delivery route planning for a fleet of heterogeneous drones： a rescheduling-based genetic algorithm approach[J]. Computers amp; Industrial Engineering，2023，179：109179.

[35] AGATZ N， BOUMAN P， SCHMIDT M. Optimization approaches for the traveling salesman problem with drone[J]. Transportation Science，2018， 52（4）： 965-981.

[36] MATHEW N， SMITH S L， WASLANDER S L. Planing paths for package delivery in heterogeneous multirobot teams[J]. IEEE Transactions on Automation Science and Engineering，2015，12（4）： 1298-1308.

[37] KARAK A，ABDELGHANY K. The hybrid vehicle-drone routing problem for pick-up and delivery services[J]. Transportation Research Part C： Emerging Technologies，2019， 102： 427-449.

[38] WANG H P， SONG S Y，GUO Q H， et al. Cooperative motion planning for persistent 3D visual coverage with multiple quadrotor UAVs[J]. IEEE Transactions on Automation Science and Engineering，2024， 21（3）： 3374-3383.

[39]DAYARIANI，SAVELSBERGHM，CLARKEJP.Sameday delivery with drone resupply[J]. Transportation Science，2020，54（1）： 229-249.

[40] CHENG R， JIANG Y， NIELSEN O A， et al. An adaptive large neighborhood search metaheuristic for a passenger and parcel share-a-ride problem with drones[J]. Transportation Research Part C：Emerging Technologies，2023， 153：104203.

[41]任璇，黃輝，于少偉，等.車輛與無人機組合配送研究綜 述[J].控制與決策，2021，36（10）：2313-2327. RENX，HUANGH，YU SW，etal.Review onvehicleUAV combined delivery problem[J]. Control and Decision，2021，36（10）： 2313-2327.

[42] LIU Y C. Routing battery-constrained delivery drones in a depot network：a business model and its optimizationsimulation assessment[J]. Transportation Research Part C： Emerging Technologies，2023，152：104147.

[43] PEI Z，FANG T，WENGKB， et al. Urban on-demand delivery via autonomous aerial mobility：formulation and exact algorithm[J]. IEEE Transactions on Automation Science and Engineering，2023，20（3）： 1675-1689.

[44]HONG I，KUBY M，MURRAY A T.A range-restricted recharging station coverage model for drone delivery service planning[J]. Transportation Research Part C：Emerging Technologies，2018，90：198-212.

[45] KITJACHAROENCHAI P， MINB C，LEE S. Two echelon vehicle routing problem with drones in last mile delivery[J].International Journal of Production Economics， 2020，225： 107598.

[46] LI HQ，WANGHT，CHENJ，et al. Two-echelon vehicle routing problem with time windows and mobile satellites[J]. Transportation Research Part B：Methodological， 2020，138： 179-201.

[47]MOURELO F S，HARBISON T，WEBER T， et al. Optimization of a truck-drone in tandem delivery network using k-means and genetic algorithm[J]. Journal of Industrial Engineering and Management，2016， 9（2）： 374-388.

[48] LIU H，LI X M， WU G H， et al. An iterative two-phase optimization method based on divide and conquer frameworkfor integrated scheduling of multiple UAVs[J]. IEEE Transactions on Intelligent Transportation Systems， 2021，22（9）： 5926-5938.

[49] PENG K，DUJX，LUF，et al. A hybrid genetic algrithm on routing and scheduling for vehicle-assisted multi-drone parcel delivery[J].IEEE Access，2019，7： 49191-49200.

[50] WU G H，FAN MF，SHI JM， et al. Reinforcement learning based truck-and-drone coordinated delivery[J]. IEEE Transactions on Artificial Intelligence，2023，4（4）：754- 763.

[51] WANG C H， CAO Z G， WU Y X， et al. Deep reinforcement learning for solving vehicle routing problems with backhauls[J]. IEEE Transactions on Neural Networks and Learning Systems，2025，36（3）： 4779-4793.

[52]丁進良，陳佳鑫，馬欣然.基于自適應差分進化的常壓塔 輕質油產量多目標優化[J].控制與決策，2020，35（3）： 604-612. DING JL， CHEN J X， MA X R. Multi-objective optimization of light oil production in atmospheric distillation column based on self-adaptive diferential evolution[J]. Control and Decision，2020，35（3）： 604-612.

[53] CHEN H K， WU G H，PEDRYCZ W， et al. An adaptive resource allocation strategy for objective space partitionbased multiobjective optimization[J]. IEEE Transactions onSystems，Man，ana Cyberneucs： Systems，zU∠1，?1（3）： 1507-1522.

[54] HUA Y C， LIU QQ， HAO K R， et al. A Survey of evolutionary algorithms for multi-objective optimization problems with irregular pareto fronts[J]. IEEE/CAA Journal ofAutomatica Sinica，2021，8（2）： 303-318.

[55]曾亮，曾維鈞，李燕燕，等.基于自適應聚合距離的多目 標進化算法[J].控制與決策，2024，39（4）：1113-1122. ZENG L， ZENG WJ，LI Y Y， et al. A multi-objective evolutionary algorithm based on adaptive aggregation distance[J]. Control and Decision， 2024，39（4）： 1113-1122.

[56]梁正平，林萬鵬，胡凱峰，等.基于帕累托前沿面曲率預 估的超多目標進化算法[J].軟件學報，2023，34（9）： 4096-4113. LIANG Z P， LIN W P， HU KF， et al. Many-objective evolutionary algorithm based on curvature estimation of Pareto front[J]. Journal of software， 2023，34（9）： 4096-4113.

[57]DEBK，PRATAPA，AGARWAL S， et al.A fast and elitist multiobjective genetic algorithm：NSGA-II [J]. IEEE Transactions on Evolutionary Computation，20o2，6（2）： 182-197.

[58]HANYQ，LIJQ，LIUZ， et al. Metaheuristic algorithm for solving the multi-objective vehicle routing problem with time window and drones[J].International Journal of Advanced Robotic Systems，2020，17（2）：172988142092 0031.

[59] WANG K Z， YUAN B， ZHAO M T， et al. Cooperative route planning for the drone and truck in delivery services： a bi-objective optimisation approach[J]. Journal of the Operational Research Society， 2020， 71（10）： 1657-1674.

[60] ZHANG H Z， ZHANG Q W， MA L， et al. A hybrid ant colony optimization algorithm for a multi-objective vehiclerouting problemwith flexible time windows[J]. Information Sciences，2019， 490：166-190.

[61]陳黃科，伍國華，霍離俗，等.基于目標空間劃分的自適應 多目標進化算法[J].軟件學報，2018，29（9）：2649-2663. CHEN H K， WU G H， HUO L S，et al. Objective space division based adaptive multiobjective optimization algorithm[J]. Journal of Software，2018，29（9）： 2649-2663.

[62]MCCLYMONT K，KEEDWELL E.Deductive sort and climbing sort： new methods for non-dominated sorting[J]. Evolutionary Computation，2012，20（1）： 1-26.

[63] ZHANG X Y， TIAN Y， CHENG R， et al. An efficient approach to nondominated sorting for evolutionary multiobjective optimization[J]. IEEE Transactions on Evolutionary Computation，2015，19（2）： 201-213.

[64] HU W， YEN G G. Adaptive Multiobjective particle swarm optimization based on parallel cell coordinate system[J]. IEEE Transactions on Evolutionary Computation， 2015，19（1）： 1-18.

[65] CHENG R， JIN Y C， NARUKAWA K， et al. A multiobjective evolutionary algorithm using gaussian process-based inverse modeling[J]. IEEE Transactions on Evolutionary Computation，2015，19（6）： 838-856.

[66] ZHANGXY，TIANY， CHENGR， et al.A decision variable clustering-based evolutionary algorithm for largescale many-objective optimization[J].IEEE Transactions on Evolutionary Computation，2018，22（1）： 97-112.

[67] ZHANGQF， ZHOUAM， JIN Y C.RM-MEDA： a regularity model-based multiobjective estimation of distribution algorithm[J]. IEEE Transactions on Evolutionary Computation，2008，12（1）： 41-63.

[68] QI Y T，YUJS，LI XD，et al.Reservoir flood control operation using multi-objective evolutionary algorithm with decomposition and preferences[J]. Applied Soft Computing，2017，50：21-33.

[69] QI Y T， BAO L， SUN Y Y， et al. A memetic multi-objective immune algorithm for reservoir flood control operation[J]. Water Resources Management， 2016，30（9）： 2957- 2977.

[70] BADER J， ZITZLER E. HypE： an algorithm for fast hypervolume-based many-objective optimization[J].Evolutionary Computation，2011，19（1）： 45-76.

[71] LIU C， ZHAO Q， YAN B，et al. Adaptive sorting-based evolutionary algorithm for many-objective optimization[J]. IEEE Transactions on Evolutionary Computation，2019， 23（2）： 247-257.

[72]栗三一，李文靜，喬俊飛.一種基于密度的局部搜索NSGA2算法[J].控制與決策，2018，33（1）：60-66. LI S Y， LI W J， QIAO J F. A local search strategy based on density for NSGA2 algorithm[J]. Control and Decision，2018，33（1）： 60-66.

[73] DENG W， ZHANG XX， ZHOU YQ， et al. An enhanced fast non-dominated solution sorting genetic algorithm for multi-objective problems[J]. Information Sciences，2022， 585： 441-453.

[74] ZHANG Q F， LI H. MOEA/D： a multiobjective evolutionary algorithm based on decomposition[J]. IEEE Transactions on Evolutionary Computation， 2007， 11（6）： 712-731.

[75] ZHAO Q，GUOYN，YAO XJ，etal.Decompositionbased multiobjective optimization algorithms with adaptively adjusting weight vectors and neighborhoods[J]. IEEE Transactions on Evolutionary Computation，2023， 27（5）：1485-1497.

[76] COELLO CAC，PULIDO GT，LECHUGA M S. Handlingmultiple objectives with particle swarm optimization[J].IEEE Transactionson Evolutionary Computation， 2004，8（3）：256-279.

[77]DAIC，WANGYP，YEM.Anewmulti-objectiveparticleswarm optimization algorithm based on decomposition[J].InformationSciences，2015，325：541-557.

[78]DENG W，XUJJ，ZHAO H M，et al.A novel gate resource allocation method using improved PSO-based QEA[J].IEEE Transactions on Intelligent Transportation Systems，2022，23（3）：1737-1745.

[79] ZHANG X W，LIU H，TU L P.A modified particle swarm optimization formultimodal multi-objective optimization[J].EngineeringApplicationsofArtificial Intelligence，2020，95：103905.

第一作者：洪芳宇（ （1995-） ，女，博士研究生，研究方向為智能優化決策方法與無人機物流調度。E-mail：fangyuhong@csu.edu.cn。

通信作者：伍國華（1986一），男，教授，博士生導師，研究方向為智能優化與決策、計算智能、空天資源調度、智能任務規劃。E-mail：guohuawu@csu.edu.cn。

（責任編輯：姜紅貴）