CN114326621B - 一种基于分层架构的群体智能机场托运车调度方法和*** - Google Patents

Abstract

本发明公开了一种基于分层架构的群体智能机场托运车调度方法和***，属于智能与自动规划调度领域。基于智能的托运车为基础从底层改进调度***的智能化程度，先建立调度约束方程，在此基础上，运用头脑风暴优化算法求解满足约束的分配方案，进而提升分配效率。本发明的改进点在于基于原有的分层式和路径搜寻方法，当搜索树过大时进入扩展地图模块，进而给冲突智能体提供缓冲从而提升算法运算效率。由此提高了调度平台整体效率，进而解决了在实际机场货运中的效率较低的问题。

Description

一种基于分层架构的群体智能机场托运车调度方法和***

技术领域

本发明属于智能与自动规划调度领域，涉及一种基于分层架构的群体智能机场托运车调度方法和***。

背景技术

近年来，随着技术智能化程度的加深，规划调度技术的探索也越来越工程化。对于智能调度每一部分的细节技术都进一步完善，例如调度机器人SLAM，调度机器人路径规划，调度***算法优化等。

目前调度***可以利用智能的力量做出清晰的预测并优化绩效。调度***还可以通过精确计算特定时间需要搬运的物品数量和处理该流程所需的设备数量来进行优化。借助物流中的机器学习，可以花费更少的时间来建立更详细的库存移动预测分析，并提高分拣和包装流程的整体生产率。调度自动化***还可以极大地提高通信过程的速度和准确性。这些设备间能够相互进行对话，包括***监视和控制，以确保有效的调度管理并为***提供全局智能，从而可以根据需求，解决绝大部分的运输与分配问题。但多机器人***工程应用通常只注重硬件升级，与之配套的高效软件、算法等柔性化控制的关键要素仍然处于起步阶段。单纯依靠昂贵的高精度激光传感器、相机以及SLAM技术，还无法完全满足智能化和柔性化的要求。

综上所述，目前，机场调度货物为半自动化，效率低下，无法满足日益增长的货运需求。多智能体的路径搜寻已成为一重点问题，该问题本质上是给成百上千个机器人同时做规划路径，在保证安全性的同时追求时效性，使机器人又快又稳的到达目的地。

发明内容

本发明的目的在于克服上述现有技术中，机场调度货物为半自动化导致效率低下的缺点，提供一种基于分层架构的群体智能机场托运车调度方法和***。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种基于分层架构的群体智能机场托运车调度方法，包括如下步骤：

步骤1)获取调度任务；

步骤2)对调度任务进行分配，获取满足给定约束的最优分配方案；

步骤3)利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；

步骤4)计算冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线。

优选地，步骤1)中，调度任务是基于货物位置信息和货运容量信息得到的。

优选地，步骤2)的具体操作为：

步骤2.1)构建给定约束：

式中，C₁为约束1；I为仓库口编号；J为停机坪编号；dis(I，J)仓库口到停机坪间的距离；

式中，C₂为约束2；J(T)为停机坪等待时间；

(x，y)∈(X-s)²+(Y-t)²≤Q² (3)

式中，(x，y)为托运车实时位置；Q为约束半径；

步骤2.2)采用聚类算法将相似的个体聚成k类，并将各k聚类最优的个体作为聚类的中心；

2.3)通过比较聚类的局部最优，得到全局最优，

式中，P_j为被选中概率；|M_j|为类中个体数量；N随机个体数；

x_nd＝x_sd+∈*N(0，1)_d (5)

式中，x_nd是新的d维个体；x_sd是选中的个体；N(0，1)_d是d维标准正态分布。

优选地，步骤2.2)具体为：

2.2.1)从各聚类中心中随机选择一个，将其作为初始的聚类中心；

2.2.2)对于数据中的所有点，计算其距离中心的距离；

式中，r＝1,2…k_selected；x_i是聚类中心坐标，μ_r是数据点坐标；

2.2.3)根据步骤2.2.2)所得距离选择相应的新的聚类中心；

2.2.4)重复选择新的点直到达到传统聚类的点数要求，进而运用传统聚类进行求解。

优选地，步骤3)中，路径规划的过程中，同时获取托运车的运动和每个托运车对应的调度信息，计算得到托运车的实时任务完成度。

优选地，步骤3)中，分层架构的具体操作为：

提取机场托运车的可行区域，并将可行区域处理为拓扑图；

分层架构的具体操作为：底层采用传统搜索算法结合启发因子进行路径规划；

对于装卸货路径规划，采用运动学与时空约束的混合搜索方法进行；

上层采用基于冲突的搜索算法进行路径规划，当搜索数达到16时拓扑图向外部分拓展，进而使得该冲突点消除。

优选地，基于冲突的搜索算法具体操作为：

设置初始表存储各托运车的路径信息及步长信息；

加入节点判断是否路径间有冲突，若有冲突则将冲突点设置为不可达，进而扩展搜索地图；

当扩展树达到4层时，在冲突点处将拓扑图向***扩展，进而降低搜索层数，

式中，E为扩展特征数；j为节点；i为智能体编号；N为冲突数；

重复搜索直至各智能体路径规划均达到终点，得到最优分配方案的最优可行解。

优选地，托运车的任务完成度包括路径完成度和货运完成度，通过任务完成度对任务完成时间进行预测；

式中，x为模型自变量参数；y为模型约束因变量；p(x，y)为预测完成概率；ρ_x为自变量前驱系数；ρ_y为因变量前驱系数；μ_x为自变量约翰均值；μ_y为因变量约翰均值。

优选地，步骤4)中，冲突点数由搜索算法的多托运车路径冲突点输入。

一种基于分层架构的群体智能机场托运车调度***，包括：

信息获取单元，用于获取货物位置信息和货运容量信息，进一步得到调度任务；

任务分配单元，与信息获取单元相交互，用于对调度任务进行分配，获取满足给定约束的最优分配方案；

求解单元，与任务分配单元相交互，利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；

可视化控制单元，与求解单元相交互，用于获取规划算法所得多车路径冲突数并输出此冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线，同时对托运车的完成进度进行可视化显示；

托运车单元，与控制单元相交互，基于优化调度路线对调度任务进行托运。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种基于分层架构的群体智能机场托运车调度方法，基于智能的托运车为基础从底层改进调度***的智能化程度，先建立调度约束方程，在此基础上，运用头脑风暴优化算法求解满足约束的分配方案，进而提升分配效率。本发明的改进点在于基于原有的分层式和路径搜寻方法，当搜索树过大时进入扩展地图模块，进而给冲突智能体提供缓冲从而提升算法运算效率。

进一步地，分层架构，底层采用搜索算法保证单个托运车路径可解，上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免。另外对于在装卸货物时的托运车采用考虑运动学与时空约束的算法进行作业，由此提高了调度平台整体效率，进而解决了在实际机场货运中的效率较低的问题。

本发明还公开了一种基于分层架构的群体智能机场托运车调度***，信息获取单元，用于获取货物位置信息和货运容量信息，进一步得到调度任务；任务分配单元与信息获取单元相交互，用于对调度任务进行分配，获取满足给定约束的最优分配方案；求解单元与任务分配单元相交互，利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；可视化控制单元与求解单元相交互，用于获取计算冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线，同时对托运车的完成进度进行可视化显示；托运车单元与控制单元相交互，基于优化调度路线对调度任务进行托运调度平台拥有实时显示各托运车任务完成度与显示平台总体冲突指数的功能，以便于达成调度平台的信息全面化显示，最终可完成群体智能托运车的寻路作业。

附图说明

图1为本发明方法的整体流程图；

图2为本发明调度***算法流程图；

图3为本发明改进的基于冲突搜索算法流程图；

图4为本发明机场托运车可行拓扑图；

图5为本发明实施的拓展拓扑示意图；

图6为本发明***的总体过程。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种基于分层架构的群体智能机场托运车调度方法，如图1和图6所示，包括以下步骤：

1)根据机场总控台信息获取调度任务，任务包含具***置与货运容量等信息；

2)由调度平台对各任务进行分配，主要基于远端先行、紧急先行、就近分配等原则，根据以上原则所确定的约束运用算法进行求解，进而可获取满足给定约束的最优分配方案；

3)通过分层架构求解分配后托运车路径规划，避免出现冲突进而求解失败的情况。底层采用传统搜索算法保证单个托运车路径快速求解，上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免；

4)根据托运车上惯导等传感器解析其运动与任务信息并通过通讯网络传输到主调度平台以实时显示托运车任务完成度；

5)由上层分配任务模块输入冲突点数，并显示在调度平台中央显示屏上。凭借此信息可实时观察平台运行情况，并且也可根据此信息进一步优化调度路线，提升调度平台运转效率。

实施例2

一种基于分层架构的群体智能机场托运车调度方法，包括以下步骤：

1)根据机场总控台信息获取调度任务，任务包含具***置与货运容量等信息；

2)由调度平台对各任务进行分配，主要基于远端先行、紧急先行、就近分配等原则，根据以上原则所确定的约束运用头脑风暴优化算法进行求解，进而可获取满足给定约束的最优分配方案；

步骤2)中，通过规定的各项准则所确定的约束，进而通过头脑风暴优化算法求解约束，整体流程图如图2所示，具体过程如下：

2.1)首先对约束进行构建；

式中，C₁为约束1；I为仓库口编号；J为停机坪编号；dis(I，J)仓库口到停机坪间的距离；

式中，C₂为约束2；J(T)为停机坪等待时间；

(x，y)∈(X-s)²+(Y-t)²≤Q² (3)

式中，(x，y)为托运车实时位置；Q为约束半径；

2.2)采用改进聚类算法，将相似的个体聚成k类，并将设定的适应度函数值最优的个体作为聚类的中心；

步骤2.2)中，通过对聚类中心的改进选择优化的传统聚类算法，具体过程如下：

2.2.1)从数据中随机选择一个点，将其作为初始的聚类中心；

2.2.2)对于数据中的所有点计算其到聚类中心最近与最远点的距离；

2.2.3)根据上步所得距离选择相应新的聚类中心；

2.2.4)重复选择新的点直到达到传统聚类的点数要求进而运用传统聚类求解；

2.3)通过聚类的局部最优的比较得到全局最优，采用变异思想增加了算法的多样性，避免算法陷入局部最优，在聚与散的处理过程中搜索最优解；

式中，P_j为被选中概率；|M_j|为类中个体数量；N随机个体数；

x_nd＝x_sd+∈*N(0，1)_d (5)

式中，x_nd是新的d维个体；x_sd是选中的个体；N(0，1)_d是d维标准正态分布；

3)通过分层架构求解分配后托运车路径规划，避免出现冲突进而求解失败的情况。底层采用传统搜索算法保证单个托运车路径快速求解，上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免；

步骤3)中，通过分层架构求解群体状态下的智能托运车路径搜寻问题，整体流程图如图3所示，具体过程如下：

3.1)将机场托运车可行区域提取，并将其处理为拓扑图，进而给其附权值处理为有权图方便后续规划使用；

如图4所示，根据机场实际托运车地图生成拓扑图，从而将拓扑图输入后续模块进行下一步计算；

3.2)底层搜索算法由传统搜索算法实现，因其加入了启发因子因而运行速度较快，对于装卸货是的路径规划采用混合搜索实现，因为其考虑运动学与时空约束因而对于处理复杂环境下规划表现较好；

3.3)对于上层算法采用改进的基于冲突的搜索算法，传统基于冲突的搜索算法仅考虑将冲突节点设为不可达进而让智能体重新搜索路径后再判断是否新路径存在冲突，若是则继续循环，若否则输出此解。但当重新搜索路径时其他智能体所搜索路径在智能体过多情形下依旧会产生冲突点，这即会导致搜索维数大幅增长，因此本发明改进即将地图点进行扩展，当搜索数达到16时拓扑图向外部分拓展，进而可使得该冲突点消除。最终可完成群体智能托运车的寻路作业。

步骤3.3)运用改进的基于冲突搜索算法来实现多托运车的路径搜寻，具体过程如下：

3.3.1)设置初始表存储初始节点路径信息及步长信息；

3.3.2)加入节点判断是否路径间有冲突，若有冲突则将冲突点设置为不可达进而扩展搜索树；

3.3.3)当扩展树达到4层时，在冲突点处将拓扑图向***扩展，进而降低搜索层数，提高运行效率；

式中，E为扩展特征数；j为节点；i为智能体编号；N为冲突数；

如图5所示，两车相向行驶遇到冲突此问题运用原算法不可解，但对于改进后算法扩展了地图生成邻接点，进而使得算法有解且提高效率；

3.3.4)重复搜索直至各智能体均达到终点，也即得到问题最优可行解。

4)根据托运车上惯导等传感器解析其运动与任务信息并通过通讯网络传输到主调度平台以实时显示托运车任务完成度；

步骤4)中，托运车的任务完成度主要包括路径完成度，货运完成度等，通过任务完成度这个指标可以了解当前状态下调度***托运车在环数量与直观状态显示，并且对任务完成时间进行预测；

式中，x为模型自变量参数；y为模型约束因变量；p(x，y)为预测完成概率；ρ_x为自变量前驱系数；ρ_y为因变量前驱系数；μ_x为自变量约翰均值；μ_y为因变量约翰均值。

5)由上层分配任务模块输入冲突点数，并显示在调度平台中央显示屏上。凭借此信息可实时观察平台运行情况，并且也可根据此信息进一步优化调度路线，提升调度平台运转效率；

步骤5)中，由于上层搜索每一步加入节点都需判断冲突数，进而通过底层搜索避免，因此在算法中写入一输出模块将冲突数实时显示用以判断算法健壮性与对其改进做进一步优化；

实施例3

一种基于分层架构的群体智能机场托运车调度***，其特征在于，包括：

信息获取单元，用于获取货物位置信息和货运容量信息，进一步得到调度任务；

任务分配单元，与信息获取单元相交互，用于对调度任务进行分配，获取满足给定约束的最优分配方案；

求解单元，与任务分配单元相交互，利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；

可视化控制单元，与求解单元相交互，用于获取计算冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线，同时对托运车的完成进度进行可视化显示；

托运车单元，与控制单元相交互，基于优化调度路线对调度任务进行托运。

综上所述，本发明提出的调度***基于分层架构，底层采用搜索算法保证单个托运车路径可解，上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免。另外对于在装卸货物时的托运车采用考虑运动学与时空约束的算法进行作业，由此提了调度平台整体效率进而解决了在实际机场货运中的效率较低的问题。调度平台拥有实时显示各托运车任务完成度与显示平台总体冲突指数的功能，以便于达成调度平台的信息全面化显示。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (2)

1.一种基于分层架构的群体智能机场托运车调度方法，其特征在于，包括如下步骤：

步骤1)获取调度任务；所述调度任务是基于货物位置信息和货运容量信息得到的；

步骤2)对调度任务进行分配，获取满足给定约束的最优分配方案；具体为：

步骤2.1)构建给定约束：

式中，C₁为约束1；I为仓库口编号；J为停机坪编号；dis(I，J)仓库口到停机坪间的距离；

式中，C₂为约束2；J(T)为停机坪等待时间；

(x，y)∈(x-s)²+(Y-t)²≤Q² (3)

式中，(x,y)为托运车实时位置；Q为约束半径；

步骤2.2)采用聚类算法将相似的个体聚成k类，并将各k聚类最优的个体作为聚类的中心；具体为：

2.2.1)从各聚类中心中随机选择一个，将其作为初始的聚类中心；

2.2.2)对于数据中的所有点，计算其距离中心的距离；

式中，r＝1，2…k_selected；x_i是聚类中心坐标，μ_r是数据点坐标；

2.2.3)根据步骤2.2.2)所得距离选择相应的新的聚类中心；

2.2.4)重复选择新的点直到达到传统聚类的点数要求，进而运用传统聚类进行求解；

2.3)通过比较聚类的局部最优，得到全局最优，

式中，P_j为被选中概率；|M_j|为类中个体数量；N随机个体数；

x_nd＝x_sd+∈*N(0，1)_d (5)

式中，x_nd是新的d维个体；x_sd是选中的个体；N(0，1)_d是d维标准正态分布；

步骤3)利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；路径规划的过程中，同时获取托运车的运动和每个托运车对应的调度信息，计算得到托运车的实时任务完成度；托运车的任务完成度包括路径完成度和货运完成度，通过任务完成度对任务完成时间进行预测；

式中，x为模型自变量参数；y为模型约束因变量；p(x，y)为预测完成概率；ρ_x为自变量前驱系数；ρ_y为因变量前驱系数；μ_x为自变量约翰均值；μ_y为因变量约翰均值；

所述分层架构的具体操作为：

提取机场托运车的可行区域，并将可行区域处理为拓扑图；

分层架构的具体操作为：底层采用传统搜索算法结合启发因子进行路径规划；

对于装卸货路径规划，采用运动学与时空约束的混合搜索方法进行；

上层采用基于冲突的搜索算法进行路径规划，当搜索数达到16时拓扑图向外部分拓展，进而使得冲突点消除；

基于冲突的搜索算法具体操作为：

设置初始表存储各托运车的路径信息及步长信息；

加入节点判断是否路径间有冲突，若有冲突则将冲突点设置为不可达，进而扩展搜索地图；

当扩展树达到4层时，在冲突点处将拓扑图向***扩展，进而降低搜索层数，

式中，E为扩展特征数；j为节点；n为节点总数；i为智能体编号；N为冲突数；

重复搜索直至各智能体路径规划均达到终点，得到最优分配方案的最优可行解；

步骤4)计算冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线；所述冲突点数由搜索算法的多托运车路径冲突点输入。

2.一种基于分层架构的群体智能机场托运车调度***，其特征在于，包括：

信息获取单元，用于获取货物位置信息和货运容量信息，进一步得到调度任务；

任务分配单元，与信息获取单元相交互，用于对调度任务进行分配，获取满足给定约束的最优分配方案；具体为：

构建给定约束：

式中，C₁为约束1；I为仓库口编号；J为停机坪编号；dis(I，J)仓库口到停机坪间的距离；

式中，C₂为约束2；J(T)为停机坪等待时间；

(x，y)∈(X-s)²+(Y-t)²≤Q² (3)

式中，(x，y)为托运车实时位置；Q为约束半径；

采用聚类算法将相似的个体聚成k类，并将各k聚类最优的个体作为聚类的中心；具体为：

从各聚类中心中随机选择一个，将其作为初始的聚类中心；

对于数据中的所有点，计算其距离中心的距离；根据所得距离选择相应的新的聚类中心；

重复选择新的点直到达到传统聚类的点数要求，进而运用传统聚类进行求解；

通过比较聚类的局部最优，得到全局最优，

式中，P_j为被选中概率；|M_j|为类中个体数量；N随机个体数；

x_nd＝x_sd+∈*N(0，1)_d (5)

式中，x_nd是新的d维个体；x_sd是选中的个体；N(0，1)_d是d维标准正态分布；

求解单元，与任务分配单元相交互，利用分层架构方法对最优分配方案进行求解，得到分配后托运车路径规划；路径规划的过程中，同时获取托运车的运动和每个托运车对应的调度信息，计算得到托运车的实时任务完成度；托运车的任务完成度包括路径完成度和货运完成度，通过任务完成度对任务完成时间进行预测；

式中，x为模型自变量参数；y为模型约束因变量；p(x，y)为预测完成概率；ρ_x为自变量前驱系数；ρ_y为因变量前驱系数；μ_x为自变量约翰均值；μ_y为因变量约翰均值；

所述分层架构的具体操作为：

提取机场托运车的可行区域，并将可行区域处理为拓扑图；

分层架构的具体操作为：底层采用传统搜索算法结合启发因子进行路径规划；

对于装卸货路径规划，采用运动学与时空约束的混合搜索方法进行；

上层采用基于冲突的搜索算法进行路径规划，当搜索数达到16时拓扑图向外部分拓展，进而使得冲突点消除；

基于冲突的搜索算法具体操作为：

设置初始表存储各托运车的路径信息及步长信息；

加入节点判断是否路径间有冲突，若有冲突则将冲突点设置为不可达，进而扩展搜索地图；

当扩展树达到4层时，在冲突点处将拓扑图向***扩展，进而降低搜索层数，

式中，E为扩展特征数；j为节点；n为节点总数；i为智能体编号；N为冲突数；

重复搜索直至各智能体路径规划均达到终点，得到最优分配方案的最优可行解；

可视化控制单元，与求解单元相交互，用于获取规划算法所得多车路径冲突数并输出此冲突点数，并基于冲突点数对分配后托运车路径规划进行优化，得到优化调度路线，同时对托运车的完成进度进行可视化显示；所述冲突点数由搜索算法的多托运车路径冲突点输入；

托运车单元，与控制单元相交互，基于优化调度路线对调度任务进行托运。