This paper deals with the problem of coordinating a truck and multiple heterogeneous unmanned aerial vehicles (UAVs or drones) for last-mile package deliveries. Existing literature on truck–drone tandems predominantly restricts the UAV launch and recovery operations (LARO) to customer locations. Such a constrained setting may not be able to fully exploit the capability of drones. Moreover, this assumption may not accurately reflect the actual delivery operations. In this research, we address these gaps and introduce a new variant of truck–drone tandem that allows the truck to stop at non-customer locations (referred to as flexible sites) for drone LARO. The proposed variant also accounts for three key decisions — (i) assignment of each customer location to a vehicle, (ii) routing of truck and UAVs, and (iii) scheduling drone LARO and truck operator activities at each stop, which are always not simultaneously considered in the literature. A mixed integer linear programming model is formulated to jointly optimize the three decisions with the objective of minimizing the delivery completion time (or makespan). To handle large problem instances, we develop an optimization-enabled two-phase search algorithm by hybridizing simulated annealing and variable neighborhood search. Numerical analysis demonstrates substantial improvement in delivery efficiency of using flexible sites for LARO as opposed to the existing approach of restricting truck stop locations. Finally, several insights on drone utilization and flexible site selection are provided based on our findings.

本文处理协调卡车和多架异构无人机（UAV 或无人机）以进行最后一英里包裹递送的问题。现有关于卡车-无人机串联的文献主要将无人机发射和回收操作 (LARO) 限制在客户位置。这种受限的设置可能无法充分利用无人机的能力。此外，这种假设可能无法准确反映实际的交付操作。在这项研究中，我们解决了这些差距并引入了卡车-无人机串联的新变体，该变体允许卡车在无人机 LARO 的非客户位置（称为灵活站点）停下来。提议的变体还考虑了三个关键决策——（i）将每个客户位置分配给车辆，（ii）卡车和无人机的路线，(iii) 在每个站点安排无人机 LARO 和卡车操作员的活动，这在文献中总是不会同时考虑。制定混合整数线性规划模型以联合优化三个决策，以最小化交付完成时间（或制造时间）。为了处理大型问题实例，我们通过混合模拟退火和可变邻域搜索来开发支持优化的两阶段搜索算法。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。在文献中总是不会同时考虑这些。制定混合整数线性规划模型以联合优化三个决策，以最小化交付完成时间（或制造时间）。为了处理大型问题实例，我们通过混合模拟退火和可变邻域搜索来开发支持优化的两阶段搜索算法。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。在文献中总是不会同时考虑这些。制定混合整数线性规划模型以联合优化三个决策，以最小化交付完成时间（或制造时间）。为了处理大型问题实例，我们通过混合模拟退火和可变邻域搜索来开发支持优化的两阶段搜索算法。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。制定混合整数线性规划模型以联合优化三个决策，以最小化交付完成时间（或制造时间）。为了处理大型问题实例，我们通过混合模拟退火和可变邻域搜索来开发支持优化的两阶段搜索算法。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。制定混合整数线性规划模型以联合优化三个决策，以最小化交付完成时间（或制造时间）。为了处理大型问题实例，我们通过混合模拟退火和可变邻域搜索来开发支持优化的两阶段搜索算法。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。数值分析表明，与现有的限制卡车停靠点位置的方法相比，为 LARO 使用灵活站点可显着提高交付效率。最后，根据我们的研究结果，提供了一些关于无人机使用和灵活选址的见解。