基于双混合粒子群的多AGV路径规划问题优化方法及系统技术方案

本发明专利技术提供一种基于双混合粒子群的多AGV路径规划问题优化方法及系统，属于仓库物料搬运AGV调度技术领域。双混合粒子群算法基于粒子群算法与A*算法混合，并引入遗传算法的交叉和变异。所述方法包括：编码自动化分拣仓库的货位点序列产生初始的种群；采用路径生成算法即A*算法生成最优路径；根据最优路径和种群中的每个个体计算每个个体的停车等待次数；计算种群的每个个体的适应度值；对种群执行交叉和变异操作；判断当前是否满足终止条件；在判断当前未满足终止条件的情况下，再次返回执行计算种群的每个个体的适应度值的步骤，直到判断当前满足终止条件；在判断当前满足终止条件的情况下，输出优化后的方案。该方法及系统能够提高仓库调度的效率。提高仓库调度的效率。提高仓库调度的效率。

【技术实现步骤摘要】
基于双混合粒子群的多AGV路径规划问题优化方法及系统


[0001]本专利技术涉及仓库物料搬运AGV调度
，具体地涉及一种基于双混合粒子群的多AGV路径规划问题优化方法及系统。

技术介绍

[0002]轮胎制造业是国民经济的基础产业,它的发展直接影响到国民经济各部门的发展,也影响到国计民生和国防力量的加强。国家能否走上繁荣昌盛之路，轮胎制造业是其中的关键一环。
[0003]半钢和全钢轮胎工厂现有生产备料和搬运的方式主要是以叉车、传送带为主，工厂内传送带占用空间大，灵活性差，通过引入AGV进行搬运能优化轮胎生产线车间的布局，提升灵活性，从而提升工厂车间的工作效率。半钢和全钢轮胎工厂工艺包括炼胶、压延、部件、成型、硫化等工艺，生产流程复杂且生产环境温度高，劳动强度大，AGV可以在这样的工作环境完美的完成这些任务。可以消除因人工带来的环境和安全问题。
[0004]AGV调度问题是AGV相关问题中一个重要的研究问题，是目前国内外学者研究的热点问题。合理的车辆调度方案可以为轮胎工厂节省运输成本和时间，提高物流服务的效率，为轮胎工厂提升竞争力，因此对该问题的研究具有重要的意义。
[0005]AGV调度问题包括单AGV调度问题和多AGV调度问题。对于单AGV调度问题，成丽新等基于基因表达式编程挖掘出高效实时调度规则；CAUMOND A等在柔性制造系统中研究了一辆自动导引车的调度问题，建立了混合整数线性规划模型，提出了最佳解决方案，并研究了管理规则以及一些经典假设的影响。对于多AGV调度问题，ZOU等研究了一个新的自动导引车辆调度问题，该问题涉及在具有多品种和小批量生产的矩阵制造车间中从货物处理中取货和交货，该文献建立了一个多目标混合整数规划模型，并开发了一种有效的多目标进化算法来解决该问题；ZOU等从矩阵制造车间的物料搬运过程中解决了一个新的多自动导引车调度问题，该问题旨在确定一种解决方案目的是使运输成本最小化，为此首先制定了混合整数线性规划模型，提出了一种离散的人工蜂群算法以及一些新颖而先进的技术来解决该问题；陈敏等提出了基于软时间窗的自动导引车调度规则；余娜娜、魏永来、罗欣、刘二辉、岳笑含等分别提出了改进的差分进化算法、混合禁忌蝙蝠算法、优化的模糊决策算法、改进花授粉算法以及改进的混合遗传算法与粒子群算法；CHAWLA V K等研究了动态作业选择调度规则在两种不同规模柔性制造系统中同时调度多载自动导引车的性能。
[0006]在轮胎工厂自动化分拣仓库中，不仅要考虑AGV的调度还要考虑多辆AGV的路径规划，尤其是要考虑防碰撞的问题。在AGV路径规划上，杨周等提出一种结合改进蚁群和动态窗口法的全局动态路径规划算法；李昆鹏等提出了两阶段优化算法；在解决防碰撞问题上，肖海宁等上提出一种环路死锁搜索方法；张丹露等提出了一种交通规则和预约表下的基于改进A*算法的动态加权地图。
[0007]分析以上研究可知，研究的模型和算法鲜有考虑解决储存轮胎原材料和零部件的自动化分拣仓库的多AGV路径规划问题，因此在实际实施时很难克服算法适应储存轮胎原
材料和零部件的自动化分拣仓库的问题，减少运输时间，提升自动化分拣仓库的效率；而本专利技术提出一种双混合粒子群算法，基于粒子群算法和A*算法混合，引入遗传算法的交叉和变异，它能很好适应储存轮胎原材料和零部件的自动化分拣仓库，提升物料搬运AGV调度的效率。

技术实现思路

[0008]本专利技术实施例的目的是提供一种基于双混合粒子群的多AGV路径规划问题优化方法及系统，该方法及系统能够提高仓库物料搬运AGV调度的效率。
[0009]为了实现上述目的，本专利技术实施例提供一种基于双混合粒子群的多AGV路径规划问题优化方法，包括：
[0010]编码自动化分拣仓库的货位点序列以产生初始的种群；
[0011]采用预设的路径生成算法即A*算法生成最优路径；
[0012]根据所述最优路径和所述种群中的每个个体计算每个个体的停车等待次数；
[0013]计算所述种群的每个个体的适应度值；
[0014]对所述种群执行个体最优交叉操作；
[0015]对个体最优交叉操作后的所述种群执行种群最优交叉操作；
[0016]对种群最优交叉操作后的所述种群执行变异操作；
[0017]判断当前是否满足终止条件；
[0018]在判断当前未满足终止条件的情况下，再次返回执行计算所述种群的每个个体的适应度值的步骤，直到判断当前满足终止条件；
[0019]在判断当前满足终止条件的情况下，输出优化后的方案。
[0020]可选地，编码自动化分拣仓库的货位和路径以产生初始的种群包括：
[0021]采用数字0表示AGV小车的停靠区，采用整数作为待搬运的货位。
[0022]可选地，所述路径生成算法包括：
[0023]确定所有待行驶点，其中，所述待行驶点包括AGV小车的起点、终点或货位点；
[0024]初始化路径集合和待行驶集合，其中，所述路径集合包括所述起点，所述待行驶集合包括所有货位点的集合中除所述起点以外所有的所述待行驶点；
[0025]遍历并计算所述待行驶集合中的每个所述待行驶点的f值；
[0026]选择f值最小的所述待行驶点以作为当前选择点；
[0027]将所述当前选择点加入所述路径集合中；
[0028]判断当前选择点是否为所述终点；
[0029]在判断当前选择点不为所述终点的情况下，判断所述待行驶集合是否包含至少一个与当前选择点相邻的所述待行驶点；
[0030]在判断所述待行驶集合包含至少一个与所述当前选择点相邻的待行驶点的情况下，将与所述当前选择点相邻的所述待行驶点加入所述路径集合中；
[0031]将与所述当前选择点相邻的待行驶点作为所述当前选择点的子节点，并根据公式(1)至(3)计算所述子节点的f值，
[0032]f(j)＝g(j)+h(j)
ꢀꢀ
(1)
[0033]g(j)＝g(i)+|x
j
‑
x
i
|+|y
j
‑
y
i
|
ꢀꢀ
(2)
[0034][0035]其中，f(j)为所述子节点的f值，g(j)为所述子节点距离所述起点的代价值，h(j)为所述子节点到终点的预计代价值，g(i)为所述父节点距离所述起点的代价值，所述父节点为当前选择点，i为所述父节点的编号，u0为终点的编号，j为所述子节点的编号，x为所述待行驶点的横坐标，y为所述待行驶点的纵坐标，D为AGV小车每行驶单位距离的代价值；
[0036]在判断所述待行驶集合不包含与所述当前选择点相邻的待行驶点的情况下，判断与所述当前选择点相邻的待行驶点的预计代价值是否均小于上一轮迭代中的预计代价值；
[0037]在判断与所述当前选择点相邻的待行驶点的预计代价值小于上一轮迭代中的预计代价值的情况下，将当前选择点作为与所述当前选择点相邻的待行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双混合粒子群的多AGV路径规划问题优化方法，其特征在于，所述方法包括：编码自动化分拣仓库的货位点序列以产生初始的种群；采用预设的路径生成算法即A*算法生成最优路径；根据所述最优路径和所述种群中的每个个体计算每个个体的停车等待次数；计算所述种群的每个个体的适应度值；对所述种群执行个体最优交叉操作；对个体最优交叉操作后的所述种群执行种群最优交叉操作；对种群最优交叉操作后的所述种群执行变异操作；判断当前是否满足终止条件；在判断当前未满足终止条件的情况下，再次返回执行计算所述种群的每个个体的适应度值的步骤，直到判断当前满足终止条件；在判断当前满足终止条件的情况下，输出优化后的方案。2.根据权利要求1所述的方法，其特征在于，编码自动化分拣仓库的货位和路径以产生初始的种群包括：采用数字0表示AGV小车的停靠区，采用整数作为待搬运的货位。3.根据权利要求1所述的方法，其特征在于，所述路径生成算法包括：确定所有待行驶点，其中，所述待行驶点包括AGV小车的起点、终点或货位点；初始化路径集合和待行驶集合，其中，所述路径集合包括所述起点，所述待行驶集合包括所有货位点的集合中除所述起点以外所有的所述待行驶点；遍历并计算所述待行驶集合中的每个所述待行驶点的f值；选择f值最小的所述待行驶点以作为当前选择点；将所述当前选择点加入所述路径集合中；判断当前选择点是否为所述终点；在判断当前选择点不为所述终点的情况下，判断所述待行驶集合是否包含至少一个与当前选择点相邻的所述待行驶点；在判断所述待行驶集合包含至少一个与所述当前选择点相邻的待行驶点的情况下，将与所述当前选择点相邻的所述待行驶点加入所述路径集合中；将与所述当前选择点相邻的待行驶点作为所述当前选择点的子节点，并根据公式(1)至(3)计算所述子节点的f值，f(j)＝g(j)+h(j)
ꢀꢀꢀ
(1)g(j)＝g(i)+|x
j
‑
x
i
|+|y
j
‑
y
i
|
ꢀꢀꢀꢀꢀꢀ
(2)其中，f(j)为所述子节点的f值，g(j)为所述子节点距离所述起点的代价值，h(j)为所述子节点到终点的预计代价值，g(i)为所述父节点距离所述起点的代价值，所述父节点为当前选择点，i为所述父节点的编号，u0为终点的编号，j为所述子节点的编号，x为所述待行驶点的横坐标，y为所述待行驶点的纵坐标，D为AGV小车每行驶单位距离的代价值；在判断所述待行驶集合不包含与所述当前选择点相邻的待行驶点的情况下，判断与所
述当前选择点相邻的待行驶点的预计代价值是否均小于上一轮迭代中的预计代价值；在判断与所述当前选择点相邻的待行驶点的预计代价值小于上一轮迭代中的预计代价值的情况下，将当前选择点作为与所述当前选择点相邻的待行驶点的父节点，并根据公式(1)至(3)更新所述父节点的f值、所述父节点距离所述起点的代价值和所述父节点到终点的预计代价值；再次返回执行选择f值最小的所述货位点的步骤，直到判断当前选择点为所述终点；在判断当前选择点为所述终点的情况下，输出所述路径集合为所述最优路径。4.根据权利要求1所述的方法，其特征在于，所述计算每个个体的适应度值包括：根据公式(4)及公式(5)计算所述适应度值，Fitness(i)＝max(t1,t2,
…
,t
k
,
…
,t
m
)
ꢀꢀꢀꢀꢀ
(4)其中，t1,t2,
…
,t
k
,
…
,t
m
分别为编号为1、2、
…
、k、
…
、m的AGV小车的总运输时间，t
k
为多个T
k
的和，T
k
表示编号为k的AGV小车AGV
k
搬运一次货物所需要的时间，其中，d
i1
表示任务i的第一段曼哈顿距离，即任务i的起点到货架之间的...

【专利技术属性】
技术研发人员：胡小建，杨智，袁丁，黄亚领，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：