【技术实现步骤摘要】
本专利技术涉及agv应用，特别是一种用于agv导向路径与装卸点的联合优化方法。
技术介绍
1、在智能物料储运系统中，物料的搬运所需成本在生产总成本中占据着较大比例，并且影响者生产流程和设施规划的效率，而agv的使用可以极大的减少搬运所需的成本且提高搬运效率。然而，装卸点的位置决定了agv搬运中的起点和终点，路径网络中每条路径的方向决定了agv每次搬运的移动路径，这两个因素都会决定agv的搬运距离，从而影响搬运效率。因此，将路径方向与装卸点位置做联合优化，对agv搬运效率的提高将胜过对两者其一单方面进行优化。
技术实现思路
1、针对上述缺陷，本专利技术的目的在于提出一种用于agv导向路径与装卸点的联合优化方法，该方法对agv搬运效率的提高将胜过对两者其一单方面进行优化。
2、为达此目的，本专利技术采用以下技术方案：
3、一种用于agv导向路径与装卸点的联合优化方法，包括如下步骤：
4、s100、在已知系统中设施布局和单元间的物流量的前提下，存在一个无向路径网络，每个工作单元有对应的多个可选点能作为装卸点；需要对每个单元装卸点的位置和每条导向路径的方向进行确定，以agv负载距离和空载距离所形成的总运输距离最小化为目标，构建优化导向路径与装卸点位置的数学模型；
5、s200、通过改进遗传算法对数学模型进行求解，以实现agv的实现同时包含agv负载距离和空载距离的总运输距离最小化为目的求得agv装卸点的位置数据；
6、s300、将
7、较佳地，步骤s100中的数学模型如下所示：
8、agv运输容量无上限；
9、每个单元有唯一上料口和下料口，且位置已知；
10、agv的运输路径均为最短路径；
11、不考虑agv是否会出现堵塞的情况；
12、其中，pn为上料口,n∈[1,n]；dn为下料口,n∈[1,n]；e(i,j)为从顶点i到顶点j的车道；tij为车道方向；hij为车道长度；fbd为从下料口db到上料口pd的搬运次数；gdb为从上料口pd到下料口db的空载次数；lij为从顶点i到顶点j的最短路径；为车道e(i,j)是否位于下料口db到上料口pd的搬运路线上；车道e(i,j)是否位于上料口pd到下料口db的空载路线上；为第n单元的上料口在车道e(i,j)上；为第n单元的下料口在车道e(i,j)上；qbd为单元b与单元d之间的负载流量矩阵；为单元b与单元d之间的空载流量矩阵；
13、该问题数学模型如下：
14、
15、
16、tij+tji＝1# 式(4.12
17、∑i∈stij≥1# 式(4.13
18、∑j∈stij≥1# 式(4.14
19、
20、∑d∈nfbd＝∑d∈ngdb#式(4.17
21、
22、公式(4.1)为这个数学规划模型的主要目标，优化目标是使agv的运行总路程最短，其中包括负载行程和空载行程两部分
23、约束式(4.2)和(4.3)保证了在选择路线后，所选路线的长度等同于空载距离；换而言之，无论是从上料口pb出发，经过相应下料口dd后再返回上料口pb的路径，或者是从下料口dd出发，经过上料口pb后再返回下料口dd的路径，都与选择的路径长度相等；
24、约束(4.4)和(4.5)保证进出上料口pb的车道数量都分别只有一条；同样的，约束(4.6)和(4.7)也是为了保证进出下料口dd的车道数量都分别只有一条；
25、约束(4.8)和(4.9)的作用是保证所有顶点(除装卸点外)的流量平衡；也就是说，自动引导车agv进入和离开某一非装卸点顶点的次数必须相等；
26、约束(4.10)和(4.11)确保无论是搬运阶段还是空载返回阶段，车道都不会被重复使用；
27、约束(4.12)是为了确保每条车道只有一个方向；
28、约束(4.13)和(4.14)是为了确保针对顶点集中的所有顶点，都存在一条起始于该顶点、也终止于该顶点的路径，以确保该导向路径网络是属于强连通的；
29、约束(4.15)和(4.16)确保装卸点在运载路线和空载路线上；
30、约束(4.17)和(4.18)是为了确保agv的物流平衡，即它的搬运次数和空载次数应该相等；
31、约束(4.19)和(4.20)确保每一个单元分别只有一个相应的上料口和下料口；
32、约束(4.21)规定了所有变量的范围，即所有变量均为0-1变量，只能取0或1，tij为已知常量，即代表路径网络中每条导向路径的方向。
33、较佳地，步骤s200具体为：
34、s210、种群初始化，采用以点代边的元组编码作为编码方式，并采用一种基于无向图的方式生成初始解；
35、s220、计算初始解的适应度，该函数对个体的目标函数值通过线性尺度变换来计算对应的适应度，经过线性变换后，原适应度高的少数个体的适应度等比例缩小，同时适应度较差的个体的适应度等比例扩大，从而有利于种群的多样性；
36、s230、选择操作，遗传算法采用了精英保留锦标赛选择，从一定数量的个体中随机选择，然后选择适应度最好的个体作为父代；
37、s240、交叉操作，在遗传算法的交叉操作环节，采用的是加入修正去重的部分匹配交叉，避免进行交叉操作的两条染色体在不同单元上的基因存在重复；
38、s250、变异操作，采用的是单个基因变异；首先会遍历每条染色体，每次生成一个随机数，若随机数大于变异概率，则不会进行变异；否则，则进行下一步：随机选择个体上的一条基因进行变异，从对应的单元可选位置中选择一个不存在于个体中的位置作为替换。
39、进一步地，步骤s300具体为；简约的变量邻域搜索算法：对于两个强连通有向图d和d’，若d和d’具有相同的底图g，则通过反转路、圈两个动作，便能将d转换成d’；利用算法获取有向图d的所有循环，生成循环邻域，搜索确定相应的路径导向。
40、进一步地，rvns算法流程为：
41、input:(kmax，可行解ε)；
42、output:局部最优解βbest；
43、1:εbest:＝β,k:＝1；
44、2:while k≤kmaxdo；
45、3:ifk＝1then；<本文档来自技高网...
【技术保护点】
1.一种用于AGV导向路径与装卸点的联合优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，步骤S100中的数学模型如下所示：
3.根据权利要求1所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，步骤S200具体为：
4.根据权利要求1所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，步骤S300具体为；简约的变量邻域搜索算法：对于两个强连通有向图D和D’，若D和D’具有相同的底图G，则通过反转路、圈两个动作，便能将D转换成D’；利用算法获取有向图D的所有循环，生成循环邻域，搜索确定相应的路径导向。
5.根据权利要求4所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，RVNS算法流程为：
6.根据权利要求3所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，步骤S210中，将车间布局转换成一个无向图，用无向图的边表示单元间是否具有公共边界，这些边界都是可以作为装卸点位置；
7.根据权利要求3所述的用于AGV导
8.根据权利要求3所述的用于AGV导向路径与装卸点的联合优化方法，其特征在于，精英保留锦标赛选择结合了精英保留策略和锦标赛选择策略，具体操作如下：
...【技术特征摘要】
1.一种用于agv导向路径与装卸点的联合优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于agv导向路径与装卸点的联合优化方法，其特征在于，步骤s100中的数学模型如下所示：
3.根据权利要求1所述的用于agv导向路径与装卸点的联合优化方法，其特征在于，步骤s200具体为：
4.根据权利要求1所述的用于agv导向路径与装卸点的联合优化方法，其特征在于，步骤s300具体为；简约的变量邻域搜索算法：对于两个强连通有向图d和d’，若d和d’具有相同的底图g，则通过反转路、圈两个动作，便能将d转换成d’；利用算法获取有向图d的所有循环，生成循环邻域，搜索确定相应...
【专利技术属性】
技术研发人员：廖勇，廖芳芳，彭乘风，李翔，林安平，卿前缘，王润东，邓文辉，刘涛，
申请(专利权)人：湘南学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。