CN105938572B - 一种物流存储系统预防干涉的多自动导引车路径规划方法 - Google Patents
一种物流存储系统预防干涉的多自动导引车路径规划方法 Download PDFInfo
- Publication number
- CN105938572B CN105938572B CN201610022324.4A CN201610022324A CN105938572B CN 105938572 B CN105938572 B CN 105938572B CN 201610022324 A CN201610022324 A CN 201610022324A CN 105938572 B CN105938572 B CN 105938572B
- Authority
- CN
- China
- Prior art keywords
- agv
- ant
- node
- section
- optimal
- 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.)
- Expired - Fee Related
Links
- 238000013439 planning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006698 induction Effects 0.000 claims abstract description 13
- 230000001939 inductive effect Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 41
- 239000003016 pheromone Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 108010074864 Factor XI Proteins 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000256602 Isoptera Species 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种物流存储系统预防干涉的多自动导引车(Automatic Guided Vehicle,简称AGV)路径规划方法,通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析,计算路段、节点上AGV行驶重叠次数;本发明结合干涉度阈值,以多AGV运行时间为目标,建立带预防干涉约束的多AGV最短路径规划模型;本发明以蚁群算法为框架,保留信息素因子,去除可见度因子,增加A*因子、诱导因子,设计一种求解物流存储系统防干涉的多AGV路径规划诱导蚁群‑粒子群融合方法。本发明结合码头、仓库、配送中心、集装箱场站以及各类堆场等典型物流存储系统的道路特征,提出多AGV路径规划方法,既能有效规避干涉,又能使AGV尽量按照各自的最短路径达到目的地,从而提高物流存储系统作业效率和安全性。
Description
技术领域
本发明涉及一种路径规划方法,具体涉及一种物流存储系统预防干涉的多自动导引车路径规划方法。
背景技术
在码头、仓库、配送中心、集装箱场站、厂内车间以及各类堆场等典型物流存储系统中,自动化机械使用得越来越多。其中,AGV是当前使用广泛的水平运输设备,负责将货物/集装箱由一处搬运到另一处。相对于传统水平运输方式(比如,集卡),AGV在自动化程度、智能化升级等方面具有优势,且大大节省了人力资源成本,有效解决了集卡带来的内燃机废气排放和噪声污染。
单AGV路径规划是一个最短路径问题。在实际情况下,往往是多辆AGV同时行驶。由于物流存储系统中道路空间的有限性,多辆AGV同时行驶必然存在以排队、延迟、拥堵、自锁甚至碰撞等为主要特征的干涉问题。随着时间推移,延迟、碰撞、自锁会演化为排队,甚至拥堵;拥堵会增加碰撞的概率,造成干涉空间的扩大,加重干涉的程度,影响后续作业计划和安全性。加上人的智能决策的减少,当前物流存储系统多AGV最短路径规划凸显的问题是干涉导致的作业效率和安全性等方面难以达到设计目标。因此,迫切需要研究既能有效规避干涉,又能缩短作业任务完成时间的物流存储系统中多AGV最短路径规划方法。
发明内容
本发明提供一种物流存储系统预防干涉的多自动导引车路径规划方法,其结合干涉度阈值,以多AGV运行时间为目标,建立带预防干涉约束的多AGV最短路径规划模型,设计一种诱导蚁群-粒子群融合方法,既能诱导蚂蚁有效规避路段、节点干涉,又能使AGV尽量按照各自的最短路径达到目的地,从而提高物流存储系统作业效率和安全性。
为实现上述目的,本发明是通过下述技术方案解决上述技术问题的:一种物流存储系统预防干涉的多自动导引车路径规划方法,其特征在于,其包括以下步骤:
S1、通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析,计算路段、节点上AGV行驶重叠次数;
S2、结合干涉度阈值,以多AGV运行时间为目标,建立带预防干涉约束的多AGV最短路径规划模型;
S3、以蚁群算法为框架;
S4、设计一种求解物流存储系统预防干涉的多AGV路径规划诱导蚁群-粒子群融合方法。
优选地,所述步骤S1物流存储系统中多AGV到达、离开各路段、节点时刻的分析包含:
将AGV所在物流存储系统的路网用一个包含N个节点Ai(1≤i≤N)、B条边的图表示。AGV共有P辆,第p辆AGV(用AGVp表示,p=1,2,…,P)的起点、终点分别为Sp、Ep。AGVp的行驶速度为vp。
假设AGVp经过路段(Ak,Al),节点Ak、Al分别为AGVp经过的第i、i+1个节点(以起点Sp为第一个节点)。节点Ak、Al之间的距离用表示。
令AGVp经过路段(Ak,Al)的时间段为在时间段内,可能有其他AGV同时行驶在路段(Ak,Al)的上。若同时行驶在路段(Ak,Al)上的AGV数量过多,就可能出现以拥堵、碰撞等为主要特征的干涉问题,降低AGV的行驶速度,影响物流存储系统的整体运行效率。
为避免路段(Ak,Al)上的干涉,AGVp可以选择绕行。但如果绕行造成行驶距离及行驶时间过长,AGVp可能还不如在节点Ak前(通过减速或停止)等待一段时间,等路段(Ak,Al)上部分AGV驶离使得AGV数量减少之后,AGVp再进入路段(Ak,Al)。
为此,取AGVp在节点Ak之前的等待时间为则AGVp实际经过节点Ak的时刻为:
AGVp经过路段(Ak,Al)的时间段为:
优选地,所述步骤S1计算路段上AGV行驶重叠次数包含:
物流存储系统的路段(Ak,Al)上同一时间行驶的AGV数量过多,可能会造成路段干涉。其他AGV是否经过路段(Ak,Al),有三种情况,这里以第q辆AGV(AGVq)为例来说明:
第一种情况,AGVq经过路段(Ak,Al),与AGVp同向,由式(2)可知
第二种情况,AGVq经过路段(Al,Ak),与AGVp反向,由式(2)可知
第三种情况,AGVq不经过路段(Ak,Al),也不经过路段(Al,Ak),
由于多AGV最短路径规划问题中,AGV不会重复走同一条路段。因此,这里不考虑同一辆AGV既经过路段(Ak,Al),又经过路段(Al,Ak)的情况。即,上述第一种情况中,上述第二种情况中,
根据的相互关系,可以判断AGVp与AGVq是否同时经过路段(Ak,Al)。若AGVp与AGVq没有同时经过路段(Ak,Al),取若AGVp与AGVq同时经过了路段(Ak,Al),取
在的基础上,可以统计出与AGVp同时经过路段(Ak,Al)的AGV数(不包括AGVp)
其中q≠p。进而可以得到路段(Ak,Al)上同时经过的最大AGV数MWk,l:
为避免物流存储系统中的路段干涉,取单位距离上的最大允许AGV数为Ha,要求任意路段(Ak,Al)都满足:
优选地,所述步骤S1计算节点上AGV行驶重叠次数包含:
当很多辆AGV同时经过物流存储系统中某个节点时,则会造成节点干涉。
若AGVp、AGVq都经过节点Ak,它们经过Ak时刻为实际情况下,AGV有一定的长度,AGV经过节点Ak需要一定的时间。因此,若 很接近,AGVp、AGVp基本上同时经过节点Ak。这里取一个时间阈值Ht,若则认为AGVp、AGVp基本上同时经过节点Ak,取否则,取在此基础上,可以统计出与AGVp基本同时经过节点Ak的AGV数(不包括AGVp)
其中q≠p。进而可以得到基本同时经过节点Ak的最大AGV数MZk:
为避免节点干涉,取节点上最大允许“基本同时经过的AGV数量”为Hb,要求任意节点Ak都满足:
MZk≤Hb (8)
优选地,所述步骤S2结合干涉度阈值,以多AGV运行时间为目标,建立带预防干涉约束的多AGV最短路径规划模型包含:
令AGVp经过的节点数量为Np(包括起点Sp、终点Ep)。由式(1)可知,AGVp从起点到达终点的时间为:
期望各AGV都能以最短时间达到终点,目标函数即为:
式(5)、(8)是多AGV最短路径规划模型的两个预防干涉约束。
优选地,所述步骤S3包含以下具体步骤:S3.1将蚁群算法与粒子群优化算法融合,S3.2保留信息素因子,去除可见度因子,S3.3增加A*因子,S3.4增加诱导因子,S3.5重构新的转移概率及状态转移规则,S3.6进行路径决策和节点前等待时间决策,S3.7更新信息素,S3.8运用粒子群优化算法优化节点前等待时间八个具体步骤。
优选地,所述步骤S3.1将蚁群算法与粒子群优化算法融合包含:
多AGV最短路径规划包含两个决策问题:一是路径决策,一是节点前的等待时间决策。前者是离散的路径优化问题,后者是连续的实数优化问题。考虑到蚁群算法、粒子群优化算法分别是路径优化领域、连续优化领域的经典算法,本发明在求解多AGV最短路径规划问题上,以蚁群算法为框架,将蚁群算法与粒子群优化算法融合,提出诱导蚁群-粒子群融合算法,并将其中的改进蚁群算法称为诱导蚁群算法。。
优选地,所述步骤S3.2保留信息素因子,去除可见度因子包含:
S3.2.1初始化设置
对每一辆AGV,设置M只蚂蚁。对于AGVp,每只蚂蚁的初始路径第一个节点为Sp,其他为{A1,A2,…,AN}(除去Sp)被随机打乱生成的一个序列。这里对每一辆AGV都进行各路段的信息素设置。也即,每一条路段上都有多重信息素。第t代AGVp在路段(Ak,Al)上的信息素为 仅对AGVp的蚂蚁起作用,对其他AGV的蚂蚁不起作用。
每条边上,各AGV的初始信息素都相等,为
S3.2.2状态转移规则
在传统蚁群算法中,蚂蚁依据信息素(为方便,将用表示)、可见度ηkl选择下一个城市。蚂蚁在城市k选择城市j的转移概率θkl如式(11)所示:
其中,allowedk为下一步允许选择的城市集合。一般定义能见度因子为路段长度的倒数(其中d(k,l)为节点Ak、Al之间的距离)。这种方法适合于要求遍历所有城市的TSP问题。
然而,多AGV最短路径规划问题与TSP问题有所不同,它目标是寻找到一条从起点Sp到终点Zp的最短路径,并不要求遍历所有城市。每次蚂蚁选择下一个节点时,应该尽量朝向终点前进。如何选择下一个节点,与下一个节点与当前节点的距离是大是小,关系并不大。
在多AGV最短路径规划中,信息素仍然是非常重要的。因此,本发明保留信息素因子,舍弃能见度因子。
优选地,所述步骤S3.3增加A*因子包含:
A*算法是最短路径规划问题的一种经典算法,由于能够求得接近最优解的解、求解速度快及效率高而被较广泛使用。本发明参照A*算法,在蚁群算法中增加A*因子ξkl,以增强求解速度:
ξkl=g*(k,l)+h*(l) (12)
其中g*(k,l)=d(k,l),(xl,yl)为Al的坐标,(xZp,yZp)为终点Zp的坐标。
用A*因子ξkl来引导蚂蚁尽可能地向终点前进。
优选地,所述步骤S3.4增加诱导因子包含:
AGVp的每一只蚂蚁在选择下一个节点时,应有意识地避开其他AGV较多的路段。
然而,每次迭代中,各蚂蚁行走的路径有较大的随机性。若蚂蚁只是规避当代其他AGV,这种规避也具有较大的随机性。而一般而言,各AGV的历史最优路径会逐渐趋向最优解,并逐渐稳定。因此,AGVp的每一只蚂蚁行走时,有意识地规避经过的路径。
每一代结束时,记录各AGV的历史最优路径(AGVp的历史最优路径用表示),以及经过路段(Ak,Al)、路段(Al,Ak)的时间段若不经过路段(Ak,Al)、路段(Al,Ak),
若AGVp的第m只蚂蚁经过路段(Ak,Al)、路段(Al,Ak)的时间段分别为若AGVp与没有同时经过路段(Ak,Al),取若AGVp与同时经过路段(Ak,Al),取进而可以统计出与AGVp同时经过路段(Ak,Al)的历史最优AGV数量(不包括)
其中q≠p。这里取σkl为:
即,如果AGVp也经过路段(Ak,Al),加上其他AGV的历史最优路径,共有σkl辆AGV同时经过路段(Ak,Al)。
用σkl来诱导蚂蚁规避干涉路段(或可能干涉路段),将σkl称为诱导因子。
优选地,所述步骤S3.5重构新的转移概率及状态转移规则包含:
在信息素因子、A*因子、诱导因子的基础上,构建新的转移概率式(14):
当蚂蚁在节点Ak时,在可能作为下一个节点的所有节点中,信息素因子越强,A*因子ξkl越小,诱导因子σkl越小,越有可能被选为下一个节点。按下式(15)给出的规则选择下一个将要移动到的节点Anext:
其中,λ是在[0,1]区间均匀分布的随机数,λ0是一个参数(0≤λ0≤1),J为根据方程式(14)给出的概率分布所选出的一个随机变量。
优选地,所述步骤S3.6进行路径决策和节点前等待时间决策包含:
蚂蚁在选择好下一个节点Ak之后,计算若
则在适应度中按照惩罚项进行惩罚,Λ为惩罚系数。
若AGVp的蚂蚁当前搜索到的节点已经是终点Ep,当前蚂蚁结束搜索,下一只蚂蚁开始搜索。
优选地,所述步骤S3.7更新信息素包含:
本发明中信息素更新规则包含局部更新和全局更新。在每一只蚂蚁结束时,该蚂蚁经过的所有边都进行信息素局部更新:
其中,ρ为挥发系数;为当前蚂蚁经过之后新增的信息素。Tnn为当前蚂蚁完成路径的总时间。
AGVp的所有蚂蚁都完成路径搜索时,对当代最优路径进行信息素全局更新:
其中为当代最优路径新增的信息素。Tgb为当代最优蚂蚁完成路径的总时间。
优选地,所述步骤S3.8运用粒子群优化算法优化节点前等待时间包含:
S3.8.1初始化设置
粒子群优化算法中,粒子数等于蚂蚁数M。粒子由节点前等待时间 构成。每个粒子的编码为一个P*N的矩阵:
该矩阵的每一个元素为[0,τmax]内的一个随机数。τmax为能接受的最大值。设置粒子中每一个元素的初始速度V0、最大速度Vmax。
S3.8.2节点前等待时间的迭代
每个粒子的每个元素按照粒子群优化算法的迭代规则进行迭代。
其中,是当前粒子的速度,是当前粒子的个体历史最优位置,为所有粒子的全局历史最优位置。ω为惯性权重,c1,c2≥0为学习因子,R1,R2为(0,1)之间的随机数。
S3.8.3蚂蚁行走过程中的节点干涉判断
在每一只蚂蚁的搜索过程中,对它经过的每一个节点,都进行节点干涉判断。
每次迭代中,各蚂蚁经过的节点也有较大的随机性。在AGVp的每一只蚂蚁经过每一个节点时,与其它AGV的进行节点干涉判断。
若AGVp的当前蚂蚁AGVq的历史最优蚂蚁都经过节点Ak,它们经过Ak时刻为若取否则进而可以统计出与基本同时经过节点Ak的数量
其中q≠p。若
在适应度中按照惩罚项进行惩罚,Λ为惩罚系数。
优选地,所述步骤S4包含以下具体步骤:S4.1建立适应度函数,S4.2设置各AGV的历史最优蚂蚁,S4.3设置粒子的个体历史最优、全局历史最优,S4.4执行诱导蚁群-粒子群融合算法流程四个具体步骤。
优选地,所述步骤S4.1建立适应度函数包含:
本发明由于考虑了节点前等待时间,不采用AGV行驶总距离作为适应度函数,采用AGV行驶总时间作为适应度函数。同时,应用惩罚函数对路段干涉、节点干涉进行惩罚。在式(10)、(16)、(19)的基础上,建立适应度函数如下:
其中,等号右边的第二项为惩罚项,Λ为惩罚系数。
优选地,所述步骤S4.2设置各AGV的历史最优蚂蚁包含:
S4.2.1各AGV历史最优蚂蚁的初始化与更新
如果当前蚂蚁为第一代AGVp(p=1,2,…,P)的第一只蚂蚁,将这只蚂蚁设为否则,将当前蚂蚁与进行比较,若当前蚂蚁更优,更新
S4.2.2重新计算的适应值
由步骤S3.6、S3.8、S4.1可知,每一代,对AGVp的第m只蚂蚁进行路段和节点干涉判断、适应度计算时,是假设当前蚂蚁与其他AGV的历史最优蚂蚁在路网上共同行驶的。为方便,本发明将这称为:为背景进行路段和节点干涉判断,以及适应度计算。
由S4.2.1可知,每一个的适应度,都是以它被初始化或更新时的其他的为背景进行计算的。在这之后,若任何一个被更新,的适应度也应该更新一下。
为保证适应值的合理准确,在每一代计算结束时,以为背景,对每一个的路段干涉、节点干涉都重新进行判断,对相应的惩罚项及适应值都重新进行计算。这样,每一代计算结束后的就是一组与其适应度相匹配的AGV集合。
优选地,所述步骤S4.3设置粒子的个体历史最优、全局历史最优包含:
第一代结束时,将每一只蚂蚁作为它的个体历史最优,将各节点前等待时间作为它的个体历史最优位置(式(17)中的)。
从第二代开始,每一代每一只蚂蚁行走结束时,将它与它的个体历史最优进行比较,若当前蚂蚁优于它的个体历史最优,更新它的个体历史最优及个体历史最优位置。
每一代,在各AGV的历史最优按步骤S4.2.2重新计算之后,将作为它的全局历史最优,的各节点前等待时间作为它的全局历史最优(式(17)中的)。
优选地,所述步骤S4.4执行诱导蚁群-粒子群融合算法流程包含:
诱导蚁群-粒子群融合算法中诱导蚁群算法优化路径与粒子群优化算法优化节点前等待时间,这两种优化计算没有先后顺序。它们是相互交织在一起的,具体步骤如下:
S4.4.1按照S3.2.1、S3.8.1进行蚂蚁种群和粒子群的初始化设置。
S4.4.2对每一辆AGV的每一只蚂蚁,都从起点开始,按照S4.4.2.1~S4.4.2.7进行路径搜索。
S4.4.2.1按照S3.5选择下一个节点Anext。按照“S1通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析”计算出蚂蚁经过Anext的时刻。
S4.4.2.2按照S3.6对蚂蚁刚经过的路段进行路段干涉判断;针对节点Anext,按照S3.8.3进行节点干涉判断。
S4.4.2.3若Anext不是终点Ep,返回STEP S4.4.2.1;否则,转到STEP S4.4.2.4。
S4.4.2.4按照S3.7,进行信息素局部更新。
S4.4.2.5按照S4.1计算当前蚂蚁的适应值,按照S4.2.1初始化或更新按照S4.3,初始化或更新当前蚂蚁的个体历史最优及个体历史最优位置。
S4.4.2.6若AGVp(p=1,2,…,P)的所有蚂蚁都搜索结束,完成如下两项工作:按照S3.7,进行信息素全局更新;按照S4.2.2,重新计算的适应值。
S4.4.2.7若所有AGV的所有蚂蚁都搜索结束,按照S4.3设置粒子群的全局历史最优。
S4.4.3检查终止条件,若满足,则结束寻优,输出结果;否则,转到S4.4.4
S4.4.4按照S3.8.2,对节点前等待时间进行迭代计算,返回S4.4.2。
综上所述,本发明的积极进步效果在于:不同于现有路径规划方法仅包含路径决策,本发明包含路径决策和节点前等待时间决策两个决策问题。本发明结合物流存储系统干涉度阈值,以多AGV运行时间为目标,综合运用蚁群算法、A*算法和粒子群算法的优点,设计诱导蚁群-粒子群融合方法。本发明可指导物流存储系统多AGV路径规划,避免干涉现象,缩短作业任务完成时间,从而提高作业的效率和安全性。
附图说明
图1为本发明中诱导蚁群-粒子群融合算法的流程图。
图2为本发明中物流存储系统路网示意图。
具体实施方式
以下结合附图,给出本发明的流程和较佳实施例,以进一步说明本发明的技术方案。
如图1所示,通过诱导蚁群-粒子群融合算法对多自动导引车路径进行规划方法,实现物流存储系统的干涉预防。诱导蚁群算法优化路径与粒子群优化算法优化节点前等待时间,这两种优化计算没有先后顺序。它们是相互交织在一起的,具体包含以下步骤:
步骤1:蚂蚁种群初始化设置;
对每一辆AGV,设置M只蚂蚁。对于AGVp,每只蚂蚁的初始路径第一个节点为Sp,其他为{A1,A2,…,AN}(除去Sp)被随机打乱生成的一个序列。这里对每一辆AGV都进行各路段的信息素设置。也即,每一条路段上都有多重信息素。第t代AGVp在路段(Ak,Al)上的信息素为 仅对AGVp的蚂蚁起作用,对其他AGV的蚂蚁不起作用。
每条边上,各AGV的初始信息素都相等,为
步骤2:粒子群初始化设置;
粒子群优化算法中,粒子数等于蚂蚁数M。粒子由节点前等待时间 构成。每个粒子的编码为一个P*N的矩阵:
该矩阵的每一个元素为[0,τmax]内的一个随机数。τmax为能接受的最大值。设置粒子中每一个元素的初始速度V0、最大速度Vmax。
步骤3:设置迭代次数t=1;
步骤4:将各AGV的首节点设置为各蚂蚁的首节点,计算各蚂蚁离开首节点的时刻;
步骤5:对每一辆AGV的每一只蚂蚁,都从起点开始,按照步骤5.1~步骤5.9进行路径搜索;
步骤5.1:选择蚂蚁的下一个节点Anext;
在信息素因子、A*因子、诱导因子的基础上,构建新的转移概率式当蚂蚁在节点Ak时,在可能作为下一个节点的所有节点中,信息素因子越强,A*因子ξkl越小,诱导因子σkl越小,越有可能被选为下一个节点。按式给出的规则选择下一个将要移动到的节点Anext。其中,λ是在[0,1]区间均匀分布的随机数,λ0是一个参数(0≤λ0≤1),J为根据新的转移概率方程式给出的概率分布所选出的一个随机变量。
步骤5.2:计算蚂蚁经过Anext的时刻;
将AGV所在物流存储系统的路网用一个包含N个节点Ai(1≤i≤N)、B条边的图表示。AGV共有P辆,第p辆AGV(用AGVp表示,p=1,2,…,P)的起点、终点分别为Sp、Ep。AGVp的行驶速度为vp。
假设AGVp经过路段(Ak,Al),节点Ak、Al分别为AGVp经过的第i、i+1个节点(以起点Sp为第一个节点)。节点Ak、Al之间的距离用表示。
令AGVp经过路段(Ak,Al)的时间段为在时间段内,可能有其他AGV同时行驶在路段(Ak,Al)的上。若同时行驶在路段(Ak,Al)上的AGV数量过多,就可能出现以拥堵、碰撞等为主要特征的干涉问题,降低AGV的行驶速度,影响物流存储系统的整体运行效率。
为避免路段(Ak,Al)上的干涉,AGVp可以选择绕行。但如果绕行造成行驶距离及行驶时间过长,AGVp可能还不如在节点Ak前(通过减速或停止)等待一段时间,等路段(Ak,Al)上部分AGV驶离使得AGV数量减少之后,AGVp再进入路段(Ak,Al)。
为此,取AGVp在节点Ak之前的等待时间为则AGVp实际经过节点Ak的时刻为AGVp经过路段(Ak,Al)的时间段为
步骤5.3:对蚂蚁刚经过的路段进行路段干涉判断;
蚂蚁在选择好下一个节点Ak之后,计算若则在适应度中按照惩罚项进行惩罚,Λ为惩罚系数。
步骤5.4:对节点Anext进行节点干涉判断;
在AGVp的每一只蚂蚁经过每一个节点时,与其它AGV的进行节点干涉判断。
若AGVp的当前蚂蚁AGVq的历史最优蚂蚁都经过节点Ak,它们经过Ak时刻为若取否则进而可以统计出与基本同时经过节点Ak的数量
其中q≠p。若在适应度中按照惩罚项进行惩罚,Λ为惩罚系数。
步骤5.5:若Anext不是终点Ep,返回步骤5.1;否则,转到步骤5.6;
步骤5.6:进行信息素局部更新;
在每一只蚂蚁结束时,该蚂蚁经过的所有边都进行信息素局部更新:其中,ρ为挥发系数,为当前蚂蚁经过之后新增的信息素,Tnn为当前蚂蚁完成路径的总时间;
步骤5.7:计算当前蚂蚁的适应值;
考虑了节点前等待时间,采用AGV行驶总时间作为适应度函数。同时,应用惩罚函数对路段干涉、节点干涉进行惩罚。建立适应度函数:其中,等号右边的第二项为惩罚项,Λ为惩罚系数;
步骤5.8:判断当前代是否是第一代:如果满足条件,则初始化各AGV的历史最优路径初始化各粒子的个体历史最优;如果不满足条件,则更新各AGV的历史最优路径、各粒子的个体历史最优;
如果当前蚂蚁为第一代AGVp(p=1,2,…,P)的第一只蚂蚁,将这只蚂蚁设为否则,将当前蚂蚁与进行比较,若当前蚂蚁更优,更新
第一代结束时,将每一只蚂蚁作为它的个体历史最优,将各节点前等待时间作为它的个体历史最优位置
从第二代开始,每一代每一只蚂蚁行走结束时,将它与它的个体历史最优进行比较,若当前蚂蚁优于它的个体历史最优,更新它的个体历史最优及个体历史最优位置。
步骤5.9:判断当前代是否所有蚂蚁都搜索结束:如果满足条件,则进行信息素全局更新,重新计算的适应值,设置粒子群的全局历史最优;如果不满足条件,则按照t=t+1更新迭代次数,返回步骤4;
AGVp的所有蚂蚁都完成路径搜索时,对当代最优路径进行信息素全局更新:其中,为当代最优路径新增的信息素,Tgb为当代最优蚂蚁完成路径的总时间。
为保证适应值的合理准确,在每一代计算结束时,以为背景,对每一个的路段干涉、节点干涉都重新进行判断,对相应的惩罚项及适应值都重新进行计算。这样,每一代计算结束后的就是一组与其适应度相匹配的AGV集合。
每一代,在各AGV重新计算历史最优之后,将作为它的全局历史最优,的各节点前等待时间作为它的全局历史最优
步骤6:检查终止条件是否满足:如果满足条件,则结束寻优,输出结果;否则,转到步骤7;
步骤7:对节点前等待时间进行迭代计算,返回步骤3。
每个粒子的每个元素按照粒子群优化算法的迭代规则进行迭代。
其中,是当前粒子的速度,是当前粒子的个体历史最优位置,为所有粒子的全局历史最优位置。ω为惯性权重,c1,c2≥0为学习因子,R1,R2为(0,1)之间的随机数。
如图2所示,本发明公开了一种物流存储系统路网示意图,该示意图包含:若干节点、若干路段和若干AGV。
在图2所示的物流存储系统路网中,任意两点之间若有点划线的,表示这两点之间有道路。横向相邻的各节点之间相距1.8个距离单位,纵向相邻的各节点之间相距1个距离单位。空心形状符号、实心形状符号分别表示多AGV执行水平运输任务的起点和终点。三台AGV没有优先级差异,起点、终点、行驶速度也互不相同。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种物流存储系统防干涉的多AGV路径规划方法,其特征在于,该方法包含以下步骤:
S1、通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析,计算路段、节点上AGV行驶重叠次数;
所述步骤S1中进一步包含:
第p辆AGV记为AGVp,取AGVp在节点Ak之前的等待时间为则AGVp经过节点Ak的时刻为:
其中,AGVp的行驶速度为vp,节点Ak、Al之间的距离用表示,AGV所在物流存储系统的路网包含N个节点Ai(1≤i≤N);
AGVp经过路段(Ak,Al)的时间段为:
当AGVq经过路段(Ak,Al),与AGVp同向,当AGVq经过路段(Al,Ak),与AGVp反向,当AGVq不经过路段(Ak,Al),也不经过路段(Al,Ak),
根据判断AGVp与AGVq是否同时经过路段(Ak,Al),得到等于0或1,继续统计出与AGVp同时经过路段(Ak,Al)的AGV数
计算得到路段(Ak,Al)上同时经过的最大AGV数MWk,l:
取单位距离上的最大允许AGV数为Ha,要求任意路段(Ak,Al)都满足:
当AGVp、AGVq都经过节点Ak,经过Ak时刻为分别为取一时间阈值Ht,若则AGVp、AGVp基本上同时经过节点Ak,取否则,取从而统计出与AGVp基本同时经过节点Ak的AGV数
计算得到基本同时经过节点Ak的最大AGV数MZk:
取节点上最大允许基本同时经过的AGV数量为Hb,要求任意节点Ak都满足:
MZk≤Hb (8)
S2、基于所述时间阈值,并以多AGV运行时间为目标,建立带预防干涉约束的多AGV最短路径规划模型;
所述步骤S2中进一步包含:
令AGVp经过的节点数量为Np,包括起点Sp、终点Ep,,由式(1)可知,AGVp从起点到达终点的时间为:
期望各AGV都能以最短时间达到终点,目标函数即为:
S3、以蚁群算法为框架;
所述步骤S3包括S3.1将蚁群算法与粒子群优化算法融合,S3.2保留信息素因子,去除可见度因子,S3.3增加A*因子,S3.4增加诱导因子,
S3.5重构新的转移概率及状态转移规则,S3.6进行路径决策和节点前等待时间决策,S3.7更新信息素,S3.8运用粒子群优化算法优化节点前待时间八个具体步骤;
S4、设计一种求解物流存储系统预防干涉的多AGV路径规划诱导蚁群-粒子群融合方法;
步骤S4包括S4.1建立适应度函数,S4.2设置各AGV的历史最优蚂蚁,S4.3设置粒子的个体历史最优、全局历史最优,S4.4执行诱导蚁群-粒子群融合算法流程四个具体步骤;
其中,所述步骤S3.1中进一步包含:以蚁群算法为框架,将蚁群算法与粒子群优化算法融合,得到诱导蚁群-粒子群融合算法;
所述步骤S3.2中进一步包含:
对每辆AGV设置M只蚂蚁,第p辆AGV记为AGVp,对于AGVp每只蚂蚁的初始路径第一个节点为Sp,其他为{A1,A2,…,AN}被随机打乱生成的一个序列,其中对每辆AGV进行各路段的信息素设置,每一条路段上有多重信息素,第t代AGVp在路段(Ak,Al)上的信息素为
蚂蚁依据信息素可见度ηkl选择下一个城市,蚂蚁在城市k选择城市j的转移概率θkl如式(11)所示:
其中,allowedk为下一步允许选择的城市集合,定义能见度因子为路段长度的倒数,d(k,l)为节点Ak、Al之间的距离;
保留所述信息素,舍弃所述能见度因子;
所述步骤S3.3中进一步包含:
根据A*算法在蚁群算法中增加所述A*因子ξkl,以增强求解速度,通过A*因子ξkl引导蚂蚁尽可能地向终点前进,计算式如下式(12):
ξkl=g*(k,l)+h*(l) (12)
其中,所述A*算法为最短路径规划问题的经典算法,g*(k,l)=d(k,l),(xl,yl)为Al的坐标,(xZp,yZp)为终点Zp的坐标;
所述步骤S3.4中进一步包含:
AGVp的每只蚂蚁行走时,规避经过的路径;
每一代结束时记录各AGV的历史最优路径以及经过路段(Ak,Al)、路段(Al,Ak)的时间段其中,若不经过路段(Ak,Al)、路段(Al,Ak),
当AGVp的第m只蚂蚁经过路段(Ak,Al)、路段(Al,Ak)的时间段分别为若AGVp与没有同时经过路段(Ak,Al),取若AGVp与同时经过路段(Ak,Al),取进而统计出与AGVp同时经过路段(Ak,Al)的历史最优AGV数量
其中,q≠p,取σkl为:如果AGVp也经过路段(Ak,Al),加上其他AGV的历史最优路径,共有σkl辆AGV同时经过路段(Ak,Al);用σkl来诱导蚂蚁规避干涉路段,将σkl称为诱导因子;
所述步骤S3.5中进一步包含:
在信息素因子、A*因子、诱导因子的基础上,构建转移概率式(14):
当蚂蚁在节点Ak时,在可能作为下一个节点的所有节点中,信息素因子越强,A*因子ξkl越小,诱导因子σkl越小,越有可能被选为下一个节点;
按下式(15)给出的规则选择下一个将要移动到的节点Anext:
其中,λ是在[0,1]区间均匀分布的随机数,λ0是一个参数(0≤λ0≤1),J为根据方程式(14)给出的概率分布所选出的一个随机变量;
所述步骤S3.6中进一步包含:
蚂蚁在选择好下一个节点Ak之后,计算若则在适应度中按照惩罚项进行惩罚,Λ为惩罚系数;若AGVp的蚂蚁当前搜索到的节点已是终点Ep,当前蚂蚁结束搜索,下一只蚂蚁开始搜索;
所述步骤S3.7中进一步包含:
在每只蚂蚁结束时,该蚂蚁经过的所有边都进行信息素局部更新:
其中,ρ为挥发系数;为当前蚂蚁经过之后新增的信息素;Tnn为当前蚂蚁完成路径的总时间;
当AGVp的所有蚂蚁都完成路径搜索时,对当代最优路径进行信息素全局更新:
其中,为当代最优路径新增的信息素,;Tgb为当代最优蚂蚁完成路径的总时间;
所述步骤S3.8中进一步包含:
粒子群优化算法中粒子数等于蚂蚁数M,粒子由节点前等待时间 构成,每个粒子的编码为一个P*N的矩阵:
其中,该矩阵的每一个元素为[0,τmax]内的一个随机数,τmax为能接受的最大值,设置粒子中每一个元素的初始速度V0、最大速度Vmax;
每个粒子的每个元素按照粒子群优化算法的迭代规则进行迭代:
其中,Vi p是当前粒子的速度,是当前粒子的个体历史最优位置,为所有粒子的全局历史最优位置;ω为惯性权重,c1,c2≥0为学习因子,R1,R2为(0,1)之间的随机数;
在AGVp的每只蚂蚁经过每一个节点时,与其它AGV的进行节点干涉判断;
若AGVp的当前蚂蚁AGVq的历史最优蚂蚁都经过节点Ak,它们经过Ak时刻为若取否则进而统计出与基本同时经过节点Ak的数量
其中,q≠p,若在适应度中按照惩罚项进行惩罚,Λ为惩罚系数;
所述步骤S4.1中进一步包含:
建立适应度函数如下:
其中,等号右边的第二项为惩罚项,Λ为惩罚系数;
所述步骤S4.2中进一步包含:各AGV历史最优蚂蚁的初始化与更新;重新计算的适应值,每一代计算结束后的是一组与其适应度相匹配的AGV集合;
所述步骤S4.3中进一步包含:
在各AGV的历史最优按步骤S4.2重新计算之后,将作为它的全局历史最优,的各节点前等待时间作为它的全局历史最优;
所述步骤S4.4中进一步包含:
S4.4.1、对蚂蚁种群和粒子群的初始化设置;
S4.4.2、对每一辆AGV的每一只蚂蚁进行路径搜索;
S4.4.3、检查终止条件,若满足,则结束寻优,输出结果;否则,转到步骤S4.4.4;
S4.4.4、按照步骤S3.8对节点前等待时间进行迭代计算,返回步骤S4.4.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022324.4A CN105938572B (zh) | 2016-01-14 | 2016-01-14 | 一种物流存储系统预防干涉的多自动导引车路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022324.4A CN105938572B (zh) | 2016-01-14 | 2016-01-14 | 一种物流存储系统预防干涉的多自动导引车路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105938572A CN105938572A (zh) | 2016-09-14 |
CN105938572B true CN105938572B (zh) | 2019-08-02 |
Family
ID=57152920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610022324.4A Expired - Fee Related CN105938572B (zh) | 2016-01-14 | 2016-01-14 | 一种物流存储系统预防干涉的多自动导引车路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105938572B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180210459A1 (en) * | 2016-10-08 | 2018-07-26 | Zhejiang Guozi Robot Technology Co., Ltd. | Traffic management method for mobile robotics system |
CN107091647B (zh) * | 2017-04-26 | 2020-04-21 | 深圳市招科智控科技有限公司 | 港口集装箱水平搬运无人车导航方法 |
JP6652106B2 (ja) * | 2017-05-10 | 2020-02-19 | 株式会社ダイフク | 物品搬送設備 |
CN107202579B (zh) * | 2017-06-22 | 2020-09-04 | 上海振华重工(集团)股份有限公司 | 码头水平运输区辅助路径规划方法、介质和系统 |
CN107677288A (zh) * | 2017-10-10 | 2018-02-09 | 深圳市招科智控港口科技有限公司 | 一种港口集装箱无人车避免运行路线重叠的方法和系统 |
CN107816996B (zh) * | 2017-10-31 | 2021-03-23 | 上海海事大学 | 时变环境下agv流时空干涉检测与规避方法 |
CN107608364A (zh) * | 2017-11-01 | 2018-01-19 | 广州供电局有限公司 | 一种用于数据中心物理设备上下架的智能机器人 |
CN110503225B (zh) * | 2018-05-17 | 2024-05-03 | 株式会社日立制作所 | 一种订单派单配送方法 |
CN110262472B (zh) * | 2018-06-04 | 2022-09-30 | 北京京东乾石科技有限公司 | 路径规划方法、装置和计算机可读存储介质 |
CN109191035B (zh) * | 2018-07-24 | 2021-08-24 | 合肥哈工库讯智能科技有限公司 | 一种基于物料分析的agv小车路径规划调控系统 |
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路径规划方法和系统 |
CN109335713B (zh) * | 2018-09-17 | 2020-11-03 | 青岛港国际股份有限公司 | 自动化码头agv送箱路径优化方法和系统 |
CN109165902B (zh) * | 2018-10-09 | 2021-10-08 | 北方工业大学 | 一种基于智能无人车的动态区域物流派送方法及系统 |
CN109800913B (zh) * | 2019-01-12 | 2021-08-24 | 上海海事大学 | 一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法 |
CN110245776B (zh) * | 2019-04-26 | 2023-08-01 | 惠州学院 | 一种基于多属性蚁群算法的智能交通路径规划方法 |
CN110162058B (zh) * | 2019-06-03 | 2022-04-05 | 西交利物浦大学 | Agv规划方法及装置 |
CN110597263B (zh) * | 2019-09-25 | 2021-11-26 | 福州大学 | 一种无人餐厅自动送餐路径规划方法 |
CN111289007A (zh) * | 2020-03-23 | 2020-06-16 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
CN112100899B (zh) * | 2020-09-22 | 2024-04-09 | 河南中烟工业有限责任公司 | 卷烟辅料调度的agv多线程作业全局优化方法 |
CN113173428B (zh) * | 2021-03-15 | 2022-08-05 | 青岛港董家口矿石码头有限公司 | 一种基于知识推理的散货码头堆场规划利用方法 |
CN114348585B (zh) * | 2021-12-30 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于平台调度的物流机器人系统及其控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037422A (zh) * | 2008-05-22 | 2011-04-27 | 村田机械株式会社 | 行驶车系统及行驶车系统中的行驶控制方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
-
2016
- 2016-01-14 CN CN201610022324.4A patent/CN105938572B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102037422A (zh) * | 2008-05-22 | 2011-04-27 | 村田机械株式会社 | 行驶车系统及行驶车系统中的行驶控制方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105938572A (zh) | 2016-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938572B (zh) | 一种物流存储系统预防干涉的多自动导引车路径规划方法 | |
CN109471444B (zh) | 基于改进Dijkstra算法的停车AGV路径规划方法 | |
AU2020101761A4 (en) | Method for planning path of parking agv based on improved dijkstra algorithm | |
CN104464310B (zh) | 城市区域多交叉口信号协同优化控制方法及系统 | |
CN105513400B (zh) | 动态规划出行路径的方法 | |
CN109949604A (zh) | 一种大型停车场调度导航方法、系统以及使用方法 | |
CN103971530B (zh) | 一种实时路径规划方法 | |
Li et al. | Traffic signal timing optimization in connected vehicles environment | |
Coltin et al. | Scheduling for transfers in pickup and delivery problems with very large neighborhood search | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN110515380A (zh) | 基于转弯权重约束的最短路径规划方法 | |
CN109934388A (zh) | 一种用于智能拣选优化系统 | |
Kanamori et al. | Evaluation of anticipatory stigmergy strategies for traffic management | |
CN114117700A (zh) | 基于复杂网络理论的城市公共交通网络优化研究方法 | |
CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
CN114550482A (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN113505962A (zh) | 一种考虑完整行程的电动汽车导航与充电预约方法 | |
Alaia et al. | Optimization of the multi-depot & multi-vehicle pickup and delivery problem with time windows using genetic algorithm | |
CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
CN108830401B (zh) | 基于元胞传输模型的动态拥堵收费最优费率计算方法 | |
CN110033111B (zh) | 机场场面运动规划方法和装置 | |
CN113724507A (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 | |
Zavin et al. | Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data | |
CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
Tarek et al. | Fog computing for optimized traffic control strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190802 Termination date: 20220114 |
|
CF01 | Termination of patent right due to non-payment of annual fee |