在该问题中，存在一个仓库和多个顾客，每个顾客的需求量，仓库与顾客之间以及任意两个顾客之间的距离是已知的。仓库拥有数量不限的相同类型的卡车，每辆卡车携带R辆无人机。单个无人机可以在其最大载荷容量和最远飞行距离内将货物运送给多个顾客。每个顾客只能由一辆卡车或一架无人机服务一次。由仓库派遣多辆卡车和无人机向顾客运送货物。卡车从仓库出发，卡车的货物负载必须不超过其最大载荷容量。无人机可以从携带它的卡车上起飞，在向多个顾客交付和接收货物后返回仓库或所属卡车。当无人机到达客户节点时，无人机会自动卸载包裹并立即离开。在完成无人机交付后，无人机可以再次从卡车上发射新包裹。虽然无人机可以多次发射，但在同一节点只允许发射一次。卡车配送与无人机配送有些许不同，卡车在客户节点处需要一段服务时间，这段服务时间包含驾驶员手动卸载包裹可能需要的时间以及为无人机安装新包裹和新电池的时间。此外由于多种不确定因素，很难确保卡车和无人机同时到达同一个客户节点。因此，首先到达汇合节点的卡车或无人机需要等待未到达的。 图1 展示了多卡车多无人机协同路径问题的示意图。本研究的目的是设计出卡车和无人机协同配送路径，以最大限度地减少运输成本和提高客户满意度。

MO-MTMDCRP-TW模型中涉及的参数和决策变量见 表1 。

在建立数学模型之前，必须建立一些基本假设：

1) 所有顾客的位置已知，且一位顾客每次只能由一辆卡车或一架无人机服务一次。

2) 在一次无人机行程中，每架无人机在容量和续航里程约束内可以携带多个包裹，访问一个或者多个客户点。

3) 无人机在被取回之前不能重新发射。

4) 无人机在被卡车取回后立即更换电池。

5) 无人机只能由卡车在客户节点处取回，而不能沿着卡车路径中两个节点之间的弧取回。

6) 无人机派送完之后回到了仓库点，则无人机停止服务。

7) 每个客户点都有一个期望时间窗口和允许时间窗口。

8) 只有一个仓库作为派送的起点和终点。

9) 除了在客户节点处之外，卡车处于连续匀速运动中。

10) 无人机在服务之后立即离开客户节点，用于发射和取回无人机以及向无人机供应电池和包裹的时间很短，并且由卡车的服务时间覆盖。

11) 无人机在等待为客户服务过程中以及提前到达汇合点等待卡车过程中降落在安全着陆区。

12) 由于城市道路网的限制，卡车的路线使用曼哈顿距离测量。

13) 无人机在两个节点之间沿直线行驶，其路线使用欧几里得距离测量。无人机的路线仅由水平行进组成，不考虑垂直移动。

14) 不考虑无人机轻件点的配送时间。

本文旨在以最低的运输成本和最小的客户不满意度找到多卡车多无人机的协同配送路线。由于运输成本与无人机和卡车的行进距离有关，所以第一个目标可以表示为：

$\min f_1={\displaystyle \underset{k\in K}{\sum }\left({\displaystyle \underset{\left(i,j\right)\in E}{\sum }{C}^T{\delta }_{ij}^T{y}_{ij}^k}+{\displaystyle \underset{\left(i,j\right)\in E}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{C}^D{\delta }_{ij}^D{x}_{ij{d}^k}^k}}\right)}$ (1)

第二个目标是最小化客户不满意度(即最大化客户满意度)，目的是提高客户服务水平。高满意度通常带来更多的业务机会和收入增长。客户满意度与车辆到达客户点时间和货物损坏程度有关。

由于各种外部因素(如交通状况、交通拥堵等)的影响，可能导致车辆无法准确按照预定的时间到达客户点。因此，在实际配送中，通常会采用柔性时间窗的概念，允许一定的时间窗口来容纳车辆的到达。由车辆交付的节点i处的客户时间不满意度 ${\mu }_i\left(t_i\right)$可以表示为：

${\mu }_i\left(t_i\right)=\{\begin{array}{l}\frac{t_i-b_i}{n_i-b_i},b_i\le t_i\le n_i\\ 0,a_i\le t_i\le b_i\\ \frac{a_i-t_i}{a_i-m_i},m_i\le t_i\le a_i\\ 1,其他\end{array}$ (2)

关于货损满意度 [14] ，在整个配送过程中，货物的损坏程度也一定程度上影响着客户服务水平。货物损坏概率越高，客户满意度越低。只考虑运输过程中随运输时间积累造成的货损。货损率计算公式为：

$y_i=\beta \left(t_i-t_0\right)$ (3)

其中 $y_i$为客户点i的货物损失率， $t_0$是从仓库出发的时间， $\beta$为货物单位时间货损系数。假设货物货损率范围 $\left[0,h\right]$，客户可容忍的货损率范围为 $\left[h,H\right]$，车辆交付的节点i处的货损不满意度函数为：

${\phi }_i\left(y_i\right)=\{\begin{array}{l}0,0\le y_i\le h\\ \frac{y_i-h}{H-h},h\le y_i\le H\\ 1,y_i>H\end{array}$ (4)

所以第二个目标可以表示为最小化客户的总体不满意度(即最大化满意度)：

$\min f_2={\displaystyle \underset{k\in K}{\sum }\left({\displaystyle \underset{i\in C}{\sum }{z}_i^{k,T}}{\mu }_i\left(t_i^{k,T}\right)+{\displaystyle \underset{i\in C^D}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{z}_{i{d}^k}^{k,D}{\mu }_i}}\left(t_{i{d}^k}^{k,D}\right)+{\displaystyle \underset{i\in C}{\sum }{z}_i^{k,T}{\phi }_i}\left(y_i\right)+{\displaystyle \underset{i\in C^D}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{z}_{i{d}^k}^{k,D}{\phi }_i}}\left(y_i\right)\right)}$ $(5)$

下面是约束条件：

${\displaystyle \underset{k\in K}{\sum }\left({\displaystyle \underset{d^k\in D^k}{\sum }{z}_{i{d}^k}^{k,D}+z_i^{k,T}}\right)}=1,\forall i\in C^D$(6)

${\displaystyle \underset{k\in K}{\sum }{z}_i^{k,T}}=1,\forall i\in C^T$ (7)

${\displaystyle \underset{i\in V\backslash \left\{c+1\right\}}{\sum }{x}_{ij{d}^k}^k}\ge z_{j{d}^k}^{k,D},\forall j\in C,\forall k\in K,\forall d^k\in D^k$ (8)

${\displaystyle \underset{i\in V\backslash \left\{c+1\right\}}{\sum }{y}_{{}_{ij}}^k}=z_j^{k,T},\forall j\in C,\forall k\in K$ (9)

${\displaystyle \underset{j\in V\backslash \left\{0\right\}}{\sum }{x}_{ij{d}^k}^k}\le 1,\forall i\in V\backslash \left\{c+1\right\},\forall k\in K,\forall d^k\in D^k$ (10)

${\displaystyle \underset{j\in V\backslash \left\{c+1\right\}}{\sum }{x}_{ji{d}^k}^k}\le 1,\forall i\in V\backslash \left\{0\right\},\forall k\in K,\forall d^k\in D^k$ (11)

$h_{i{d}^k}^{k,L}+{\displaystyle \underset{m\in C^D}{\sum }{x}_{mi{d}^k}^k}=h_{i{d}^k}^{k,R}+{\displaystyle \underset{l\in C^D}{\sum }{x}_{il{d}^k}^k},\forall i\in V,\forall k\in K,\forall d^k\in D^k$ (12)

${\displaystyle \underset{k\in K}{\sum }\left({\displaystyle \underset{d^k\in D^k}{\sum }{x}_{ij{d}^k}^k}+{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{ji{d}^k}^k}\right)}\le 1,\forall \left(i,j\right)\in E$ (13)

$h_{i{d}^k}^{{}^{k,L}}\ge 1-M\times \left(2-x_{ij{d}^k}^k-z_{j{d}^k}^{k,D}+z_{i{d}^k}^{k,D}\right),\forall i\in V\backslash \left\{c+1\right\},\forall j\in \left\{C^D:i\ne j\right\},\forall k\in K,\forall d^k\in D^k$ (14)

$h_{j{d}^k}^{k,R}\ge 1-M\times \left(2-x_{ij{d}^k}^k-z_{i{d}^k}^{k,D}+z_{j{d}^k}^{k,D}\right),\forall i\in C^D,\forall j\in \left\{V\backslash \left\{0\right\}:i\ne j\right\},\forall k\in K,\forall d^k\in D^k$ (15)

${\displaystyle \underset{i\in V\backslash \left\{c+1\right\}}{\sum }{h}_{i{d}^k}^{k,L}}={\displaystyle \underset{j\in V\backslash \left\{0\right\}}{\sum }{h}_{j{d}^k}^{k,R}}\le 1,\forall k\in K,\forall d^k\in D^k$ (16)

${\displaystyle \underset{l\in C^D}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }\left(h_{i{d}^k}^{k,L}+x_{lj{d}^k}^k\right)}}={\displaystyle \underset{m\in C^D}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }\left(h_{j{d}^k}^{k,R}+x_{im{d}^k}^k\right)}},\forall i\in V\backslash \left\{c+1\right\},\forall j\in V\backslash \left\{0\right\},\forall k\in K$ (17)

$h_{i{d}^k}^{k,L}+h_{i{d}^k}^{k,R}\le 1,\forall i\in V,\forall k\in K,\forall d^k\in D^k$ (18)

$h_{i{d}^k}^{k,L}\ge 1-M\times \left(3-y_{ij}^k-x_{il{d}^k}^k-z_{l{d}^k}^{k,D}\right),\forall \left(i,j\right)\in E,\forall l\in C^D,\forall k\in K,\forall d^k\in D^k$ (19)

$h_{i{d}^k}^{k,R}\ge 1-M\times \left(3-y_{ji}^k-x_{li{d}^k}^k-z_{l{d}^k}^{k,D}\right),\forall \left(j,i\right)\in E,\forall l\in C^D,\forall k\in K,\forall d^k\in D^k$ (20)

${\displaystyle \underset{j\in V}{\sum }{y}_{ij}^k}={\displaystyle \underset{l\in V}{\sum }{y}_{li}^k}\le 1,\forall i\in V,\forall k\in K$ (21)

${\displaystyle \underset{j\in C}{\sum }{y}_{0j}^k}\le 1,\forall k\in K$ (22)

${\displaystyle \underset{i\in C}{\sum }{y}_{i,c+1}^k}\le 1,\forall k\in K$ (23)

$y_{0,c+1}^k=0,\forall k\in K$ (24)

${\displaystyle \underset{l\in V\backslash \left\{0\right\}}{\sum }{y}_{0l}^k}\ge y_{ij}^k,\forall \left(j,i\right)\in E,\forall k\in K$ (25)

${\displaystyle \underset{i\in C}{\sum }{x}_{0i{d}^k}^k}+{\displaystyle \underset{i\in C}{\sum }{x}_{i,c+1,d^k}^k}\le 1,\forall k\in K,\forall d^k\in D^k$ (26)

${\displaystyle \underset{i\in C}{\sum }{q}_i{z}_{i{d}^k}^{k,D}}\le Q^D,\forall k\in K,\forall d^k\in D^k$ (27)

$R{W}^D+{\displaystyle \underset{i\in C}{\sum }{q}_i}{z}_i^k+{\displaystyle \underset{i\in C}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{q}_i{z}_{i{d}^k}^{k,D}}}\le Q^T,\forall k\in K$ (28)

$d_0+{\displaystyle \underset{j\in C}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{0j{d}^k}^k}}=R,\forall k\in K$ (29)

$d_i+{\displaystyle \underset{l\in V\backslash \left\{c+1\right\}}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{lj{d}^k}^k}}\ge d_j+{\displaystyle \underset{m\in V\backslash \left\{0\right\}}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{jm{d}^k}^k}}-M\times \left(1-y_{ij}^k\right),\forall k\in K,\forall \left(i,j\right)\in E$ (30)

$d_i+{\displaystyle \underset{j\in C}{\sum }{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{j,c+1,d^k}^k}}\ge R-M\times \left(1-y_{i,c+1}^k\right),\forall k\in K,\forall i\in C$ (31)

$t_{i{d}^k}^{k,D}-r_{j{d}^k}^{k,D}\le \epsilon +M\times \left(3-y_{ji}^k-x_{jl{d}^k}^k-x_{mi{d}^k}^k\right),\forall \left(i,j\right)\in E,\forall l\in C^D,\forall m\in C^D,\forall k\in K,\forall d^k\in D^k$ (32)

$t_{j{d}^k}^{k,D}\ge r_{i{d}^k}^{k,D}+{\tau }_{ij}^D-M\times \left(1-{\displaystyle \underset{d^k\in D^k}{\sum }{x}_{ij{d}^k}^k}\right),\forall \left(i,j\right)\in E,\forall k\in K$ (33)

$r_{i{d}^k}^{k,D}\ge t_{i{d}^k}^{k,D}+{\omega }_{i{d}^k}^D-M\times \left(1-{\displaystyle \underset{d^k\in D^k}{\sum }{z}_{i{d}^k}^{k,D}}\right),\forall i\in C,\forall k\in K$ (34)

$t_i^{k,T}\ge r_j^{k,T}+{\tau }_{ij}^T-M\times \left(1-y_{ji}^k\right),\forall \left(i,j\right)\in E,\forall k\in K$ (35)

$r_i^{k,T}\ge t_i^{k,T}+s_i+{\omega }_i^{k,T}-M\times \left(1-z_i^{k,T}\right),\forall i\in C,\forall k\in K$ (36)

$r_i^{k,T}\ge t_{i{d}^k}^{k,D}-M\times \left(1-z_i^{k,T}\right),\forall i\in C,\forall k\in K,\forall d^k\in D^k$ (37)

$r_{i{d}^k}^{k,D}\ge r_i^{k,T}-M\times \left(1-h_{i{d}^k}^{k,L}\right),\forall i\in C,\forall k\in K,\forall d^k\in D^k$ (38)

$r_{i{d}^k}^{k,D}\le r_i^{k,T}-M\times \left(1-h_{i{d}^k}^{k,L}\right),\forall i\in C,\forall k\in K,\forall d^k\in D^k$ (39)

${\omega }_i^{k,T}=\max \left\{0,a_i-t_i^{k,T},t_{i{d}^k}^{k,D}-t_i^{k,T}\right\},\forall i\in C,\forall k\in K,\forall d^k\in D^k$ (40)

${\omega }_{i{d}^k}^{k,D}=\max \left\{0,a_i-t_{i{d}^k}^{k,D},t_i^{k,T}-t_{i{d}^k}^{k,D}\right\},\forall i\in C,\forall k\in K,\forall d^k\in D^k$ (41)

约束(6)和(7)确保每个客户点恰好被服务一次；约束(8)确保由无人机服务的客户都有相应的无人机行程访问；约束(9)确保由卡车 $k\in K$访问的每个客户都直接由卡车 $k\in K$服务；约束(10)和(11)确保每个客户节点被无人机访问最多一次；约束(12)平衡无人机行程访问的所有节点；约束(13)确保每条边被无人机最多访问一次；约束(14)、(15)确保每个无人机行程至少服务于每一个客户，防止无人机沿着卡车路径飞行；约束(16)确保无人机行程只有一个发射点和一个回收点；约束(17)确保同一发射点发射的无人机在另一相同点取回；约束(18)确保同一无人机行程发射点和回收点不同；在卡车 $k\in K$的路径中，无人机发射节点和汇合节点由约束(19)和(20)确定；约束(21)平衡节点的卡车流；约束(22)确保每辆车离开仓库最多一次；约束(23)确保每辆车返回仓库最多一次；约束(24)禁止卡车从仓库直接到仓库；约束(25)确保每辆卡车只能在离开仓库后使用；约束(26)禁止无人机独立完成任务；约束(27)确保无人机飞行期间不能超过其负载能力；约束(28)确保卡车不超过其负载能力。

由于无人机是同质的，只跟踪整个物流过程中的无人机数量。约束(29)确保每辆卡车携带的无人机总数目为R；约束(30)确保离开j点时无人机数量不能超过在j点的无人机数目；约束(31)确保最终每辆车的无人机数目。约束(32)确保无人机飞行不能超过其飞行耐力；约束(33)捕获无人机在节点处的到达时间；约束(34)限制无人机从节点i的离开时间；约束(35)捕获卡车在节点i处到达时间；约束(36)、(37)规定卡车从节点i的出发时间；约束(38)、(39)规定卡车与无人机同时离开节点的时间；约束(40)代表卡车可能的等待时间；约束(41)代表无人机可能的等待时间。

初始阶段通过对目标空间中均匀分布的权向量进行聚类，将目标空间分解为若干个子空间 [16] [17] 。初始化过程使用Das和Dennis的系统方法 [18] 来生成权重向量集 $W=\left\{w^1,w^2\cdots ,w^N\right\}$，W的大小是 $N=C_{H+M-1}^{M-1}$，其中 $H>0$是每个目标坐标的分割数，N是生成的权重向量的数量，M是目标数。然后使用K均值聚类算法 [19] 将权重向量划分为K个聚类的集合，表示为 $C{W}^1,C{W}^2,\cdots ,C{W}^K$。由于权重向量在目标空间中均匀分布，每个簇中的权重向量数量近似为 $\lfloor \frac{N}{K}\rfloor$。在此之后，可以获得一组中心聚类向量 $C=\left\{c^1,c^2,\cdots ,c^K\right\}$，每个中心聚类都与一个子空间 ${\Omega }_i$相关联，其中 ${\Omega }_i=\left\{v\in R_{+}^M|\langle v,c^i\rangle \le \langle v,c^j\rangle ,i,j\in 1,\cdots ,K\right\}$， $\langle v,c^i\rangle$是v和 $c^i$之间的锐角， $R_{+}^M$是包括所有目标向量的M维目标空间，v是归一化目标向量。初次分解目标空间后，在各子空间中利用切比雪夫聚合函数为每个子

问题分配权重向量。值得注意的是：1) 在初次将解决方案分配到其相关联的子空间时，许多解的目标向量可能与相同的单位向量具有相同的最小角度，导致子空间相关联的解的数目可能超过 $\lfloor \frac{N}{K}\rfloor$；2) 原MOEA/D算法中进化前期子问题和解的匹配具有随机性，匹配度较差。为解决以上两个问题，在初始进化阶段使用稳定匹配 [20] ，将每个子空间中的解与该子空间中各个子问题相匹配，保证各子空间中解的数量与该子空间中权重向量数量相等的同时又为每个子问题选择较合适的解。

进化阶段，各子空间的子种群进化相对独立，且在每个子空间中，对多个子问题同时进行选择、交叉和变异操作，从而生成对应的新解。在选择操作中，各子问题以较低的概率 $1-\alpha$选择PF中的部分稀疏解作为交配亲本，以较高的概率 $\alpha$选择对应子问题的邻域解作为该子问题的交配亲本；在交叉和变异操作中，随机使用多种交叉算子和变异算子。

新解分配阶段，将各个子空间产生的新解分配到相应子空间。

子种群更新阶段，选择稳定匹配策略作为子种群更新策略，保持每个子空间所关联解的数量不变的同时平衡收敛性与多样性。 表2 为MOEA/D-OSD算法的伪代码。

每个子问题的父代种群选取方法与 [21] 类似，首先在整个种群的PF中使用拥挤距离，计算PF中非支配解的适应值，再用二元锦标赛方法从这些非支配解中选出q个稀疏解。各子问题以较低的概率 $1-\alpha$从稀疏解集中选择交配亲本，以较高的概率 $\alpha$从该子问题的邻域解中选择交配亲本后进行遗传操作，生成对应于该子问题的新解。这种父代种群选择策略有利于局部搜索与全局搜索相结合，以较低的概率从稀疏解集中选择交配亲本，有助于保持全局多样性，防止子种群陷入局部最优。

与MOEA/D、NSGA-III算法 [22] 不同，MOEA/D-OSD在考虑进行解的替换时，不仅考虑所得到的解的收敛性还要考虑解在目标空间中的分布。每个子种群在选择下一代子种群时1) 对于子空间中的子问题，计算所有解到该子问题的切比雪夫聚合函数值，每个子问题通过聚合函数值排名所有解，子问题倾向于具有更好的聚合函数值的解。2) 每个解根据其到这些子问题方向向量的距离对所有子问题进行排名，解偏爱方向向量接近该解的子问题。各子种群选择下一代子种群时使用该稳定匹配 [19] 策略，有利于平衡各子空间解的多样性和收敛性，进而有利于解在目标空间中的多样性分布。

染色体编码是算法流程中至关重要的一步，编码的优劣会影响优化问题的解决速率。因此应合理设计染色体编码策略。

卡车无人机协同配送问题涉及卡车和无人机两种类型的路线，解决方案较为复杂。为此，本文采用包含所有客户节点的巨型路径编码来表示该问题的一个解决方案。巨型路径编码的使用简化了遗传操作的实现。

本文构造初始解以及解码的方法，类似于 [23] ，如在 表3 中，初始解构造方法即所有客户的随机排列。在随机排列中，第一个节点和最后一个节点是相同的仓库，而其他节点是所有客户点随机序列，以提高初始种群的多样性得到巨型路径编码。然后，基于巨型路径编码进行解码，采用卡车路线分割算法 [24] 将巨型路线转换为卡车路线。然后，对每条卡车路线，利用无人机路线构建算法以及每条路径的无人机路线，用无人机路线修改该卡车路线得到修改后的卡车路线。使用这种方法的好处是卡车路线分割构建算法和无人机路线构建算法的执行结果是确定性的，所以一个巨型路径可以唯一地表示一种解决方案。

在解码过程中，以 图3 为例，一个染色体中包含多辆卡车和多架无人机的组合路线。对染色体[0, 11, 12, 6, 8, 2, 10, 5, 3, 9, 1, 4, 7, 0]采用卡车路径分割算法，将巨型路线转换为多条卡车路径，第一辆卡车路径[0, 11, 12, 6, 8, 2, 10, 0]，第2条卡车路径[0, 5, 3, 9, 1, 4, 7, 0]，搜索每条卡车路径上的无人机路径，得到第一辆卡车路径中的无人机[11, 6, 12]，[8, 10, 2]路线，得到第二辆卡车路径中的无人机[0, 3, 5]，[5, 1, 4, 9]路线，其中每个无人机路径包括发射节点、客户节点和取回节点。根据无人机路径，修改卡车路径编码，在第一条卡车路径中因为客户点6、10被分配给无人机服务，所以最终第一条卡车路径被修改为[0, 11, 12, 8, 2, 0]，在第二条卡车路径中因为客户点3、1、4被分配给无人机服务，所以最终第二条卡车路径被修改为[0, 5, 9, 7, 0]。由无人机路线和修改的卡车路线得到一个具体的解决方案，一个染色体与一个具体的解决方案对应。

本文采用 [13] 提出的无人机构建算法，以构建具有最多航班的可行无人机航线。

为了加快算法收敛速度，在MOEA/D-OSD的交叉操作中随机使用部分匹配交叉(PMX)算子和顺序交叉(OX)算子 [25] 。 图4(a) 显示了部分匹配交叉算子的操作示例，首先随机选择父代巨型路线上的几个相邻客户点，称为交叉段，交叉段之间建立映射关系。PMX运算符是将父代巨型路线1上的交叉段替换为父代巨型路线2上的交叉段以创建新的巨型路线，再使用交叉段之间的匹配关系来消除新巨型路线上的重复客户。 图4(b) 显示了OX算子的操作示例，OX算子是为了保留父代旧巨型路线1上的交叉段以创建新的巨型路线。然后，除了新巨型路线上的重复客户之外，新巨型路线的其余部分按照父代旧巨型路线2上的客户顺序填充。

图4. 交叉操作示意图

本文采用与 [23] 相同的互换变异算子，卡车路径重定位算子以及反向变异算子随机使用的突变操作。互换变异算子的思想就是交换路径上的两个客户，如 图5(a) 所示，交换巨型路径上的客户点3和5得到新路径。卡车路径重定位的思想(如 图5(b) 所示)是选取路径中最昂贵客户点位置，将它插入最便宜客户点的位置。通过计算客户点前后的路径长度找到最昂贵客户点的位置，将它移除，再重新插入到最便宜客户点的位置。反向变异算子(如 图5(c) 所示)用于对一条巨型路线上的多个相邻顾客进行反向操作。

图5. 变异操作示意图

由于真实的Pareto前沿是未知。因此本文使用超体积(HV)和覆盖率(C度量)来评估算法的性能 [26] 。

超体积(HV)是测量算法多样性和收敛性的一个指标，表示解集和参考点之间的体积。

覆盖度量是一种比较两组非支配解质量的指标。C (A, B)表示B中的解被A中的任何解支配的百分比。

在评估所提出的算法之前，本文扩展了大仲马等人提出的TSPTW实例。从中提取出20个实例，客户节点数分别为20、40、80、100。为了模拟并非所有包裹都可以通过无人机交付的真实情况，在这些实例中，可以由无人机服务的客户百分比均为70%。每个大小的实例由5个数据集组成。所使用的实例信息是与客户节点i相关联的时间窗口的坐标、需求量、最早开始时间 $a_i$和最晚结束时间 $b_i$。由于原始实例要求所有客户节点必须在最早开始时间和最晚结束时间之间得到服务，因此为每个节点i生成一个灵活的时间窗口 $\left[m_i,n_i\right]$，以获得本文模型所需要相关的实例，其中 $m_i=a_i-\omega b_i^l\left(b_i-a_i\right)$和 $n_i=a_i+\omega b_i^u\left(b_i-a_i\right)$。特别地， $\omega b_i^l$和 $\omega b_i^u$是用于设置时间窗口的最大允许违反的两个分数。

设置卡车最大装载能力为200千克，参考 [27] 设置无人机最大载重为30千克，参考 [28] 设置卡车速度为60千米每小时，无人机速度为65千米每小时，参考 [4] 设置卡车的成本为无人机成本的25倍，卡车在每个客户点的服务时间为10分钟。为了设置无人机的飞行范围，本文使用 [29] 中介绍的方法，并假设无人机在每个实例中可以满足85%的可行飞行。

实验设置：为了评估MOEA/D-OSD算法解决MO-MTMDCRP-TW模型的性能，需将其与一些多目标演化算法进行比较。由于MO-MTMDCRP-TW的复杂性，没有现有的精确方法可以直接求解，需要使用本文的编码和解码方法以及多个交叉和突变运算符扩展三个具有代表性的多目标演化算法(MOEA/D [15] , NSGA-II [30] , MOEA/D-M2M [16] )，将扩展后的三个算法与MOEA/D-OSD算法进行比较。在 表4 中设置了实验的参数。所有算法都是用Matlab编码的，实验在具有Windows 11系统、1.90 GHz 13th Gen Intel(R) Core(TM) i5-1340P和16 GB RAM的个人计算机上进行。

实验结果：对上述描述的20个实例进行了四种算法的独立运行，每个实例重复20次。1) 由于目标的取值范围不同，必须对其进行归一化。2) 每个实例的名称表示节点数量和组别(例如，n20-01表示有20个客户节点的第一组实例)。对于每个实例， 表5 、 表6 中最佳结果以黑体显示。

表5 显示了HV的平均值以及标准偏差。由 表5 可以看出MOEA/D-OSD在除实例n80-02外的所有实例上生成的平均HV值均高于NSGA-II、MOEA/D和MOEA/D-M2M，说明MOEA/D-OSD算法在解决卡车无人机路径问题上可以获得高质量的解，并且比其他三种算法具有更好的多样性和收敛性。

每个实例的平均C度量值见 表6 。可以发现，除实例n40-05的C (MOEA/D-OSD, NSGA-II)值略小于C (NSGA-II, MOEA/D-OSD)值以及n80-04、n100-04的C (MOEA/D-OSD, MOEA/D-M2M)值略小于C (MOEA/D-M2M, MOEA/D-OSD)值外，与其他所有实例相比，C (MOEA/D-OSD, -)值均大于C (-, MOEA/D-OSD)值。这进一步表明，MOEA/D-OSD在解决卡车无人机协同路径问题上优于其他三个比较算法。特别地，大多数C (MOEA/D-OSD, MOEA/D)值非常接近1，这表明通过MOEA/D获得的大多数解由MOEA/D-OSD的至少一个解支配。另一方面，大多数C (MOEA/D, MOEA/D-OSD)值比较接近0，这意味着MOEA/D-OSD的极少数解被MOEA/D的解所支配。尽管在除n40-05外的所有实例中，C (MOEA/D-OSD, NSGA-II)值均大于C (NSGA-II, MOEA/D-OSD)值，在除n80-04、n100-04外的所有实例中，C (MOEA/D-OSD, MOEA/D-M2M)值均大于C (MOEA/D-M2M, MOEA/D-OSD)值，但在少数情况下C (MOEA/D-OSD, NSGA-II)值与C (NSGA-II, MOEA/D-OSD)相差很小(例如n100-05)，C (MOEA/D-OSD, MOEA/D-M2M)值与C (MOEA/D-M2M, MOEA/D-OSD)相差很小(例如n80-05)，这表明在某些情况下它们的Pareto前沿覆盖率是相似的。