CN102663574A - 基于遗传算法的多rgv动态调度方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的多RGV动态调度方法，其特征是针对自动化立体仓库输送系统中环形轨道上的多个RGV(Rail Guided Vehicle)在大物流量下的动态调度问题，运用遗传算法建立模型并求解，从而得到调度多个RGV运送出入货任务的优化方案，以此大大提高RGV的运送效率，同时针对具体的问题提出了实用的编码方法，拓展了遗传算方法的应用范围。

Description

基于遗传算法的多RGV动态调度方法

技术领域

本发明涉及一种基于遗传算法的多RGV动态调度方法，运用在大物流量下自动化立体仓库输送系统中多个RGV的动态调度问题中。

背景技术

自动化立体仓库AS/RS是现代化的存储设备，一般由中央控制系统、多层货架、堆垛机、输送系统、外部物料运送工具等组成。在输送系统中，有多个RGV在既定的轨道(一般为铁轨或者合金轨道)上运行，负责运送分布在轨道周围的拣选站台、出入货站台、出入货输送带上的物料，完成多层货架的出入货任务。其中拣选站台、出入货站台连接轨道和外部物料运送工具，出入货输送带连接轨道和多层货架，堆垛机在多层货架间的巷道中运行完成物料的存取。

在整个自动化立体仓库中，输送系统作为连接多层货架和外部物料运送工具的纽带，输送系统的运输效率是整个系统的瓶颈。输送系统常见的分为三种：(1)直线往复式。即在一条直线轨道上有一个或者多个RGV往复运动于各出入货站台、拣选站台和出入货输送带之间；(2)分段式。由若干条直线轨道构成，每个RGV在固定的轨道上运行，负责各自周围的站台或者输送带的运输任务；(3)环形轨道式。即有多个RGV在一条环形轨道上运行于各个站台和出入货输送带之间进行物料的运送。前两种输送系统运送能力有限，不能满足大物流量下的实际需要。

第三种方式运送能力比较大，但是如何合理的调度各个RGV则比较复杂。已有提出按照先来先服务和就近策略以及各个RGV的使用频率，调度空闲的RGV运送出入货任务。这种策略在物流量较小，即RGV的数量大部分时间都是多于出入货任务的数量情况下能够很好的发挥作用，当物流量较大，即RGV的数量大部分时间都是少于出入货任务的数量，并且新的出入货任务不断产生的情况下，由于对RGV的调度不合理造成的堵塞或者空跑就会凸显，运送效率大大降低。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提出一种基于遗传算法的多RGV动态调度方法，以期能够在大物流量时得到一个优化的调度多个RGV运送出入货任务的方案，减少RGV的堵塞和空跑，大大提高RGV的运送效率。

本发明为解决技术问题采用如下技术方案：

本发明基于遗传算法的多RGV动态调度方法是，所述RGV是单向循环运行在自动化立体仓库输送系统环形轨道上的L个RGV；所述自动化立体仓库中，在环形轨道的一侧沿线顺次布置各入货输送带、出货输送带、多层货架和堆垛机，在环形轨道的另一侧沿线顺次布置入货站台、拣选站台、外部物料运送工具和出货站台，高度方法的特点是：所述各RGV的动态调度方法按如下步骤进行：

第一步、针对所有已经生成的正在等待运送的K个出入货任务，根据要求取出前Q个出入货任务；所述K个出入货任务按照生成的时间顺序排列；所述根据要求是指预先根据历史数据估算出投入全部L个RGV完成运送Q个出入货任务所用时间t_y，使t_y不超过规定的时间值；若K值大于Q值，则Q值取值不变，若K值小于或等于Q值，则Q值取值等于K值；

第二步、任意调整Q个出入货任务的先后顺序，运用遗传算法建立模型并求解得出调度L个RGV运送Q个出入货任务的优化方案：

a、种群初始化：将调度L个RGV运送Q个出入货任务的方案定义为个体，对所述个体按如下方式进行编码以获得与个体相对应的染色体：

将Q个出入货任务分别用数字1～Q依次编号，将L个RGV分别用数字1～L依次编号；每个染色体是由一上行字符串和一下行字符串所组成，所述上行字符串中的每个字符是在数字1～Q中随机生成，不重复，共生成Q个，每个字符代表对应编号的出入货任务；所述下行字符串与上行字符串的字符位置一一对应，下行字符串中的每个字符随机取自数字1～L，可以重复，共生成Q个，每个字符代表对应编号的RGV；经过N次编码获得N个染色体，以与所述N个染色体相对应的N个个体组成第一代种群，以所述第一代种群作为下一代的父种群，进行选择、交叉和变异遗传操作，N取值为20～100；

在所述染色体中，以上行字符串与下行字符串中上下对应位置上的两个字符表征出入货任务的运送为：指派下行字符对应编号的RGV运送上行字符对应编号的出入货任务，若在一个染色体所对应的个体中出现由同一个RGV运送多个出入货任务时，按照出入货任务的编号在上行字符串中的先后顺序依次进行运送；

b、选择：分别计算出按照父种群中每个个体运送完毕Q个出入货任务所用的运送时间T_s，以所述运送时间T_s为每个个体的目标函数值，对父种群中的个体按照目标函数值进行降序排列，把个体在父种群中的序位n应用在基于排序的适应度分配方法中的线性排序公式(1)中，计算出每个个体的适应度值；

$f_i=2-p+\frac{2(p-1)(n-1)}{N-1}$ p∈[1.0，2.0]    (1)

式(1)中，f_i为个体i的适应度值，p为选择压力；

把个体i的适应度值f_i应用在式(2)中计算出个体i的选择概率F_i，从而计算出每个个体的选择概率；

$F_i=\frac{f_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{f}_i}---\left(2\right)$

按照式(3)计算出从父种群的N个个体中所要选择的个体数目M后，把每个个体的选择概率应用在随机遍历抽样法中，从父种群中选择出要进行交叉的M个个体，G取值为0.95～0.98；

M＝N×G    (3)

c、交叉：以选择出的M个个体相对应的M个染色体作为父代染色体，在所述M个染色体中随机进行两两配对，如果M为奇数，最后一个染色体不参加配对，直接成为一个子代染色体；对配对的两个父代染色体的上行字符串按照部分匹配交叉的方法，进行交叉操作，下行字符串保持不变，得到两个子代染色体，对所有配对的染色体全部进行相同的操作，产生M个子代染色体；

d、变异：对所述M个子代染色体的下行字符串按照变异概率P_m进行如下变异操作，上行字符串不变：

首先在M个子代染色体中的任一个染色体的下行字符串中随机选取一个要变异的字符位置w，然后在区间(0，1)内随机生成一个数字A，如果A小于或者等于P_m，则随机选取数字1～L中的一个数字，替换位置w处的字符；如果A大于P_m，则位置w处的字符不变，染色体的变异完成；对M个子代染色体都进行相同的操作，P_m取值为0.001～0.1；

e、重插入：从父种群中选取适应度大的前S个个体相对应的染色体插入经过步骤d操作后的M个子代染色体中，插入的S个染色体相对应的个体和经过步骤d操作后的M个子代染色体相对应的个体共同构成子代种群，种群的遗传代数增加一代，S由式(4)求出；

S＝N-M

(4)

f、判断：若遗传代数达到终止代数，转到步骤g，否则把步骤e中形成的子代种群作为下一代的父种群转到步骤b开始下一代的遗传操作，终止代数取值为100～500；

g、对步骤e中形成的子代种群，计算出按照每个个体运送完毕Q个出入货任务所用的运送时间T_s，确立运送时间T_s最小的个体为调度L个RGV运送Q个出入货任务的最佳方案；

第三步、当L个RGV把Q个出入货任务全部运送完毕后，把K个出入货任务中剩余的K-Q个任务和在L个RGV运送Q个出入货任务的时间内产生的新的出入货任务再次按照出入货任务生成的时间顺序进行排列，重复第一步、第二步和第三步，对L个RGV进行下一次的调度，直至所有等待运送的出入货任务全部运送完成为止，实现对L个RGV的动态调度。

与已有技术相比，本发明的有益效果体现在：

1、本发明能够在自动化立体仓库有大物流量的出入货任务时得到一个优化的调度自动化立体仓库输送系统中环形轨道上的多个RGV运送出入货任务方案，减少RGV的堵塞和空跑，大大提高RGV的运送效率；

2、本发明将遗传算法应用在自动化立体仓库输送系统环形轨道上的多个RGV的调度问题中，并且针对具体的问题提出了实用的编码方法，拓展了遗传算法的应用范围。

附图说明

图1为本发明中自动化立体仓库系统；

图2为本发明中应用随机遍历抽样法选择到的20个个体；

表1为染色体；

表2为个体的累积概率；

表3为有两个交叉点的配对的两个父代染色体；

表4为匹配段交换完成后的两个子代染色体；

表5为给出部分暂未定义码后的两个子代染色体；

表6为交叉完成后形成的两个子代染色体；

图中标号：1入货输送带；2出货输送带；3多层货架；4堆垛机；5RGV；6入货站台；7拣选站台；8环形轨道；9外部物料运送工具；10出货站台。

具体实施方式

参见图1，本实施例中RGV 5是单向循环运行在自动化立体仓库输送系统环形轨道8上的L个RGV；图1所示的自动化立体仓库中，在环形轨道的一侧沿线顺次布置各入货输送带1、出货输送带2、多层货架3和堆垛机4，在环形轨道的另一侧沿线顺次布置入货站台6、拣选站台7、外部物料运送工具9和出货站台10；本实施例中规定每个RGV一次只能运送一个出货任务或者入货任务，各RGV的动态调度方法是按如下步骤进行：

第一步、针对所有已经生成的正在等待运送的K个出入货任务，根据要求取出前Q个出入货任务；K个出入货任务按照生成的时间顺序排列；根据要求是指预先根据历史数据估算出投入全部L个RGV完成运送Q个出入货任务所用时间t_y，使t_y不超过规定的时间值；若K值大于Q值，则Q值取值不变，若K值小于或等于Q值，则Q值取值等于K值；

第二步、任意调整Q个出入货任务的先后顺序，运用遗传算法建立模型并求解得出调度L个RGV运送Q个出入货任务的优化方案：

a、种群初始化：将调度L个RGV运送Q个出入货任务的方案定义为个体，对个体按如下方式进行编码以获得与个体相对应的染色体：

将Q个出入货任务分别用数字1～Q依次编号，将L个RGV分别用数字1～L依次编号；每个染色体是由一上行字符串和一下行字符串所组成，上行字符串中的每个字符是在数字1～Q中随机生成，不重复，共生成Q个，每个字符代表对应编号的出入货任务；下行字符串与上行字符串的字符位置一一对应，下行字符串中的每个字符随机取自数字1～L，可以重复，共生成Q个，每个字符代表对应编号的RGV；经过N次编码获得N个染色体，以与N个染色体相对应的N个个体组成第一代种群，以第一代种群作为下一代的父种群，进行选择、交叉和变异遗传操作，N取值为20～100，本实施例中N取值为50；

在染色体中，以上行字符串与下行字符串中上下对应位置上的两个字符表征出入货任务的运送为：指派下行字符对应编号的RGV运送上行字符对应编号的出入货任务，若在一个染色体所对应的个体中出现由同一个RGV运送多个出入货任务时，按照出入货任务的编号在上行字符串中的先后顺序依次进行运送；例如有9个出入货任务等待运送，分别编号为1、2、3、4、5、6、7、8、9，有3个RGV，分别编号为1、2、3，表1所示为其中一个个体相对应的染色体。通过表1所示染色体可以知道1号RGV依次运送的出入货任务为编号5、7、6的出入货任务；2号RGV依次要运送的出入货任务为编号3、9、4、1的出入货任务；3号RGV依次要运送的出入货任务为编号8、2的出入货任务；

b、选择：分别计算出按照父种群中每个个体运送完毕Q个出入货任务所用的运送时间T_s，以运送时间T_s为每个个体的目标函数值，对父种群中的个体按照目标函数值进行降序排列，把个体在父种群中的序位n应用在基于排序的适应度分配方法中的线性排序公式(1)中，计算出每个个体的适应度值；

$f_i=2-p+\frac{2(p-1)(n-1)}{N-1}$ p∈[1.0，2.0]    (1)

式中f_i为个体i的适应度值，p为选择压力。选择压力p取值愈靠近1时，计算出来的各个个体间的适应度值相差越小，种群收敛速度越快，当选择压力p为1时，各个个体的适应度值一样；选择压力p越靠近2时，各个个体间的适应度值相差越大，种群收敛速度越慢，为了避免p过大或者过小引起种群收敛速度过快或者过慢，本实施例中p取值为1.5；

把个体i的适应度值f_i应用在式(2)中计算出个体i的选择概率F_i，从而计算出每个个体的选择概率；

$F_i=\frac{f_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{f}_i}---\left(2\right)$

按照式(3)计算出从父种群的N个个体中所要选择的个体数目M后，把每个个体的选择概率应用在随机遍历抽样法中，从父种群中选择出要进行交叉的M个个体，G取值为0.95～0.98，本实施例中G取值为0.96；

M＝N×G    (3)

随机遍历抽样法按照如下过程进行：首先要按照每个个体的选择概率进行降序排列，然后计算出每个个体的累积概率，比如有21个体，每个个体的选择概率分别为0.0714，0.0690，0.0667，0.0643，0.0619，0.0600，0.0571，0.0548，0.0524，0.0500，0.0476，0.0452，0.0429，0.0405，0.0381，0.0357，0.0333，0.0310，0.0286，0.0262，0.0233，每个个体的累积概率如表2所示。然后在(0，1/M]内随机产生第一个指针的位置，等距离选择个体，设定选择指针的距离为1/M，共产生M个指针，根据每个个体的累积概率，M个指针分别指到的个体即为选择到的个体。比如在表2中所示计算出每个个体的累积概率后，假定要选择的个体数目M为20，则选择指针的距离为1/20，假定随机生成的第一个指针的位置为1/25，则其他19个指针的位置分别为9/100，14/100，19/100，24/100，29/100，34/100，39/100，44/100，49/100，54/100，59/100，64/100，69/100，74/100，79/100，84/100，89/100，94/100，99/100，按照表2中所示的各个个体的累积概率及排序，对应标注为图2中所示的横坐标，如果一个指针的位置在个体G1和个体G2的累积概率对应的两个横坐标之间时，表示个体G1和个体G2中累积概率较大的个体被选中；如果指针的位置恰好在个体G1的累积概率对应的横坐标上，则个体G1被选中；如果指针的位置恰好在个体G2的累积概率对应的横坐标上，则个体G2被选中。20个指针指到的位置如图2中所示，在图2中，个体1，2，2，3，4，5，6，6，7，8，9，10，11，12，13，15，16，17，19，21被选中；

c、交叉：以选择出的M个个体相对应的M个染色体作为父代染色体，在M个染色体中随机进行两两配对，如果M为奇数，最后一个染色体不参加配对，直接成为一个子代染色体；对配对的两个父代染色体的上行字符串按照部分匹配交叉的方法，进行交叉操作，下行字符串保持不变，得到两个子代染色体，对所有配对的染色体全部进行相同的操作，产生M个子代染色体；

对配对的两个父代染色体的上行字符串按照部分匹配交叉的方法进行交叉操作，首先要在配对的两个父代染色体上随机选取两个交叉点，且这两个交叉点不能重复，以确定一个匹配段，如表3中所示，空白处表示随机选取到的两个交叉点，这两个交叉点之间的中间段为匹配段。然后交换表3中所示配对的两个父代染色体的匹配段的上行字符串，下行字符串不变，得到表4所示的两个子代染色体。表4中x表示暂未定义码，由两个父代染色体的匹配段上行字符串的映射关系得：

对表4中的暂未定义码，分别保留各自父代染色体中不与相对应的各自子代染色体匹配段的上行字符串中的字符重复的字符，得到表5所示的两个子代染色体。

最后根据两个父代染色体的匹配段上行字符串的映射关系，对表5中的子代染色体一的第一个x，使用最初字符5，由

交换得到第一个x为3，子代染色体一的第二个x，使用最初字符8，由

交换得到第二个x为4，子代染色体一的第三个x，使用最初字符1，由

交换得到第三个x为6，子代染色体二的第一个x，使用最初字符3，由

交换得到第一个x为5，子代染色体二的第二个x，使用最初字符6，由

交换得到第二个x为1，子代染色体二的第三个x，使用最初字符4，由

交换得到第三个x为8，交叉完成，最终得到的两个子代染色体如表6中所示；

d、变异：对M个子代染色体的下行字符串按照变异概率P_m进行如下变异操作，上行字符串不变：

首先在M个子代染色体中的任一个染色体的下行字符串中随机选取一个要变异的字符位置w，然后在区间(0，1)内随机生成一个数字A，如果A小于或者等于P_m，则随机选取数字1～L中的一个数字，替换位置w处的字符；如果A大于P_m，则位置w处的字符不变，染色体的变异完成；对M个子代染色体都进行相同的操作，P_m取值为0.001～0.1；若选取高的变异概率会增加种群的多样性，但可能会引起不稳定，本实施例中变异概率P_m取值为0.05；

e、重插入：从父种群中选取适应度大的前S个个体相对应的染色体插入经过步骤d操作后的M个子代染色体中，插入的S个染色体相对应的个体和经过步骤d操作后的M个子代染色体相对应的个体共同构成子代种群，种群的遗传代数增加一代，S由式(4)求出；

S＝N-M    (4)

f、判断：若遗传代数达到终止代数，转到步骤g，否则把步骤e中形成的子代种群作为下一代的父种群转到步骤b开始下一代的遗传操作，终止代数取值为100～500，本实施例中终止代数取值为150；

g、对步骤e中形成的子代种群，计算出按照每个个体运送完毕Q个出入货任务所用的运送时间T_s，确立运送时间T_s最小的个体为调度L个RGV运送Q个出入货任务的最佳方案；

第三步、当L个RGV把Q个出入货任务全部运送完毕后，把K个出入货任务中剩余的K-Q个任务和在L个RGV运送Q个出入货任务的时间内产生的新的出入货任务再次按照出入货任务生成的时间顺序进行排列，重复第一步、第二步和第三步，对L个RGV进行下一次的调度，直至所有等待运送的出入货任务全部运送完成为止，实现对L个RGV的动态调度。

表1

3	5	9	8	7	4	2	1	6
									2	1	2	3	1	2	3	2	1

表2

个体	1	2	3	4	5	6	7
								选择概率	0.0714	0.0690	0.0667	0.0643	0.0619	0.0600	0.0571
累积概率	0.0714	0.1404	0.2071	0.2714	0.3333	0.3933	0.4504
								个体	8	9	10	11	12	13	14
选择概率	0.0548	0.0524	0.0500	0.0476	0.0452	0.0429	0.0405
								累积概率	0.5052	0.5576	0.6076	0.6552	0.7004	0.7433	0.7838
个体	15	16	17	18	19	20	21
								选择概率	0.0381	0.0357	0.0333	0.0310	0.0286	0.0262	0.0233
累积概率	0.8219	0.8576	0.8909	0.9219	0.9505	0.9767	1.0000

表3

表4

表5

表6

Claims (1)

1.基于遗传算法的多RGV动态调度方法，所述RGV(5)是单向循环运行在自动化立体仓库输送系统环形轨道(8)上的L个RGV；所述自动化立体仓库中，在环形轨道的一侧沿线顺次布置各入货输送带(1)、出货输送带(2)、多层货架(3)和堆垛机(4)，在环形轨道的另一侧沿线顺次布置入货站台(6)、拣选站台(7)、外部物料运送工具(9)和出货站台(10)，其特征是：所述各RGV的动态调度方法按如下步骤进行：

第一步、针对所有已经生成的正在等待运送的K个出入货任务，根据要求取出前Q个出入货任务；所述K个出入货任务按照生成的时间顺序排列；所述根据要求是指预先根据历史数据估算出投入全部L个RGV完成运送Q个出入货任务所用时间t_y，使t_y不超过规定的时间值；若K值大于Q值，则Q值取值不变，若K值小于或等于Q值，则Q值取值等于K值；

第二步、任意调整Q个出入货任务的先后顺序，运用遗传算法建立模型并求解得出调度L个RGV运送Q个出入货任务的优化方案：

a、种群初始化：将调度L个RGV运送Q个出入货任务的方案定义为个体，对所述个体按如下方式进行编码以获得与个体相对应的染色体：

将Q个出入货任务分别用数字1～Q依次编号，将L个RGV分别用数字1～L依次编号；每个染色体是由一上行字符串和一下行字符串所组成，所述上行字符串中的每个字符是在数字1～Q中随机生成，不重复，共生成Q个，每个字符代表对应编号的出入货任务；所述下行字符串与上行字符串的字符位置一一对应，下行字符串中的每个字符随机取自数字1～L，可以重复，共生成Q个，每个字符代表对应编号的RGV；经过N次编码获得N个染色体，以与所述N个染色体相对应的N个个体组成第一代种群，以所述第一代种群作为下一代的父种群，进行选择、交叉和变异遗传操作，N取值为20～100；

在所述染色体中，以上行字符串与下行字符串中上下对应位置上的两个字符表征出入货任务的运送为：指派下行字符对应编号的RGV运送上行字符对应编号的出入货任务，若在一个染色体所对应的个体中出现由同一个RGV运送多个出入货任务时，按照出入货任务的编号在上行字符串中的先后顺序依次进行运送；

b、选择：分别计算出按照父种群中每个个体运送完毕Q个出入货任务所用的运送时间T_s，以所述运送时间T_s为每个个体的目标函数值，对父种群中的个体按照目标函数值进行降序排列，把个体在父种群中的序位n应用在基于排序的适应度分配方法中的线性排序公式(1)中，计算出每个个体的适应度值；

$f_i=2-p+\frac{2(p-1)(n-1)}{N-1}$ p∈[1.0，2.0]    (1)

式(1)中，f_i为个体i的适应度值，p为选择压力；

把个体i的适应度值f_i应用在式(2)中计算出个体i的选择概率F_i，从而计算出每个个体的选择概率；

$F_i=\frac{f_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{f}_i}---\left(2\right)$

按照式(3)计算出从父种群的N个个体中所要选择的个体数目M后，把每个个体的选择概率应用在随机遍历抽样法中，从父种群中选择出要进行交叉的M个个体，G取值为0.95～0.98；

M＝N×G    (3)

c、交叉：以选择出的M个个体相对应的M个染色体作为父代染色体，在所述M个染色体中随机进行两两配对，如果M为奇数，最后一个染色体不参加配对，直接成为一个子代染色体；对配对的两个父代染色体的上行字符串按照部分匹配交叉的方法，进行交叉操作，下行字符串保持不变，得到两个子代染色体，对所有配对的染色体全部进行相同的操作，产生M个子代染色体；

d、变异：对所述M个子代染色体的下行字符串按照变异概率P_m进行如下变异操作，上行字符串不变：

首先在M个子代染色体中的任一个染色体的下行字符串中随机选取一个要变异的字符位置w，然后在区间(0，1)内随机生成一个数字A，如果A小于或者等于P_m，则随机选取数字1～L中的一个数字，替换位置w处的字符；如果A大于P_m，则位置w处的字符不变，染色体的变异完成；对M个子代染色体都进行相同的操作，P_m取值为0.001～0.1；

e、重插入：从父种群中选取适应度大的前S个个体相对应的染色体插入经过步骤d操作后的M个子代染色体中，插入的S个染色体相对应的个体和经过步骤d操作后的M个子代染色体相对应的个体共同构成子代种群，种群的遗传代数增加一代，S由式(4)求出；

S＝N-M

(4)

f、判断：若遗传代数达到终止代数，转到步骤g，否则把步骤e中形成的子代种群作为下一代的父种群转到步骤b开始下一代的遗传操作，终止代数取值为100～500；

g、对步骤e中形成的子代种群，计算出按照每个个体运送完毕Q个出入货任务所用的运送时间T_s，确立运送时间T_s最小的个体为调度L个RGV运送Q个出入货任务的最佳方案；

第三步、当L个RGV把Q个出入货任务全部运送完毕后，把K个出入货任务中剩余的K-Q个任务和在L个RGV运送Q个出入货任务的时间内产生的新的出入货任务再次按照出入货任务生成的时间顺序进行排列，重复第一步、第二步和第三步，对L个RGV进行下一次的调度，直至所有等待运送的出入货任务全部运送完成为止，实现对L个RGV的动态调度。

Images