CN111007813B - 一种基于多种群混合智能算法的agv避障调度方法 - Google Patents
一种基于多种群混合智能算法的agv避障调度方法 Download PDFInfo
- Publication number
- CN111007813B CN111007813B CN201911138607.5A CN201911138607A CN111007813B CN 111007813 B CN111007813 B CN 111007813B CN 201911138607 A CN201911138607 A CN 201911138607A CN 111007813 B CN111007813 B CN 111007813B
- Authority
- CN
- China
- Prior art keywords
- agv
- algorithm
- time
- ant colony
- obstacle avoidance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 70
- 210000000349 chromosome Anatomy 0.000 claims description 32
- 239000003016 pheromone Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 238000012804 iterative process Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
- G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/60—Electric or hybrid propulsion means for production processes
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于多种群混合智能算法的AGV避障调度方法,属于自动化立体仓库调度技术领域,为求解多AGV同时工作时,在确保不发生物理碰撞和损伤的条件下,总工作时间最小的数学规划模型,本发明提供了一种蚁群算法和遗传算法相结合的多种群混合智能算法,多种群混合算法能利用两种启发式智能算法的优点,且能在一定程度上防止算法过早陷入早熟。遗传算法和蚁群算法都是比较常用的启发式智能算法,两者的理论都发展得比较成熟,将这两种算法结合起来形成混合算法既具有理论创新性,又能提高对实际问题的求解效率,减少迭代过程的盲目性。
Description
技术领域
本发明属于自动化立体仓库调度技术领域,具体涉及一种基于多种群混合智能算法的AGV避障调度方法。
背景技术
随着现代工业和信息服务业的发展,人力资本愈发珍贵,人们越来越认识到仓储、货运等物流环节对提高产品利润的重要性。据资料显示,物流、运输等环节占整个制造业企业成本的50%以上,因此提高存储、运输的效率,充分发挥场地的性能优势,成为各大企业竞相发展的焦点。
自动化立体仓库是在现代物流***中的一个重要组成部分,自动化立体仓库的智能化程度对整个物流业的发展有着重要的影响,智能化程度越高,则物流业越发达,合理的调度方案可以显著提高物流效率,从而节约物流成本,提升企业的效益。
在实际工作中,自动化立体库里的各项配套设施往往来自不同的生产厂商,很难在使用过程中直接相互配合地运行。例如,在多辆AGV协同任务时,各 AGV之间互相不具备避让功能,导致无法保证多辆AGV同时有效正常地工作。
蚁群算法(ant colony optimization,ACO)是一种启发式生物智能算法,以蚁群为研究对象,研究其在觅食过程中的群体性行为,并将这种群体智能行为抽象成数学算法,并应用到实际问题的求解过程中。遗传算法是一种模仿生物进化过程中,染色体的复制、交叉、变异等一系列变化过程,并将这种染色体的行为抽象成数学模型,应用到对实际问题的求解过程中。
发明内容
针对现有技术中存在的上述问题,为求解多AGV同时工作时,在确保不发生物理碰撞和损伤的条件下,总工作时间最小的数学规划模型,本发明提供了一种蚁群算法和遗传算法相结合的多种群混合智能算法,多种群混合算法能利用两种启发式智能算法的优点,且能在一定程度上防止算法过早陷入早熟。遗传算法和蚁群算法都是比较常用的启发式智能算法,两者的理论都发展得比较成熟,将这两种算法结合起来形成混合算法既具有理论创新性,又能提高对实际问题的求解效率,减少迭代过程的盲目性。
本发明通过如下技术方案实现:
一种基于多种群混合智能算法的AGV避障调度方法,具体步骤如下:
步骤1:以AGV小车和地标二维码为研究对象,并以AGV完成输送任务所花费的总工作时间最小作为避障调度的目标,构造AGV避障优化问题数学模型;
步骤2:以基于研究对象的三维矩阵对粒子(AGV)的平面位置和转弯时刻进行编码,并运用基于蚁群算法、遗传算法及多种群混合智能算法对多AGV 协调避障问题数学模型进行求解,得到给定任务量下多AGV的最优避障调度方案。
进一步地,所述编码采用整数编码方式。
进一步地,所述AGV避障优化问题数学模型表示为:
min{T1+T2+...+Tk+...+Tn} (1)
其中,J(t)为禁忌表,表示时刻t已经被其他AGV占用或者由于AGV转弯而被锁死的位置;
Tk,j表示第k辆AGV的第j阶段运动时间;
Tk表示第k辆AGV的总运动时间;
a1表示AGV小车加速的加速度;
a2表示AGV小车减速的加速度;
T0表示AGV转动过程中的转动时间;
L0表示两个相邻地标二维码之间的距离;
nj表示AGV小车在前后两次转弯过程中所经过的二维码段数;
n表示AGV小车索要记过的总二维码段数;
Vm表示AGV小车的最大运行速度;
TD表示AGV小车工作时准备、装货、卸货等各阶段所需的固定时间;
zs为决策变量,zs=1表示AGV小车在状态步骤S处发生了转弯;
Pi,t,x表示第i个货物在时刻t的横坐标;
Pi,t,y表示第i个货物在时刻t的纵坐标;
Pi,t表示第i个货物在时刻t的位置;
Si,s,x表示第i个货物经过第s次移动后的横坐标;
Si,s,y表示第i个货物经过第s次移动后的纵坐标;
Si,s表示第i个货物经过第s次移动后的位置;
Xm表示地标二维码的横坐标最大值;
Ym表示地标二维码的纵坐标最大值。
进一步地,所述步骤1具体包括以下步骤:
第一步:初始化各项参数:把地面上的二维码坐标按照平面直角坐标系逐一标定坐标值、蚁群算法每阶段的迭代次数N1、遗传算法每阶段的迭代次数N2、蚁群算法的蚂蚁个数为m、遗传算法的染色体数目为m、计数标志N;
第二步:计算出每个坐标的禁忌位置坐标,并纳入禁忌表PJ,并且禁忌表 PJ是随着时间不断变化的,例如当第ki辆AGV小车开始运行时,其在某时刻ti禁止在时刻ti对应的禁忌表PJ,i所包含的坐标内运行。
第三步:初始化AGV小车总个数k,AGV加速时的加速度a+,AGV减速时的加速度a-,转弯调整时间T0,装卸货的固定时间TD,加速时间T+,减速时间T-,匀速运行时间TY,转弯次数z;
第四步:运行蚁群算法求解第1辆AGV的运行路径,并找到AGV小车的转弯位置,然后计算搬运第1个货物的总消耗时间,Tk=T++TY+T-+z*T0+TD;
第五步:按照步骤四逐一计算出第k辆AGV的运行路径,并记录下每一代的最优解,若最优解的路径中包含禁忌表中的元素,则返回找到上一代的最优解,直至AGV的路径中不包含禁忌表中的元素,计算出第k个货物的运行时间;
第六步:运行遗传算法并迭代N1次,输出M1个最优解,并找到经过N1次迭代之后的M2个劣解,保留运算过程中产生的各项数据,等待下一步蚁群算法的计算结果;
第七步:将步骤四中遗传算法产生的M1个最优解与蚁群算法产生的最优解进行数据转换,增强并更新蚁群算法中的某些路径的信息素浓度值;然后进行蚁群算法的迭代计算,经过N2次迭代之后,输出M2个最优解,保留运算过程中产生的各项数据,等待下一步运算的结果;
第八步:将步骤五中蚁群算法经过N2次迭代后产生的M2个最优解,与步骤四中遗传算法经过N1次迭代后找出的M2个最差解组成一个新的种群,然后进行选择操作得到M2条染色体,用这M2条染色体代替遗传算法中最劣的M2条染色体,并更新遗传算法中的染色体种群;最后判断两种算法是否分别达到各自的终止条件,若程序未达到终止条件,则返回步骤5;否则,终止程序;
第九步:输出k个货物的调度方案,确保运行中不发生碰撞,并计算目标函数。
与现有技术相比,本发明的优点如下:
(1)能有效解决自动化立体库内多AGV协同工作问题;
(2)充分利用了蚁群算法和遗传算法的优缺点,使得本发明在实际应用中的响应时间短,计算机控制更方便、更迅速。
附图说明
图1为基本蚁群算法流程图;
图2为基本遗传算法流程图;
图3为多种群混合算法数据转换流程图;
图4为蚁群算法求解多AGV避障策略优化结果图;
图5为遗传算法求解多AGV避障策略优化结果图;
图6为地标二维码示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
实施例1
蚁群算法求解多AGV避障问题的基本原理
由于蚁群算法和遗传算法的算法算理和运行机制存在差异,因此如何将蚁群算法和遗传算法的信息结合起来是多种群混合智能算法设计的关键,本发明从数据转换的角度出发,建立一种能实现在两种算法间进行数据转换的机制,下面对这种机制作简要介绍。
算法之间的数据转换的实质是在一种算法经过一定次数的迭代之后,将产生的阶段性最优解在另一种算法中体现出来。为方便描述,下面先对蚁群算法和遗传算法作简要介绍。
蚁群算法是一种启发式生物智能算法,以蚁群为研究对象,研究其在觅食过程中的群体性行为,并将这种群体智能行为抽象成数学算法,并应用到最短路径问题的实际求解中。
经研究发现,蚂蚁在觅食过程会留下信息素,同一蚁群的其他蚂蚁会识别这种信息素,并且所有蚂蚁之间都能通过信息素交流,蚂蚁会根据信息素的浓度随机选择觅食路径,信息素浓度越高,蚂蚁就越有可能选择此路径;路径越短,信息素挥发的就越少,就会有越来越多的蚂蚁聚集到较短路径上来。为防止蚁群选择的路径并非最优路径,寻找其它可能的最优路径,有些蚂蚁会另辟蹊径,选择其他路径到达目的地,这种机制能防止蚁群陷入“局部最优”。基本蚁群算法流程图如图1所示,具体步骤如下:
(1)初始化基本参数。蚁群算法中需要初始化的参数有:信息素增强系数 q、信息素挥发系数p、种群规模m、信息素重要程度参数a、信息素能见度重要程度参数b、迭代次数Nmax、初始信息素浓度等参数。
(2)路径选择。将蚂蚁种群中的所有蚂蚁都根据信息素浓度,按照特定的算法,随机选择下一步要经过的节点。
(3)更新局部信息素浓度。根据信息素浓度大小,每只蚂蚁随机进行下一个节点的选择,此时都要及时更新此两个节点间上的局部信息素浓度。
(4)找出最优路径。分别计算出蚂蚁种群中所有蚂蚁行走的最优路径,找出本代的最优路径。
(5)更新全局信息素浓度。由于信息素会随着时间挥发,因此每经过一次迭代时,都要对种群中所有路径上的信息素浓度进行一次全局更新。
(6)一次循环结束。判断是否满足终止条件,若满足终止条件则停止迭代并输出所有代数中的最优路径;否则进入步骤(2),继续进行下一次循环。
遗传算法求解多AGV避障问题基本原理
遗传算法是一种模仿生物进化过程中,染色体的复制、交叉、变异等一系列变化过程,并将这种染色体的行为抽象成数学模型,应用到对实际问题的求解过程中。
在生物进化过程中,父代与母代通过染色体将遗传信息传递给子代,在环境的选择作用下,通过优胜劣汰的自然法则,选择出适应环境的个体,经过多次迭代后,最终就能得到对环境较为适应的优秀个体。在遗传算法中,“环境”即为模型中的目标函数,越适应“环境”的染色体,其被遗传到子代的概率就越大。和蚁群算法类似,遗传算法中也存在为防止算法陷入局部最优的机制,每一次迭代后都有一定比例的染色体会产生变异,来保证种群基因的多样性。基本遗传算法流程图如图2所示,具体步骤如下:
(1)初始化基本参数。基本参数包括:交叉概率、变异概率、种群规模、最大迭代次数等,种群中的个体随机生成初始路径。
(2)计算适应度值。应用适应度值公式,计算每一个体的适应度值。
(3)选择操作。根据每一个体的适应度值,计算每一个父代个体被已传达下一代的概率,然后使用轮盘赌法等方法,确定出遗传到下一代的个体。
(4)交叉操作。将父代的个体按照交叉概率进行两两交叉操作,从而得到自子代个体。
(5)更新种群。为保证子代种群的个体数和父代相同,完成交叉操作后,需要选出子代的优秀个体组成新的种群。
(6)完成一次迭代。至此已经完成了一次迭代操作,需要判断是否达到迭代终止条件。若达到迭代终止条件,则输出结果;否则进入第(2)步,继续迭代。
多种群混合智能算法求解多AGV避障问题基本原理
对蚁群算法和遗传算法的原理分析可知,蚁群算法中的路径选择是通过对信息素浓度含量按概率选择来完成的,信息素浓度越高,蚂蚁选择此条路径的概率就越大;遗传算法是通过染色体环境适应性的大小来确定路径的,适应度越大,则蚂蚁选择此路径的概率就越大。遗传算法与蚁群算法间的数据转换,既包含将遗传算法取得的阶段最优解转换为蚁群算法数据的过程,也包含将蚁群算法取得的阶段性最优解转换为遗传算法数据的过程。
蚁群算法和遗传算法的间数据转换具体流程如图3所示,具体步骤如下:
(1)将蚁群算法迭代后的较优路径融入到遗传算法中。在蚁群算法迭代一定的次数n1之后,将其求解出的m1个局部最优解对应的路径按照遗传算法的编码方式编成相应的m1个染色体编码,将这m1个染色体与遗传算法经过n2次迭代之后,求解出的m1个局部最劣解,组成一个包含2m1条染色体的新种群。将这2m1条染色体组成的种群看成父代,分别计算出适应度函数,然后按照遗传算法的选择策略从2m1条染色体中选出m1条染色体加入到遗传算法的种群中。这种方法使用遗传算法的结果,优化了遗传算法的种群,能加快遗传算法的收敛速度、提高运算精度,同时防止算法过早收敛、出现早熟现象。
(2)将遗传算法迭代后的较优路径融入到蚁群算法中。在蚁群算法运行一定的迭代次数n1的同时,遗传算法也并行计算n2次后,得出一组可行解,在可行解中找出m2个局部最优解,找出这m2个解对应的路径,并在这些路径上添加一定的信息素,通过这种方式提高蚁群算法的求解精度和运算效率,并能防止蚁群算法陷入局部最优。其中各条路径上增加的信息素按照下式计算:
Δτij——路径i-j上的素增加量。
Δτ——基本信息素增加量,可根据情况自行设置。
δk——决策变量。
ρk——系数,可根据情况自行设置。
本发明的一种基于多种群混合智能算法的AGV避障调度方法,具体步骤如下:
步骤1:以AGV小车和地标二维码为研究对象,并以AGV完成输送任务所花费的总工作时间最小作为避障调度的目标,构造AGV避障优化问题数学模型;
步骤2:以基于研究对象的三维矩阵对粒子(AGV)的平面位置和转弯时刻进行编码,并运用基于蚁群算法、遗传算法及多种群混合智能算法对多AGV 协调避障问题数学模型进行求解,得到给定任务量下多AGV的最优避障调度方案。
进一步地,所述编码采用整数编码方式。
进一步地,所述AGV避障优化问题数学模型表示为:
min{T1+T2+...+Tk+...+Tn} (1)
其中,J(t)为禁忌表,表示时刻t已经被其他AGV占用或者由于AGV转弯而被锁死的位置;
Tk,j表示第k辆AGV的第j阶段运动时间;
Tk表示第k辆AGV的总运动时间;
a1表示AGV小车加速的加速度;
a2表示AGV小车减速的加速度;
T0表示AGV转动过程中的转动时间;
L0表示两个相邻地标二维码之间的距离;
nj表示AGV小车在前后两次转弯过程中所经过的二维码段数;
n表示AGV小车索要记过的总二维码段数;
Vm表示AGV小车的最大运行速度;
TD表示AGV小车工作时准备、装货、卸货等各阶段所需的固定时间;
zs为决策变量,zs=1表示AGV小车在状态步骤S处发生了转弯;
Pi,t,x表示第i个货物在时刻t的横坐标;
Pi,t,y表示第i个货物在时刻t的纵坐标;
Pi,t表示第i个货物在时刻t的位置;
Si,s,x表示第i个货物经过第s次移动后的横坐标;
Si,s,y表示第i个货物经过第s次移动后的纵坐标;
Si,s表示第i个货物经过第s次移动后的位置;
Xm表示地标二维码的横坐标最大值;
Ym表示地标二维码的纵坐标最大值。
为了实现对给定任务量下多AGV避障模型的求解,本文应用基于融合随机模拟、蚁群算法和遗传算法的多种群混合智能算法,该多种群混合智能算法的具体步骤如下:
步骤1:初始化各项参数。把地面上的二维码坐标按照平面直角坐标系逐一标定坐标值、蚁群算法每阶段的迭代次数N1、遗传算法每阶段的迭代次数N2、蚁群算法的蚂蚁个数为m、遗传算法的染色体数目为m、计数标志N。
步骤2:计算出每个坐标的禁忌位置坐标,并纳入禁忌表PJ,并且禁忌表 PJ是随着时间不断变化的,例如当第ki辆AGV小车开始运行时,其在某时刻 ti禁止在时刻ti对应的禁忌表PJ,i所包含的坐标内运行。
步骤3:初始化AGV小车总个数k,AGV加速时的加速度a+,AGV减速时的加速度a-,转弯调整时间T0,装卸货的固定时间TD,加速时间T+,减速时间 T-,匀速运行时间TY,转弯次数z。
步骤4:运行蚁群算法求解第1辆AGV的运行路径,并找到AGV小车的转弯位置,然后计算搬运第1个货物的总消耗时间。Tk=T++TY+T-+z*T0+TD
步骤5:按照步骤4逐一计算出第k辆AGV的运行路径,并记录下每一代的最优解,若最优解的路径中包含禁忌表中的元素,则返回找到上一代的最优解,直至AGV的路径中不包含禁忌表中的元素,计算出第k个货物的运行时间。
步骤6:运行遗传算法并迭代N1次,输出M1个最优解,并找到经过N1次迭代之后的M2个劣解,保留运算过程中产生的各项数据,等待下一步蚁群算法的计算结果。
步骤7:将步骤4中遗传算法产生的M1个最优解与蚁群算法产生的最优解进行数据转换,增强并更新蚁群算法中的某些路径的信息素浓度值。然后进行蚁群算法的迭代计算,经过N2次迭代之后,输出M2个最优解,保留运算过程中产生的各项数据,等待下一步运算的结果。
步骤8:将步骤5中蚁群算法经过N2次迭代后产生的M2个最优解,与步骤 4中遗传算法经过N1次迭代后找出的M2个最差解组成一个新的种群,然后进行选择操作得到M2条染色体,用这M2条染色体代替遗传算法中最劣的M2条染色体,并更新遗传算法中的染色体种群。最后判断两种算法是否分别达到各自的终止条件,若程序未达到终止条件,则返回步骤5;否则,终止程序。
步骤9:输出k个货物的调度方案,能确保运行中不发生碰撞,并计算目标函数值。
根据本发明的实际情况和仿真实验结果,结合相关文献和试验分析,蚁群算法中的重要参数标定如下:
①控制信息素重要程度的参数α=1;
②控制能见度重要程度的参数β=5;
③信息素挥发系数ρ=0.5;
④信息素增加强度系数Q=1;
⑤小车个数N=30。
根据上述流程,用蚁群算法分别迭代10次,50次,100次,200次,500 次,1000次的结果如表1所示。
表1任务量为基于蚁群算法求解货物拣选问题的最短时间
由MATLAB生成的拣选路径、最短时间和平均时间如图4所示。
为了便于和蚁群算法的结果进行比较,遗传算法选取的货格位置与蚁群算法的货格位置相同,根据上述流程,并查阅相关文献结合试验分析,参数设定的分别为:
(1)小车个数N=30;
(2)种群个数M=200个;
(3)适应值归一化淘汰加速指数m=2;
(4)交叉概率jc_r=0.6,变异概率by_r=0.1;
然后用遗传算法的MATLAB程序分别迭代C=50次,100次,500次,1000 次,5000次,10000次的结果如表2所示。
表2任务量为基于遗传算法求解货物拣选问题的最短时间
经过10000次迭代,遗传算法求解得最终的路径和每一代的最短路径时间图像如图5所示。
根据上述混合算法的步骤,先用遗传算法迭代500次,然后将遗传算法得到的最优路径转换成信息素浓度,再用蚁群算法迭代50次,最后将蚁群算法得到的最优解与遗传算法的最差解组成一个小集合,并找出集合中的最优解并更新遗传算法的种群,依此循环直至两种算法都得到稳定解。
按照上述流程,通过MATLAB仿真结果可知,两种算法互相进行多次数据修改之后,算法求解结果均收敛,并最终趋于稳定,算法的重要数值如表3所示。
表3任务量为基于多种群混合智能算法求解货物拣选最短时间
结果分析
将三种算法计算得到的最短路径所需的总拣选时间、算法收敛的迭代次数和计算机运行时间等重要评价指标汇总到表4中,以便对三种算法进行比较。
表4任务量为三种算法的评价指标表
分析表4可以得出:
(1)蚁群算法收敛速度很快,只需要运行500步就收敛,算法寻找最优解的能力也比较强强,但这种算法的原理造成其每迭代一步所需的时间较长,且容易陷入局部最优,并不一定能寻求到问题的最优解;
(2)遗传算法求解速度非常快,但不足之处在于求解精度不如蚁群算法;
(3)蚁群算法和遗传算法混合运算的方法结合了两种算法的优点,求解精度较高,计算机运行时间也比较短,且在迭代过程中不易陷入局部最优,往往能求解问题的最优解,因此本文中改进的混合算法较为成功。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (3)
1.一种基于多种群混合智能算法的AGV避障调度方法,其特征在于,具体步骤如下:
步骤1:以AGV小车和地标二维码为研究对象,并以AGV完成输送任务所花费的总工作时间最小作为避障调度的目标,构造AGV避障优化问题数学模型;
所述步骤1具体包括以下步骤:
第一步:初始化各项参数:把地面上的二维码坐标按照平面直角坐标系逐一标定坐标值、蚁群算法每阶段的迭代次数N1、遗传算法每阶段的迭代次数N2、蚁群算法的蚂蚁个数为m、遗传算法的染色体数目为m、计数标志N;
第二步:计算出每个坐标的禁忌位置坐标,并纳入禁忌表PJ,并且禁忌表PJ是随着时间不断变化的,当第ki辆AGV小车开始运行时,其在某时刻ti禁止在时刻ti对应的禁忌表PJ,i所包含的坐标内运行;
第三步:初始化AGV小车总个数k,AGV加速时的加速度a+,AGV减速时的加速度a-,转弯调整时间T0,装卸货的固定时间TD,加速时间T+,减速时间T-,匀速运行时间TY,转弯次数z;
第四步:运行蚁群算法求解第1辆AGV的运行路径,并找到AGV小车的转弯位置,然后计算搬运第1个货物的总消耗时间,Tk1=T++TY+T-+z*T0+TD;
第五步:按照第四步逐一计算出第k辆AGV的运行路径,并记录下每一代的最优解,若最优解的路径中包含禁忌表中的元素,则返回找到上一代的最优解,直至AGV的路径中不包含禁忌表中的元素,计算出第k个货物的运行时间;
第六步:运行遗传算法并迭代N1次,输出M1个最优解,并找到经过N1次迭代之后的M2个劣解,保留运算过程中产生的各项数据,等待下一步蚁群算法的计算结果;
第七步:将第六步中遗传算法产生的M1个最优解与蚁群算法产生的最优解进行数据转换,增强并更新蚁群算法中的某些路径的信息素浓度值;然后进行蚁群算法的迭代计算,经过N2次迭代之后,输出M2个最优解,保留运算过程中产生的各项数据,等待下一步运算的结果;
第八步:将第七步中蚁群算法经过N2次迭代后产生的M2个最优解,与第六步中遗传算法经过N1次迭代后找出的M2个最差解组成一个新的种群,然后进行选择操作得到M2条染色体,用这M2条染色体代替遗传算法中最劣的M2条染色体,并更新遗传算法中的染色体种群;最后判断两种算法是否分别达到各自的终止条件,若程序未达到终止条件,则返回第四步;否则,终止程序;
第九步:输出k个货物的调度方案,确保运行中不发生碰撞,并计算目标函数;
步骤2:以基于研究对象的三维矩阵对AGV的平面位置和转弯时刻进行编码,并运用基于蚁群算法、遗传算法及多种群混合智能算法对多AGV协调避障问题数学模型进行求解,得到给定任务量下多AGV的最优避障调度方案。
2.如权利要求1所述的一种基于多种群混合智能算法的AGV避障调度方法,其特征在于,所述编码采用整数编码方式。
3.如权利要求1所述的一种基于多种群混合智能算法的AGV避障调度方法,其特征在于,
所述AGV避障优化问题数学模型表示为:
min{T1+T2+...+Tk+...+Tn} (1)
其中,J(t)为禁忌表,表示时刻t已经被其他AGV占用或者由于AGV转弯而被锁死的位置;
Tk,j表示第k辆AGV的第j阶段运动时间;
Tk表示第k辆AGV的总运动时间;
a1表示AGV小车加速的加速度;
a2表示AGV小车减速的加速度;
T0表示AGV转动过程中的转动时间;
L0表示两个相邻地标二维码之间的距离;
nj表示AGV小车在前后两次转弯过程中所经过的二维码段数;
n表示AGV小车索要记过的总二维码段数;
Vm表示AGV小车的最大运行速度;
TD表示AGV小车工作时准备、装货、卸货等各阶段所需的固定时间;
zs为决策变量,zs=1表示AGV小车在状态步骤S处发生了转弯;
Pi,t,x表示第i个货物在时刻t的横坐标;
Pi,t,y表示第i个货物在时刻t的纵坐标;
Pi,t表示第i个货物在时刻t的位置;
Si,s,x表示第i个货物经过第s次移动后的横坐标;
Si,s,y表示第i个货物经过第s次移动后的纵坐标;
Si,s表示第i个货物经过第s次移动后的位置;
Xm表示地标二维码的横坐标最大值;
Ym表示地标二维码的纵坐标最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138607.5A CN111007813B (zh) | 2019-11-19 | 2019-11-19 | 一种基于多种群混合智能算法的agv避障调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138607.5A CN111007813B (zh) | 2019-11-19 | 2019-11-19 | 一种基于多种群混合智能算法的agv避障调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007813A CN111007813A (zh) | 2020-04-14 |
CN111007813B true CN111007813B (zh) | 2022-11-15 |
Family
ID=70113064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138607.5A Active CN111007813B (zh) | 2019-11-19 | 2019-11-19 | 一种基于多种群混合智能算法的agv避障调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007813B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666681B (zh) * | 2020-06-03 | 2024-03-22 | 重庆大学 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
CN111966050B (zh) * | 2020-07-01 | 2023-04-25 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
TWI741760B (zh) * | 2020-08-27 | 2021-10-01 | 財團法人工業技術研究院 | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 |
CN113253715B (zh) * | 2021-03-01 | 2023-04-07 | 一汽物流有限公司 | 一种无人叉车与agv混合调度方法及*** |
CN117055575A (zh) * | 2023-09-19 | 2023-11-14 | 天津开发区精诺瀚海数据科技有限公司 | 一种面向黑灯工厂的搬运车路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196061A (zh) * | 2019-05-29 | 2019-09-03 | 华北理工大学 | 基于改进蚁群算法的移动机器人全局路径规划方法 |
CN110334838A (zh) * | 2019-04-11 | 2019-10-15 | 国网新疆电力有限公司电力科学研究院 | 基于蚁群算法和遗传算法的agv小车协同调度方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170270466A1 (en) * | 2016-03-18 | 2017-09-21 | Jusda International Logistics (TAIWAN) CO.,LTD | Method and system using with automated guided vehicle |
CN108268031A (zh) * | 2016-12-30 | 2018-07-10 | 深圳光启合众科技有限公司 | 路径规划方法、装置及机器人 |
CN106953768A (zh) * | 2017-04-13 | 2017-07-14 | 西安电子科技大学 | 一种网络可靠性模型及混合智能优化方法 |
CN107132844B (zh) * | 2017-05-24 | 2019-07-16 | 浙江大学 | 一种移动机器人基于姿态检测模块和特殊地标的运动自矫正方法 |
CN107368077A (zh) * | 2017-08-15 | 2017-11-21 | 西京学院 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
-
2019
- 2019-11-19 CN CN201911138607.5A patent/CN111007813B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334838A (zh) * | 2019-04-11 | 2019-10-15 | 国网新疆电力有限公司电力科学研究院 | 基于蚁群算法和遗传算法的agv小车协同调度方法及*** |
CN110196061A (zh) * | 2019-05-29 | 2019-09-03 | 华北理工大学 | 基于改进蚁群算法的移动机器人全局路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111007813A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007813B (zh) | 一种基于多种群混合智能算法的agv避障调度方法 | |
Qin et al. | A novel reinforcement learning-based hyper-heuristic for heterogeneous vehicle routing problem | |
CN107506846B (zh) | 一种基于多目标粒子群优化算法的车辆调度方法与装置 | |
CN107808215B (zh) | 一种应用于Flying-V型非传统布局仓库的货位分配优化方法 | |
Zainuddin et al. | A review of crossover methods and problem representation of genetic algorithm in recent engineering applications | |
CN109472362B (zh) | 一种基于可变任务窗的agv动态调度方法及装置 | |
CN113240215B (zh) | 一种仓储agv的调度方法、***、存储介质及电子设备 | |
CN109581987B (zh) | 一种基于粒子群算法的agv调度路径规划方法及*** | |
CN112684700A (zh) | 一种群体机器人的多目标搜索与围捕控制方法及*** | |
CN115145285A (zh) | 一种仓储agv多点取送货最优路径规划方法及*** | |
CN113033895A (zh) | 一种多源多点路径规划方法、设备及存储介质 | |
CN115454070B (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Harun et al. | A genetic algorithm based task scheduling system for logistics service robots | |
CN115616923B (zh) | 一种基于遗传算法和麻雀算法的车辆路径优化方法 | |
CN114399161A (zh) | 基于离散映射差分进化算法的多无人机协同任务分配方法 | |
Luo et al. | A* guiding DQN algorithm for automated guided vehicle pathfinding problem of robotic mobile fulfillment systems | |
CN112766865A (zh) | 一种考虑实时订单的互联网电商仓储动态调度方法 | |
CN115617690A (zh) | 基于改进自适应遗传算法的并行测试任务调度方法 | |
Liu et al. | Multiple depots vehicle routing based on the ant colony with the genetic algorithm | |
CN112216341B (zh) | 一种群体行为逻辑优化方法及计算机可读存储介质 | |
CN116164753B (zh) | 矿山无人车路径导航方法和装置、计算机设备和存储介质 | |
Lee et al. | Incremental receptive field weighted actor-critic | |
CN116523158A (zh) | 一种多无人机航迹规划方法、装置、设备及存储介质 | |
CN116957437A (zh) | 一种基于序列到序列策略网络深度强化学习模型的多车协同装箱方法 | |
Liu | An analysis of particle swarm optimization of multi-objective knapsack problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |