目录
1.摘要
论文提出了一种优化紧急医疗运输的混合方法，结合无人机（UAV）进行接送与配送。模型考虑了随机需求和飞行环境的不确定性，解决了库存短缺、突发需求和地理障碍等问题。首先，构建了一个基于混合整数线性规划的医疗接送模型（HPDUP），然后扩展为考虑随机环境的HPDU-SEP模型。为优化无人机轨迹，提出了结合Q-learning的自适应大邻域搜索（ALNS-QLTP）方法，通过地理信息和反馈参数提升优化效率。实验表明，ALNS-QLTP在大规模不确定环境中能显著提高轨迹优化效果，保证了较高的患者覆盖率。
2.问题描述
论文提出了一种基于无人机的紧急医疗物流优化方法（HPDU-SEP），通过混合整数线性规划（MILP）和样本平均近似（SAA）模型，处理随机需求和飞行距离的不确定性。在该模型中，医疗任务被分配到不同的无人机，考虑了飞行路径、时间窗、载重能力等约束，并应对地理障碍和不确定因素的影响。目标是最大化医疗任务的加权覆盖率，并降低由于不确定性带来的惩罚。
在紧急情况下，由于无法准确及时地检测所有临时障碍物和预测需求，HPDU-SEP成为一个随机规划问题，传统方法难以求解。为此，本文采用样本平均近似（SAA）方法，通过多个随机样本估计期望目标函数，进而获取候选解并计算其最优性间隙。对于不确定的飞行距离，考虑到多种不确定障碍物的影响，每种情境下的障碍物概率不同，飞行时间可能延迟。延迟部分超过服务结束时间的部分将产生回溯惩罚，从覆盖目标中扣除。对于需求的不确定性，假设每个任务的需求波动遵循正态分布，且每个情境下的需求变化可引入回溯惩罚。
3.ALNS-QLTP算法
ALNS-QLTP算法结合Q-learning优化无人机飞行轨迹，通过离线学习和实时反馈不断提升轨迹生成效率。算法通过不确定需求和障碍的概率分布生成样本情境，随机生成初始解，并通过移除和插入操作进行迭代优化，最终输出最优解。
飞行路径受随机障碍物的影响，障碍物的出现概率通过随机数生成确定，进而影响最短距离计算。Q-learning通过动态决策和实时反馈优化轨迹，生成的Q表格用于指导最优路径规划，确保应对不确定障碍环境，提升物流服务的效率和稳定性。
4.结果展示
5.参考文献
1\] Lin Z, Demir E, Xu X, et al. An advanced hybrid approach for emergency healthcare pickup and delivery with unmanned aerial vehicles under a stochastic environment\[J\]. Transportation Research Part E: Logistics and Transportation Review, 2025, 204: 104395. ### 6.代码获取 xx ### 7.算法辅导·应用定制·读者交流 xx