CN111459108B - 拖挂式多agv***的任务分配及无冲突路径规划方法 - Google Patents
拖挂式多agv***的任务分配及无冲突路径规划方法 Download PDFInfo
- Publication number
- CN111459108B CN111459108B CN202010270868.9A CN202010270868A CN111459108B CN 111459108 B CN111459108 B CN 111459108B CN 202010270868 A CN202010270868 A CN 202010270868A CN 111459108 B CN111459108 B CN 111459108B
- Authority
- CN
- China
- Prior art keywords
- task
- agv
- pull
- task allocation
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 claims abstract description 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 15
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 21
- 241000257303 Hymenoptera Species 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,属于多AGV调度技术领域。本发明在物流通道只允许单AGV通过的混合装配生产车间内,将AGV与多个拖车结合成拖挂式AGV***,考虑拖挂式AGV长度的情况下,进行拖挂式多AGV***的任务分配与无冲突路径规划,使拖挂式AGV能在需求点软时间窗的要求下将货物运输到指定位置,优化任务分配使所有任务配送完成的总能量消耗与任务完成的滞后时间惩罚值以不同权重相加的和最小。本发明可降低企业购置大量物流设备的成本,减少物流设备产生的能源消耗,使制造企业的生产成本降低,提高产品的市场竞争力。合理的任务分配以及路径规划能够缓解混合装配生产***线边缓存区的压力,使生产***更高效稳定运行。
Description
技术领域
本发明涉及一种拖挂式多AGV***的任务分配及无冲突路径规划方法,属于多AGV调度技术领域。
背景技术
近年来,随着科学技术与经济的快速发展,客户对产品个性化定制的需求日益增加,制造企业同时面临着巨大产业升级的压力,实现小批量复杂产品的生产制造是满足客户不同需求,保持产品原有市场竞争力的关键。混合装配生产车间作为一种可同时生产不同产品的生产***相较于传统的生产线可实现多种类产品的生产,合理进行排产与物料配送可实现不同产品的小批量制造,可有效缓解企业产业升级的压力并保持产品的市场竞争力。
物料配送作为混合装配生产***的重要组成部分之一,AGV由于其自动化程度高、可靠性好、适应性强的特点被广泛应用。目前工业用的AGV购置成本昂贵,且一般采用埋磁条的方式以固定路线进行物料配送,不利于生产线的升级改造。采用可自主导航的AGV可将其作为牵引车头与多个拖车构成拖挂式AGV,如图1所示,实现自动导航与避障。
发明内容
本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法要解决的技术问题是:在物流通道只允许单AGV通过的混合装配生产车间内,将AGV与多个拖车结合成拖挂式AGV***,拖挂式AGV记作AGTT(Auto-Guided Tow Train),考虑拖挂式AGV长度的情况下,进行拖挂式多AGV***的任务分配与无冲突路径规划,使拖挂式AGV能在需求点软时间窗的要求下将货物运输到指定位置,并优化任务分配使所有任务配送完成的总能量消耗与任务完成的滞后时间惩罚值以不同权重相加的和最小。本发明可降低企业购置大量物流设备的成本,减少物流设备产生的能源消耗,使制造企业的生产成本降低,提高产品的市场竞争力。此外,合理的任务分配以及路径规划能够有效缓解混合装配生产***线边缓存区的压力,使生产***能够更高效稳定运行。
本发明的目的是通过下述技术方案实现的:
本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,利用拖挂式AGV取代传统自动物料处理***中单AGV,提供一种基于规则的任务调整算法。在任务调整之前,利用距离邻接矩阵,采用优化算法给出初始任务分配方案,并将其作为任务调整算法的输入;在任务调整过程中,任务分配与路径规划相互耦合,每一个任务分配方案通过基于时空图的路径规划方法计算出各拖挂式AGV的具体无冲突路径;利用提出的兼顾能耗与物料配送滞后的惩罚值计算方法对每个任务分配方案进行评估;在每一轮任务调整过程中,选择惩罚值最低的任务分配方案作为下一轮任务调整的输入,直至满足算法的停止条件,输出最优的任务分配方案与各拖挂式AGV的具体路径。
本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,包括如下步骤:
步骤1、对生产车间布局地图进行处理,生成栅格地图MAP并添加时间维度记为时空地图map,栅格地图MAP需具备所有工位下料点的位置信息。
步骤2、初始化任务分配相关的数据,包括最多AGV数量agv_available、单AGV最大挂载拖车的数量agv_ability、待分配的任务列表required_points。所述待分配的任务列表required_points包括各任务时间窗的要求、每个任务下料时车辆需要的停靠时间tu。
步骤3、根据生产车间布局栅格地图MAP以及所有任务点的位置信息,采用传统的路径规划算法求解各任务点之间的距离,记作距离邻接矩阵distance_ad。所述传统的路径规划算法未考虑拖挂式AGV的长度以及AGV运行时的物理冲突。
步骤3中所述传统的路径规划算法包括蚁群算法、A*算法、Dijsktra算法。
步骤4、根据距离邻接矩阵distance_ad以及任务列表信息required_points,采用优化方法求解出不考虑拖挂式AGV实际冲突的最优任务分配方案,记作初始任务分配方案chrom_original。
步骤4所述优化方法包括遗传算法、模拟退化算法、粒子群算法,优选遗传算法。
步骤4.1、遗传算法采用实数编码的方法,每个实数对应任务的编号,以数字0隔开,0的前后分别代表不同拖挂式AGV承担的任务顺序。
步骤4.2、遗传算法的惩罚值计算如下:
punishxchrom=Wenergy*Senergy+Wdelay*Sdelay
punishxchrom表示某一条任务分配方案的惩罚值总和;
Senergy表示该任务分配方案下所需要的能耗总和;
Sdelay表示该任务分配方案下完成所有任务的滞后时间总和;
Wenergy表示计算总惩罚值中能耗部分的权值;
Wdelay表示计算总惩罚值中滞后时间的权值;
m11表示每辆AGV自身的质量;
m12表示每辆拖车空载时的质量;
mbin表示每单位货物的质量;
g表示重力加速度;
f表示车辆行驶时与地面的滚动摩擦系数;
步骤4.3、对种群进行任务分配方案的选择、交叉、变异后,输入不考虑冲突时的最优任务分配方案,记作初始任务分配方案chrom_original。
步骤5、以初始任务分配方案chrom_original,任务列表信息required_points,距离邻接矩阵distance_ad,时空地图map作为数据输入基于规则的任务调整算法。
步骤6、基于规则的任务调整算法首先根据初始任务分配方案chrom_original进行任务转移,转移后的所有可能任务分配方案集合,记作chrom,初始化列表O和I。
步骤6.1、初始化列表O,记录存在任务的拖挂式AGV编号;初始化列表I,记录未满载的拖挂式AGV编号。
步骤6.2、从列表O中随机选择一辆拖挂式AGVAGTTselected,根据初始任务分配方案计算出该辆拖挂式AGV承担的各任务的惩罚值,计算方式如下:
步骤6.3、选择惩罚值最大的一个任务taskselected,移出AGTTselected的任务列表。
步骤6.4、存在于列表I中编号的拖挂式AGV,分别将taskselected加入各自的任务列表,形成的所有可能的任务分配方案,记作chrom。
步骤7、解析步骤6的所有转移后的任务分配方案,对各拖挂式AGV承担的任务的进行排序,生成新的任务分配方案集合chrom,排序的方法根据限制的单AGV最大可挂载拖车数量agv_ability决定。
步骤7.1、当agv_ability的值小于等于6时,采用枚举法,将每辆车可能的任务排序一一枚举并计算该辆拖挂式AGV的惩罚值,取惩罚值最小的排序方式作为该拖挂式AGV执行的任务顺序。
步骤7.2、当agv_ability的值大于6时,采用遗传算法的方式,计算出惩罚值最低的任务排序方案。
步骤7.3、将完成任务排序的每辆拖挂式AGV的任务列表合成新的任务分配方案集合chrom。
步骤8、以步骤7排序后的任务分配方案集合chrom,任务列表信息required_points,距离邻接矩阵distance_ad,更新过的时空地图map作为数据输入基于规则的任务调整算法的路径规划模块。
步骤9、路径规划模块选择任务分配方案集合chrom中的chrom_x任务分配方案进行解码,读取未更新的时空地图map信息并规划存在实际冲突情况的详细路径,求得该任务分配方案下的真实惩罚值。
步骤9.1、根据每辆拖挂式AGV下个待执行任务的紧急程度,确定各拖挂式AGV进行无冲突路径规划的先后顺序。
tp表示货物下料所需的时间。
步骤9.1.4、计算每辆拖挂式AGV执行下个任务的时间紧急程度tenk。
步骤9.1.5、根据每辆拖挂式AGV执行下个任务的时间紧急程度tenk进行排序,并选择出所有tenk中最小值对应的拖挂式AGV编号,记作k。
步骤9.2、读取步骤8更新后的时空地图map,考虑真实冲突,采用蚁群算法对编号为k的拖挂式AGV进行其任务序列中下个任务的无冲突路径规划,得到具体的路径信息。
步骤9.2.1、将步骤9.3.3中涉及的时空坐标点的可达状态置为可达。
步骤9.2.2、确定该次路径规划的起始点,即拖挂式AGV车头经过上个任务点的时空状态,对应于时空图map中的坐标(xstart,ystart,tstart);确定该次路径规划的终点,对应于二维栅格地图中的坐标(xend,yend)。
步骤9.2.3、在时空图的时间维度,t每增加1单位,蚂蚁进行一次路径选择。当前蚂蚁处于时空图坐标(xnow,ynow,tnow)处,则下一时刻,蚂蚁可能存在的状态(xnext,ynext,tnext)有:(xnow-1,ynow,tnow+1)、(xnow+1,ynow,tnow+1)、(xnow,ynow-1,tnow+1)、
(xnow,ynow+1,tnow+1)、(xnow,ynow,tnow)
步骤9.2.4、蚂蚁下一时刻状态的选择应无冲突,且尽量离开原地向目标点移动,启发值H的计算公式如下:
其中
A、B、α、β表示系数;
第一项式使蚂蚁尽可能寻找最短路径,第二项式使蚂蚁尽可能离开出发点。
步骤9.2.5、进行第一阶段的路径规划,起始点对应的时空信息为(xstart,ystart,tstart),由于上一个任务下料时要使货物所在的第bi个拖车与下料点对应,AGV车头需向前多行驶bi个拖车对应的长度,此时车头AGV位于栅格地图上的(xahead,yahead)坐标处,该点作为临时终点。AGV每行驶1单位拖车长度以及每单位栅格的时间均为1,为AGV对应拖车到达相应的下料点的时刻,即临时终点的最早时刻,其中tbi表示车头向前多行驶bi个拖车长度实际用的时间。表示上一个任务要求的软时间窗。
步骤9.2.6、进行第二阶段的路径规划,起始点为步骤9.2.4中的(xnext,ynext,tnext),终点的栅格地图坐标为下一个任务点的坐标,即(xend,yend),重复执行步骤9.2.4、步骤9.2.5,直到规划出路径,输出的最短路径记作表示第k辆拖挂式AGV第i个任务执行的具体路径信息。
步骤9.3.2、对于[tstart,tend]中的每一时刻,计算出总长度为L的拖挂式AGV的车头与各拖车的位置坐标,并将这些位置的时空图坐标置为不可达状态。(x,y,t)为中的某一路径点,则以(x,y,t)为起点沿着向前寻找L-1个不同的坐标点,结果为(x-L+1,y)、(x-L+2,y)...(x-1,y),则AGV与各拖车的坐标对应于时空图坐标为(x-L+1,y,t)、(x-L+2,y,t)...(x-1,y,t)、(x,y,t)。在时空图map中将所述时空坐标的可达状态标注为不可达。
步骤9.3.3、由于只包含编号为k的拖挂式AGV车头到达下个任务点的详细路径信息,而向前多行驶i个单位使装载货物的拖车与下料点对应的路径信息尚未考虑,以(xend,yend)为起点,AGV行驶方向的L个不同点的的时空坐标点的可达状态标注为不可达,其中
步骤9.4、返回步骤9.1循环迭代,直至完成所选择chrom_x任务分配方案所有任务无冲突的路径规划。
步骤10、返回步骤9循环迭代,直至完成新任务分配方案集合中所有任务分配方案的无冲突路径规划。
步骤11、更新列表O与初始任务分配方案chrom_original。
步骤12、如果O为空,则任务调整结束;否则,返回步骤5循环迭代。
步骤13、输出最优的任务分配方案chrom_original、输出最优任务分配方案对应的具体路径信息。
步骤14、在步骤1至步骤5通过将不同比重的能耗与滞后时间惩罚相加的值作为评价拖挂式多AGV***任务分配的好坏,既考虑运输物料产生的滞后惩罚,缓解混合装配生产***线边缓存区的压力,又考虑***的能量消耗,降低制造物流中的能耗成本。在步骤8至步骤10采用时空地图进行拖挂式多AGV的无冲突路径规划,解决多AGV***向拖挂式多AGV***转变存在的冲突问题,实现拖挂式多AGV***的无冲突运行。在步骤6至步骤13采用一种基于规则的任务调整算法,在任务分配的同时,规划出各拖挂式AGV无冲突的运行路线,相较于采用邻接距离矩阵直接进行任务分配,本方法得出的任务分配方案可以使拖挂式多AGV***配送全部任务产生的总能耗与滞后时间惩罚值以不同权重相加的总和更低,同时考虑混合装配生产***线边缓存区的压力与生产物流中产生的能耗成本,使生产***能够更高效稳定运行。在步骤1至步骤13采用拖挂式AGV取代原单AGV,减少企业对AGV的数量需求,降低企业购置物流设备的成本。
有益效果
1、本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,采用拖挂式AGV取代原单AGV的方法,减少企业对AGV的数量需求,降低企业购置物流设备的成本。
2、本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,将不同比重的能耗与滞后时间惩罚相加的值作为评价拖挂式多AGV***任务分配好坏的方法,使拖挂式多AGV***在任务分配时既考虑运输物料产生的滞后惩罚,缓解混合装配生产***线边缓存区的压力,又考虑***的能量消耗,降低生产***中产生的能耗成本。
3、本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,采用时空地图进行拖挂式多AGV无冲突路径规划的方法,解决多AGV***向拖挂式多AGV***转变存在的冲突问题,实现了拖挂式多AGV***的无冲突运行。
4、本发明公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,采用一种基于规则的任务调整算法,在任务分配的同时,规划出各拖挂式AGV无冲突的运行路线,相较于采用邻接距离矩阵直接进行任务分配,本方法得出的任务分配方案可以使得拖挂式多AGV***配送全部任务产生的总能耗与滞后时间惩罚值以不同权重相加的总和更低,兼顾混合装配生产***线边缓存区的压力与生产物流能耗成本,使生产***能够更高效稳定运行。
附图说明
图1为本发明中拖挂式AGV的形式
图2为本发明构建的拖挂式多AGV***的任务分配及无冲突路径规划方法框架图
图3为本发明构建的拖挂式多AGV***的任务分配及无冲突路径规划方法的总体流程图
图4为本发明提供的无冲突路径规划方法流程图
图5为本发明提供的基于规则的任务调整算法流程图
图6为本发明实施案例提供的车间布局栅格地图
图7为本发明实施案例提供的不考虑冲突情况下的最优任务分配方案的优化过程
图8为本发明实施案例提供的基于规则的任务分配方案的调整优化过程
图9为本发明实施案例提供的无冲突路径图
图10为本发明实施案例提供的车辆下料的时间图
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
实施例:某生产车间布局栅格图如图6所示,通道宽度单次只允许一辆拖挂式AGV通过。拖挂式AGV只能向前运行,无法后退。随机生成的运输任务及具体信息如表1所示。
表1 运输任务表
如图3所示,本实施例公开公开的拖挂式多AGV***的任务分配及无冲突路径规划方法,具体实现步骤如下:
步骤1、对生产车间布局地图进行处理,生成栅格地图MAP并添加时间维度记为时空地图map,栅格地图MAP需具备所有工位下料点的位置信息。
步骤2、初始化任务分配相关的数据,包括最多AGV数量agv_available、单AGV最大挂载拖车的数量agv_ability、待分配的任务列表required_points。所述待分配的任务列表required_points包括各任务时间窗的要求、每个任务下料时车辆需要的停靠时间tu。待分配的任务列表required_points如表1所示,其余数据如表2所示
表2 参数表
步骤3、根据生产车间布局栅格地图MAP以及所有任务点的位置信息,采用传统的路径规划算法求解各任务点之间的距离,记作距离邻接矩阵distance_ad。
步骤4、根据距离邻接矩阵distance_ad以及任务列表信息required_points,采用优化方法求解出不考虑拖挂式AGV实际冲突的最优任务分配方案,记作初始任务分配方案chrom_original。步骤4所述优化方法包括遗传算法、模拟退化算法、粒子群算法,优选遗传算法。
步骤4.1、遗传算法采用实数编码的方法,每个实数对应任务的编号,以数字0隔开,0的前后分别代表不同拖挂式AGV承担的任务顺序,例如:
[1 2 3 0 4 5 0 0 6 7 8 9 0 10 0]
该任务分配方案代表10个任务安排给6辆车的一个方案,第一辆车承担任务1/2/3,第二辆车承担任务4/5,第三辆车不承担任务,第四辆车承担任务6/7/8/9,第五辆车承担任务10,第六辆车不承担任务。
步骤4.2、遗传算法的惩罚值计算如下:
punishxchrom=Wenergy*Senergy+Wdelay*Sdelay
punishxchrom表示某一条任务分配方案的惩罚值总和;
Senergy表示该任务分配方案下所需要的能耗总和;
Sdelay表示该任务分配方案下完成所有任务的滞后时间总和;
Wenergy表示计算总惩罚值中能耗部分的权值;
Wdelay表示计算总惩罚值中滞后时间的权值;
m11表示每辆agv自身的质量;
m12表示每辆拖车空载时的质量;
mbin表示每单位货物的质量;
g表示重力加速度;
f表示车辆行驶时与地面的滚动摩擦系数;
步骤4.3、对种群进行任务分配方案的选择、交叉、变异后,输入不考虑冲突时的最优任务分配方案,记作初始任务分配方案chrom_original。初始任务分配方案的优化曲线如图7所示,所得初始任务分配方案chrom_original如下:
chrom_original=[6 3 0 1 4 9 0 2 8 0 0 7 5 10]
步骤5、将初始的任务分配方案chrom_original、距离邻接矩阵diatance_ad、时空图map输入基于规则的任务调整算法,如图2、图5所示。
步骤6、基于规则的任务调整算法首先根据初始任务分配方案chrom_original进行任务转移,转移后的所有可能任务分配方案集合,记作chrom,初始化列表O和I。
步骤6.1、初始化列表O,记录存在任务的拖挂式AGV编号;初始化列表I,记录未满载的拖挂式AGV编号。
O=[1 2 3 5]
I=[1 2 3 4 5]
步骤6.2、从列表O中随机选择一辆拖挂式AGVAGTTselected,此处取AGTT 1,根据初始任务分配方案计算出该辆拖挂式AGV承担的各任务的惩罚值,计算方式如下:
计算得到AGTT 1承担的任务6惩罚值为53.7;承担的任务3惩罚值为170.1。
步骤6.3、选择惩罚值最大的一个任务taskselected,即任务3,移出AGTTselected的任务列表。
步骤6.4、存在于列表I中编号的拖挂式AGV,分别将taskselected加入各自的任务列表,形成的所有可能的任务分配方案,记作chrom。
步骤7、将chrom每个方案中每辆车承担的任务进行排序,构成新的任务分配方案chrom。
步骤8、将新的任务分配方案集合chrom、距离邻接矩阵diatance_ad、时空图map输入基于规则的任务调整算法的路径规划模块,如图2、图5所示。
步骤9、路径规划模块选择任务分配方案集合chrom中的chrom_x任务分配方案进行解码,读取未更新的时空地图map信息并规划存在实际冲突情况的详细路径,求得该任务分配方案下的真实惩罚值。
步骤9.1、根据每辆拖挂式AGV下个待执行任务的紧急程度,确定各拖挂式AGV进行无冲突路径规划的先后顺序。
tp表示货物下料所需的时间。
步骤9.1.4、计算每辆拖挂式AGV执行下个任务的时间紧急程度tenk。
步骤9.1.5、选择出所有tenk中最小值对应的拖挂式AGV编号,记作k,此处k=5。
步骤9.2、读取步骤8更新后的时空地图map,考虑真实冲突,采用蚁群算法对编号为k的拖挂式AGV进行其任务序列中下个任务的无冲突路径规划,得到具体的路径信息。
步骤9.2.1、将步骤9.3.3中涉及的时空坐标点的可达状态置为可达。
步骤9.2.2、确定该次路径规划的起始点,即拖挂式AGV车头经过上个任务点的时空状态,对应于时空图map中的坐标(xstart,ystart,tstart);确定该次路径规划的终点,对应于二维栅格地图中的坐标(xend,yend)。
此例中,起始点为AGTT 5承担的任务7所在的时空坐标(13,18,43),终点为任务5所在的坐标(7,32)。
步骤9.2.3、在时空图的时间维度,t每增加1单位,蚂蚁进行一次路径选择。当前蚂蚁处于时空图坐标(xnow,ynow,tnow)处,则下一时刻,蚂蚁可能存在的状态(xnext,ynext,tnext)有:(xnow-1,ynow,tnow+1)、(xnow+1,ynow,tnow+1)、(xnow,ynow-1,tnow+1)、(xnow,ynow+1,tnow+1)、(xnow,ynow,tnow)
当前蚂蚁处于(13,18,43)处,下一时刻可能存在的时空坐标为(12,18,44)、(13,18,44)、(14,18,44)。
步骤9.2.4、蚂蚁下一时刻状态的选择应无冲突,且尽量离开原地向目标点移动,启发值H的计算公式如下:
其中
A、B、α、β表示系数;
第一项式使蚂蚁尽可能寻找最短路径,第二项式使蚂蚁尽可能离开出发点。
步骤9.2.5、进行第一阶段的路径规划,起始点对应的时空信息为(xstart,ystart,tstart),由于上一个任务下料时要使货物所在的第bi个拖车与下料点对应,AGV车头需向前多行驶bi个拖车对应的长度,此时车头AGV位于栅格地图上的(xahead,yahead)坐标处,该点作为临时终点。AGV每行驶1单位拖车长度以及每单位栅格的时间均为1,为AGV对应拖车到达相应的下料点的时刻,即临时终点的最早时刻,其中tbi表示车头向前多行驶bi个拖车长度实际用的时间。表示上一个任务要求的软时间窗。
步骤9.2.6、进行第二阶段的路径规划,起始点为步骤9.2.4中的(xnext,ynext,tnext),终点的栅格地图坐标为下一个任务点的坐标,即(xend,yend),重复执行步骤9.2.4、步骤9.2.5,直到规划出路径,输出的最短路径记作表示第k辆拖挂式AGV第i个任务执行的具体路径信息。
此处,AGTT 5的总长度L=5。
步骤9.3.2、对于[tstart,tend]中的每一时刻,计算出总长度为L的拖挂式AGV的车头与各拖车的位置坐标,并将这些位置的时空图坐标置为不可达状态。
在此处,(x,y,t)为中的某一路径点,则以(x,y,t)为起点沿着向前寻找4个不同的坐标点,结果为(x-4,y)、(x-3,y)、(x-2,y)(x-1,y),则AGV与各拖车的坐标对应于时空图坐标为(x-4,y,t)、(x-3,y,t)、(x-2,y,t)、(x-1,y,t)、(x,y,t)。在时空图map中将这些时空坐标的可达状态标注为不可达。
步骤9.3.3、由于只包含编号为k的拖挂式AGV车头到达下个任务点的详细路径信息,而向前多行驶i个单位使装载货物的拖车与下料点对应的路径信息尚未考虑,以(xend,yend)为起点,AGV行驶方向的L个不同点的的时空坐标点的可达状态标注为不可达,其中
步骤9.4、返回步骤9.1循环迭代,直至完成所选择chrom_x任务分配方案所有任务无冲突的路径规划。
步骤10、返回步骤9循环迭代,直至完成新任务分配方案集合中所有任务分配方案的无冲突路径规划。
步骤11、更新列表O与初始任务分配方案chrom_original。
chrom_x=[6 0 1 4 9 0 2 8 0 3 0 7 5 10]
O=[1 2 3 5]
chromoriginal=[6 0 1 4 9 0 2 8 0 3 0 7 5 10]
步骤12、如果O为空,则任务调整结束;否则,返回步骤5循环迭代。
本案例的基于规则的任务分配调整优化过程如图8所示。
步骤13、输出最优的任务分配方案chrom_original、输出最优任务分配方案对应的具体路径信息。
最优的任务分配方案如下所示:
chrom_original=[6 3 0 1 9 0 2 0 8 0 4 7 5 10 0]
拖挂式AGV1承担任务6、3,拖挂式AGV2承担任务1、9,拖挂式AGV3承担任务2,拖挂式AGV4承担任务8,拖挂式AGV5承担任务4、7、5、10。每辆拖挂式AGV具体的路径与运行时间如图9、图10所示。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:包括如下步骤,
步骤1、对生产车间布局地图进行处理,生成栅格地图MAP并添加时间维度记为时空地图map,栅格地图MAP需具备所有工位下料点的位置信息;
步骤2、初始化任务分配相关的数据,包括最多AGV数量agv_available、单AGV最大挂载拖车的数量agv_ability、待分配的任务列表required_points;所述待分配的任务列表required_points包括各任务时间窗的要求、每个任务下料时车辆需要的停靠时间tu;
步骤3、根据生产车间布局栅格地图MAP以及所有任务点的位置信息,采用传统的路径规划算法求解各任务点之间的距离,记作距离邻接矩阵distance_ad;所述传统的路径规划算法未考虑拖挂式AGV的长度以及AGV运行时的物理冲突;
步骤4、根据距离邻接矩阵distance_ad以及任务列表信息required_points,采用优化方法求解出不考虑拖挂式AGV实际冲突的最优任务分配方案,记作初始任务分配方案chrom_original;
步骤5、以初始任务分配方案chrom_original,任务列表信息required_points,距离邻接矩阵distance_ad,时空地图map作为数据输入基于规则的任务调整算法;
步骤6、基于规则的任务调整算法首先根据初始任务分配方案chrom_original进行任务转移,转移后的所有可能任务分配方案集合,记作chrom,初始化列表O,记录存在任务的拖挂式AGV编号,初始化列表I,记录未满载的拖挂式AGV编号;
步骤7、解析步骤6的所有转移后的任务分配方案,对各拖挂式AGV承担的任务的进行排序,生成新的任务分配方案集合chrom,排序的方法根据限制的单AGV最大可挂载拖车数量agv_ability决定;
步骤8、以步骤7排序后的任务分配方案集合chrom,任务列表信息required_points,距离邻接矩阵distance_ad,更新过的时空地图map作为数据输入基于规则的任务调整算法的路径规划模块;
步骤9、路径规划模块选择任务分配方案集合chrom中的chrom_x任务分配方案进行解码,读取未更新的时空地图map信息并规划存在实际冲突情况的详细路径,求得该任务分配方案下的真实惩罚值;
步骤10、返回步骤9循环迭代,直至完成新任务分配方案集合中所有任务分配方案的无冲突路径规划;
步骤11、更新列表O与初始任务分配方案chrom_original;
步骤12、如果O为空,则任务调整结束;否则,返回步骤5循环迭代;
步骤13、输出最优的任务分配方案chrom_original、输出最优任务分配方案对应的具体路径信息。
2.如权利要求1所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤14、在步骤1至步骤5通过将不同比重的能耗与滞后时间惩罚相加的值作为评价拖挂式多AGV***任务分配的好坏,既考虑运输物料产生的滞后惩罚,缓解混合装配生产***线边缓存区的压力,又考虑***的能量消耗,降低制造物流中的能耗成本;在步骤8至步骤10采用时空地图进行拖挂式多AGV的无冲突路径规划,解决多AGV***向拖挂式多AGV***转变存在的冲突问题,实现拖挂式多AGV***的无冲突运行;在步骤6至步骤13采用一种基于规则的任务调整算法,在任务分配的同时,规划出各拖挂式AGV无冲突的运行路线,相较于采用邻接距离矩阵直接进行任务分配,本方法得出的任务分配方案可以使拖挂式多AGV***配送全部任务产生的总能耗与滞后时间惩罚值以不同权重相加的总和更低,同时考虑混合装配生产***线边缓存区的压力与生产物流中产生的能耗成本,使生产***能够更高效稳定运行;在步骤1至步骤13采用拖挂式AGV取代原单AGV,减少企业对AGV的数量需求,降低企业购置物流设备的成本。
3.如权利要求1或2所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤3中所述传统的路径规划算法包括蚁群算法、A*算法、Dijsktra算法;
步骤4所述优化方法包括遗传算法、模拟退化算法、粒子群算法,优选遗传算法。
4.如权利要求3所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤4实现方法,
步骤4.1、遗传算法采用实数编码的方法,每个实数对应任务的编号,以数字0隔开,0的前后分别代表不同拖挂式AGV承担的任务顺序;
步骤4.2、遗传算法的惩罚值计算如下:
punishxchrom=Wenergy*Senergy+Wdelay*Sdelay
punishxchrom表示某一条任务分配方案的惩罚值总和;
Senergy表示该任务分配方案下所需要的能耗总和;
Sdelay表示该任务分配方案下完成所有任务的滞后时间总和;
Wenergy表示计算总惩罚值中能耗部分的权值;
Wdelay表示计算总惩罚值中滞后时间的权值;
m11表示每辆AGV自身的质量;
m12表示每辆拖车空载时的质量;
mbin表示每单位货物的质量;
g表示重力加速度;
f表示车辆行驶时与地面的滚动摩擦系数;
步骤4.3、对种群进行任务分配方案的选择、交叉、变异后,输入不考虑冲突时的最优任务分配方案,记作初始任务分配方案chrom_original。
5.如权利要求4所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤6实现方法为,
步骤6.1、初始化列表O,记录存在任务的拖挂式AGV编号;初始化列表I,记录未满载的拖挂式AGV编号;
步骤6.2、从列表O中随机选择一辆拖挂式AGVAGTTselected,根据初始任务分配方案计算出该辆拖挂式AGV承担的各任务的惩罚值,计算方式如下:
步骤6.3、选择惩罚值最大的一个任务taskselected,移出AGTTselected的任务列表;
步骤6.4、存在于列表I中编号的拖挂式AGV,分别将taSkselected加入各自的任务列表,形成的所有可能的任务分配方案,记作chrom。
6.如权利要求5所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤7实现方法为,
步骤7.1、当agv_ability的值小于等于6时,采用枚举法,将每辆车可能的任务排序一一枚举并计算该辆拖挂式AGV的惩罚值,取惩罚值最小的排序方式作为该拖挂式AGV执行的任务顺序;
步骤7.2、当agv_ability的值大于6时,采用遗传算法的方式,计算出惩罚值最低的任务排序方案;
步骤7.3、将完成任务排序的每辆拖挂式AGV的任务列表合成新的任务分配方案集合chrom。
7.如权利要求1或2所述的拖挂式多AGV***的任务分配及无冲突路径规划方法,其特征在于:步骤9实现方法为,
步骤9.1、根据每辆拖挂式AGV下个待执行任务的紧急程度,确定各拖挂式AGV进行无冲突路径规划的先后顺序;
tp表示货物下料所需的时间;
步骤9.1.4、计算每辆拖挂式AGV执行下个任务的时间紧急程度tenk;
步骤9.1.5、根据每辆拖挂式AGV执行下个任务的时间紧急程度tenk进行排序,并选择出所有tenk中最小值对应的拖挂式AGV编号,记作k;
步骤9.2、读取步骤8更新后的时空地图map,考虑真实冲突,采用蚁群算法对编号为k的拖挂式AGV进行其任务序列中下个任务的无冲突路径规划,得到具体的路径信息;
步骤9.2.1、将步骤9.3.3中涉及的时空坐标点的可达状态置为可达;
步骤9.2.2、确定该次路径规划的起始点,即拖挂式AGV车头经过上个任务点的时空状态,对应于时空图map中的坐标(xstart,ystart,tstart);确定该次路径规划的终点,对应于二维栅格地图中的坐标(xend,yend);
步骤9.2.3、在时空图的时间维度,t每增加1单位,蚂蚁进行一次路径选择;当前蚂蚁处于时空图坐标(xnow,ynow,tnow)处,则下一时刻,蚂蚁可能存在的状态(xnext,ynext,tnext)有:(xnow-1,ynow,tnow+1)、(xnow+1,ynow,tnow+1)、(xnow,ynow-1,tnow+1)、(xnow,ynow+1,tnow+1)、(xnow,ynow,tnow)
步骤9.2.4、蚂蚁下一时刻状态的选择应无冲突,且尽量离开原地向目标点移动,启发值H的计算公式如下:
其中
A、B、α、β表示系数;
第一项式使蚂蚁尽可能寻找最短路径,第二项式使蚂蚁尽可能离开出发点;
步骤9.2.5、进行第一阶段的路径规划,起始点对应的时空信息为(xstart,ystart,tstart),由于上一个任务下料时要使货物所在的第bi个拖车与下料点对应,AGV车头需向前多行驶bi个拖车对应的长度,此时车头AGV位于栅格地图上的(xahead,yahead)坐标处,该点作为临时终点;AGV每行驶1单位拖车长度以及每单位栅格的时间均为1,为AGV对应拖车到达相应的下料点的时刻,即临时终点的最早时刻,其中tbi表示车头向前多行驶bi个拖车长度实际用的时间;表示上一个任务要求的软时间窗;
步骤9.2.6、进行第二阶段的路径规划,起始点为步骤9.2.4中的(xnext,ynext,tnext),终点的栅格地图坐标为下一个任务点的坐标,即(xend,yend),重复执行步骤9.2.4、步骤9.2.5,直到规划出路径,输出的最短路径记作表示第k辆拖挂式AGV第i个任务执行的具体路径信息;
步骤9.3.2、对于[tstart,tend]中的每一时刻,计算出总长度为L的拖挂式AGV的车头与各拖车的位置坐标,并将这些位置的时空图坐标置为不可达状态;(x,y,t)为中的某一路径点,则以(x,y,t)为起点沿着向前寻找L-1个不同的坐标点,结果为(x-L+1,y)、(x-L+2,y)...(x-1,y),则AGV与各拖车的坐标对应于时空图坐标为(x-L+1,y,t)、(x-L+2,y,t)...(x-1,y,t)、(x,y,t);在时空图map中将所述时空坐标的可达状态标注为不可达;
步骤9.3.3、由于只包含编号为k的拖挂式AGV车头到达下个任务点的详细路径信息,而向前多行驶i个单位使装载货物的拖车与下料点对应的路径信息尚未考虑,以(xend,yend)为起点,AGV行驶方向的L个不同点的的时空坐标点的可达状态标注为不可达,其中
步骤9.4、返回步骤9.1循环迭代,直至完成所选择chrom_x任务分配方案所有任务无冲突的路径规划;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270868.9A CN111459108B (zh) | 2020-04-08 | 2020-04-08 | 拖挂式多agv***的任务分配及无冲突路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270868.9A CN111459108B (zh) | 2020-04-08 | 2020-04-08 | 拖挂式多agv***的任务分配及无冲突路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459108A CN111459108A (zh) | 2020-07-28 |
CN111459108B true CN111459108B (zh) | 2021-07-06 |
Family
ID=71683520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010270868.9A Active CN111459108B (zh) | 2020-04-08 | 2020-04-08 | 拖挂式多agv***的任务分配及无冲突路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459108B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112268560B (zh) * | 2020-10-09 | 2022-09-09 | 广州杰赛科技股份有限公司 | 一种agv移动路径监测方法、*** |
CN112161630B (zh) * | 2020-10-12 | 2022-07-15 | 北京化工大学 | 适用于大型仓储***的agv在线无碰撞路径规划方法 |
CN112039714B (zh) * | 2020-11-05 | 2021-01-15 | 中国人民解放军国防科技大学 | 基于sla最小化跨站点数据分析成本的方法及装置 |
CN112633606B (zh) * | 2021-01-05 | 2022-11-01 | 佛山科学技术学院 | 一种多agv路径规划方法、装置及计算机可读存储介质 |
CN113848904B (zh) * | 2021-09-24 | 2023-05-16 | 安徽工程大学 | 一种基于惩罚能耗优化多移动机器人任务分配的方法 |
CN113869822A (zh) * | 2021-09-24 | 2021-12-31 | 北京理工大学 | 基于多层单向图的拖挂式多agv***任务调度方法 |
CN116307646B (zh) * | 2023-05-23 | 2023-09-01 | 科大智能物联技术股份有限公司 | 一种基于两阶段动态分区算法的一轨双车调度方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9606217B2 (en) * | 2012-05-01 | 2017-03-28 | 5D Robotics, Inc. | Collaborative spatial positioning |
CN103559598A (zh) * | 2013-09-17 | 2014-02-05 | 山东高速物流集团有限公司 | 一种标准化物流场站物联网 |
CN203567842U (zh) * | 2013-10-31 | 2014-04-30 | 广东嘉腾机器人自动化有限公司 | 拖挂料车及包括该拖挂料车的配送*** |
CN103941737A (zh) * | 2014-05-09 | 2014-07-23 | 济南大学 | 一种复杂环境下拖挂式移动机器人的运动规划与控制方法 |
US9762601B2 (en) * | 2015-06-17 | 2017-09-12 | Uber Technologies, Inc. | Trip anomaly detection system |
CN105045268B (zh) * | 2015-08-25 | 2018-08-31 | 深圳力子机器人有限公司 | 一种agv激光磁带混合导航*** |
CN105740972B (zh) * | 2016-01-22 | 2019-04-05 | 合肥工业大学 | 一种甩挂运输协同路径规划方法 |
CN105956681B (zh) * | 2016-04-15 | 2018-02-06 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
CN106569496B (zh) * | 2016-11-14 | 2021-07-23 | 中国船舶工业集团公司第七0八研究所 | 一种运动路径的规划方法 |
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
DE102018109845A1 (de) * | 2018-04-24 | 2019-10-24 | Kuka Deutschland Gmbh | Kartierungsverfahren |
CN108469827A (zh) * | 2018-05-16 | 2018-08-31 | 江苏华章物流科技股份有限公司 | 一种适用于物流仓储***的自动导引车全局路径规划方法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN108776483B (zh) * | 2018-08-16 | 2021-06-29 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和*** |
CN109270938B (zh) * | 2018-11-20 | 2021-05-11 | 吉林大学 | 一种矿用车方阵编队控制*** |
CN109597385B (zh) * | 2018-12-26 | 2021-08-20 | 芜湖哈特机器人产业技术研究院有限公司 | 一种栅格地图及基于栅格地图的多agv动态路径规划方法 |
CN109557886B (zh) * | 2018-12-28 | 2021-08-20 | 芜湖哈特机器人产业技术研究院有限公司 | 一种栅格地图及基于栅格地图的多agv调度方法 |
CN109839935B (zh) * | 2019-02-28 | 2020-08-25 | 华东师范大学 | 多agv的路径规划方法及设备 |
CN110147971B (zh) * | 2019-04-08 | 2023-02-03 | 合肥工业大学 | 用于规划车辆路径的方法、***及存储介质 |
CN110262408A (zh) * | 2019-05-08 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种用于多agv的智能仓储路线识别装置和方法 |
CN110174111A (zh) * | 2019-05-31 | 2019-08-27 | 山东华锐智能技术有限公司 | 基于时间窗的任务分段式的多agv路径规划算法 |
CN110264062B (zh) * | 2019-08-12 | 2022-08-23 | 南京邮电大学 | 分布式多agv动态任务分配及其路径规划方法与*** |
CN110530388B (zh) * | 2019-09-05 | 2021-08-27 | 苏宁云计算有限公司 | 多agv的路径规划方法及*** |
-
2020
- 2020-04-08 CN CN202010270868.9A patent/CN111459108B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111459108A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459108B (zh) | 拖挂式多agv***的任务分配及无冲突路径规划方法 | |
Skinner et al. | Optimisation for job scheduling at automated container terminals using genetic algorithm | |
CN110189077B (zh) | 一种考虑三维装载约束的多阶段车货匹配方法 | |
US11886191B2 (en) | Scheduling method and system for fully autonomous waterborne inter terminal transportation | |
CN110334838B (zh) | 基于蚁群算法和遗传算法的agv小车协同调度方法及*** | |
CN109214756B (zh) | 整车物流调度方法及装置、存储介质、终端 | |
CN109345091B (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN112001064A (zh) | 一种集装箱码头间全自主水上运输调度方法及*** | |
CN113780633B (zh) | 面向复杂环境的带实时冲突消解的多agv智能协同调度方法 | |
CN110471418B (zh) | 智能停车场中的agv调度方法 | |
CN111721297A (zh) | 一种智能车库多agv的路径规划方法 | |
TWI706339B (zh) | 配送計畫系統、配送計畫方法及程式 | |
Hu et al. | Conflict-free scheduling of large-scale multi-load AGVs in material transportation network | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN113592158A (zh) | 多agv路径规划和多agv智能生产线中agv与机器联合调度方法 | |
Sun et al. | An autonomous vehicle interference-free scheduling approach on bidirectional paths in a robotic mobile fulfillment system | |
Hu et al. | Synchronizing vehicles for multi-vehicle and one-cargo transportation | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN110942193A (zh) | 车辆调度方法及存储介质 | |
CN116755401A (zh) | 包含路径规划和车辆通行策略的多无人叉车调度控制方法 | |
CN116151497A (zh) | 一种带有取送货的多隔间车辆路径规划方法及*** | |
CN111860957A (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN115116220A (zh) | 一种用于矿区装卸场景的无人驾驶多车协同控制方法 | |
CN114626755A (zh) | 一种基于马尔可夫决策的钢铁物流智能调度方法及*** | |
CN114663011A (zh) | 一种自动化码头agv的调度方法 |
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 |