CN106681334A - 基于遗传算法的自动搬运小车调度控制方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的自动搬运小车调度控制方法，涉及自动搬运小车控制方法技术领域。所述方法包括如下步骤：1)建立自动化立体仓库数学模型；2)在采用分组策略运送出入货任务的基础上，运用基本遗传算法对建立的模型求解；对基本遗传算法的遗传操作进行改进，使自动搬运小车路径长度得到缩短。所述方法通过使用基于遗传算法的多AGV动态调度方法，能够使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多个AGV运送出入货任务方案，减少AGV的堵塞和空跑，提高输送系统的效率。

Description

基于遗传算法的自动搬运小车调度控制方法

技术领域

本发明涉及自动搬运小车控制方法技术领域，尤其涉及一种基于遗传算法的自动搬运小车调度控制方法。

背景技术

自动化立体仓库的输送系统一般分为三种：(1)直行轨道式：在一条直线轨道上有一个或者多个自动搬运小车(AGV)进行往复运动；(2)分段式：有若干条轨道，每个AGV在固定的轨道上运行；(3)环形轨道式：有多个AGV在一条环形轨道上运行。前两种输送系统设计制造和AGV调度比较简单，但是在大物流量下效率比较低，不能满足现实的要求。在大物流量下，即在部分时间里AGV的数量都是小于出入货任务的数量时，如何高效的调度第三种输送系统中的多个AGV很难做到。

发明内容

本发明所要解决的技术问题是提供一种基于遗传算法的自动搬运小车调度控制方法，所述方法运用基于遗传算法的多AGV动态调度方法，能够使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多个AGV运送出入货任务方案，减少AGV的堵塞和空跑，提高输送系统的效率。

为解决上述技术问题，本发明所采取的技术方案是：一种基于遗传算法的自动搬运小车调度控制方法，其特征在于包括如下步骤：

1)建立自动化立体仓库数学模型；

2)在采用分组策略运送出入货任务的基础上，运用基本遗传算法对建立的模型求解；对基本遗传算法的遗传操作进行改进，使自动搬运小车运输路径长度得到缩短。

进一步的技术方案在于：所述的步骤1)中采用eM-Plant对整个自动化立体仓库进行建模。

进一步的技术方案在于：在建立步骤1)中所述的数学模型进行路径规划时，采用拓扑法对AGV所处自由空间进行描述，其在构造规划空间时使用下述假设：

1)自动搬运小车AGV在二维平面环境中运动；

2)规划环境的边界及障碍物可用凸多边形；

3)基于对自动搬运小车AGV大小的考虑，可对规划环境的边界适当缩小，对障碍物的范围适当扩大，AGV用点来表示。

进一步的技术方案在于：通过如下方法进行自动搬运小车AGV路径的规划：

首先，用直线为链接线划分规划空间为凸多边形区域；

其次，将各链接线的中点设置为可能的路径节点；

再次，相互连接各凸多边形区域内的所有可能路径点；

最后，将自动搬运小车AGV移动时的起点和终点分别连接到所在凸多边形区域的各个可能路径点上。

进一步的技术方案在于：应用Matlab模拟，自动搬运小车AGV工作环境采用直角坐标法表示，设置AGV起点坐标为(0，0)，终点坐为(100，100)，障碍物采用顶点坐标向量(X，Y)表示，坐标排列为逆时针方向。

进一步的技术方案在于：设置节点时采用两种方法，一种方法是取各障碍物对环境边界的垂线中点，另一种方法是取障碍物顶点连线的中点为节点；依据邻接矩阵，绘制网络拓扑结构，当D(i，j)＝1时，对应节点有连线链接，当D(i，j)＝0时，对应节点没有连线，如此，得到拓扑结构图。

进一步的技术方案在于：在求解自动搬运小车AGV路径时，先用Floyd算法求拓扑图的最短路径，得到可行路径点再用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径。

进一步的技术方案在于：所述的采用Floyd算法求拓扑图的最短路径的方法如下：

首先，为图中连接线设置权值，设节点V_i(X_i，Y_i)、节点V_j(X_j，Y_j)，如果从节点V_i到节点V_j有路可达，则邻接矩阵D(i，j)的权值设置为

否则，D(i,j)＝0

其次，定义一个矩G阵用来记录节点的信息，G(i，j)表示从节点V_i到节点V_j需要经过的点，初始化G(i，j)＝j；

再次，把各个节点插入到图中，比较插点后的距离与原来的距离，

D(i,j)＝min(D(i,j),D(i,k)+D(k,j)) (2)

如果D(i,j)的值变小，则G(i,j)＝k；

在D中包含有两点之间最短道路的信息，而在G中则包含了最短通路径的信息。

进一步的技术方案在于：采用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径的方法如下：

1)路径编码方法

假设通过Floyd算法已找到了图中的最短路径p₀、p₁、p₂…p_n，其中p₀为路径起点，p_n为路径终点；需要对p_i(i＝1,2,...n-1)的位置进行调整，从而得到自动搬运小车AGV在规划空间中的最优或近似最优的行走路径；

对于p_i点，让它在由p_i1，p_i2设两点所组成的直线段上变动，其具体位置可由下述参数方程式中的t_i来决定:

p_i＝p_i1+t_i(p_i2-p_i1) (3)

对每一个路径点都这样处理后，这些新的路径点就组成了一条新的行走路径；对于一条新的调整后的路径，由n个取值在[0，1]，范围内的t_i值的排列来唯一的表示其各个路径点的新位置，即确定了这条路径；

2)目标函数和适应函数

适应度函数分别由路径长度、平滑度以及间接度三个目标函数组成；

路径长度函数：对于有n个节点的路径，共由n-1条路径分段组成；计算节点p_i与p_i+1之间的长度并叠加，公式表示如下：

平滑度函数:平滑度指的是路径段与路径段之间的偏转角度少θ的大小，即自动搬运小车AGV行走时的偏转方向，计算公式表示如下:

其中，S为规划场景面积，o_s为所有障碍物的所占面积；

间隔度：间隔度是指路径与障碍物之间的距离，计算每个路径段离障碍物的最短距离g_i；

其中，_τ为理想间距值；

以上三个式子根据各自权重求和得到可行路径的适应度函数，表示为以下式子：

f(s)＝ω_d·dist(s)+ω_s·smooth(s)+ω_c·clear(s) (7)。

进一步的技术方案在于：遗传算子的计算方法如下：

选择算子采用比例选择算子，使个体按照与适应度成正比的概率向下一代群体繁殖，选择方法是转盘轮赌选择法；

交叉算子：首先，交叉是以一定的概率，在变长的染色体中随机选择一个除起始点与目标点以外的转向点，这个转向点就作为交叉点，把整个路径分成了两个路径段。然后选择两个父代染色体，相互交换交叉点后面的路径段，这样就产生了两个子代染色体；

变异算子：选择之后是子代的变异保证了遗传算法的有效性，它是一种局部随机搜索，与选择算子结合在一起，使遗传算法具有局部的随机搜索能力，并对路径中的不理想路段进行变异可以提高算法效率，同时使得遗传算法保持种群的多样性，以防止出现非成熟收敛可行路径的概率很大。

采用上述技术方案所产生的有益效果在于：所述方法通过使用基于遗传算法的多AGV动态调度方法，能够使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多个AGV运送出入货任务方案，减少AGV的堵塞和空跑，提高输送系统的效率。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例中Holland的遗传算法的流程图；

图2是本发明实施例变异算子1变异前的路径示意图；

图3是本发明实施例变异算子1变异后的路径示意图；

图4是本发明实施例变异算子2变异前的路径示意图；

图5是本发明实施例变异算子2变异后的路径示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

在自动化立体仓库中，输送系统连接多层货架和外部物料运送工具，其效率对整个自动化立体仓库至关重要。本发明对输送系统中多个AGV的动态调度问题进行研究，建立起货物配送效率与配送资源间的数学模型与核心算法，并通过仿真与持续的算法优化分析，构建出自动化立体仓库高效的输送系统，实现多个搬运AGV系统的智能调度与协作。

本发明公开了一种基于遗传算法的自动搬运小车调度控制方法，所述方法主要采用如下步骤：

1)自动化立体仓库数学建模：对多个AGV动态调度中的关键问题进行了分析，在此基础上采用eM-Plant对整个自动化立体仓库进行建模，以利用仿真技术对多个AGV动态调度做进一步的研究。

2)运用基本遗传算法进行求解：在采用分组策略运送出入货任务的基础上，运用基本遗传算法对建立的模型求解，同时提出了一种实用的二维编码方法，得到一个优化的调度多个AGV运送出入货任务方案，并把仿真结果与采用先来先服务方法求解模型得到的仿真结果进行了对比，验证基本遗传算法求解模型的有效性。

3)改进并优化求解：对基本遗传算法的遗传操作进行了改进，通过对比运用改进的遗传和运用基本遗传算法求解模型得到的仿真结果，验证了改进的遗传算法的有效性。

具体方法如下：

1)空间拓扑建模

进行路径规划时，首先必须对AGV所处自由空间进行描述，即进行规划空间建模。拓扑图法是自由空间建模中的一种比较好的方法，其在构造规划空间时使用了下述假设：

(1)AGV在二维平面环境中运动。

(2)规划环境的边界及障碍物可用凸多边形。

(3)基于对AGV大小等的考虑，可对规划环境的边界适当缩小，对障碍物的范围适当扩大，AGV用点来表示。

首先，用直线为链接线划分规划空间为凸多边形区域。

其次，将各链接线的中点设置为可能的路径节点。

再次，相互连接各凸多边形区域内的所有可能路径点。

最后，将机器人移动时的起点和终点分别连接到所在凸多边形区域的各个可能路径点上。

应用Matlab模拟，AGV工作环境采用直角坐标法表示，设置AGV起点坐标为(0，0)，终点坐为(100，100)。障碍物采用顶点坐标向量(X，Y)表示，坐标排列为逆时针方向。如X＝[15，20，20，15，15]，Y＝[85，85，65，65，85]，表示障碍的顶点为(15，85)，(20，85)，(20，65)，(15，85)。

绘制障碍物代码如下：

Fill([15，20，20，15，15]，[85，85，65，65，85]，[0.4，0.4，0.4])；

Plot([15，20，20，15，15]，[85，85，65，65，85]，’-k’)；

Fill([20，40，40，20，20]，[40，40，30，30，40]，[0.4，0.4，0.4])；

Plot([20，40，40，20，20]，[40，40，30，30，40]，’-k’)；

Fill([45，50，50，45，45]，[85，85，50，50，85]，[0.4，0.4，0.4])

Plot([45，50，50，45，45]，[85，85，50，50，85]，’-k’)；

Fill([75，85，80，70，65，75]，[90，85，70，70，85，90]，[0.4，0.4，0.4])；

Plot([75，85，80，70，65，75]，[90，85，70，70，85，90]，’-k’)；

Fill([65，85，85，65，65]，[40，40，15，15，40]，[0.4，0.4，0.4])；

Plot([65，85，85，65，65]，[40，40，15，15，40]，’-k’)；

设置节点时采用两种方法，一种方法是取各障碍物对环境边界的垂线中点，另一种方法是取障碍物顶点连线的中点为节点。

依据邻接矩阵，绘制网络拓扑结构。当D(i，j)＝1时，对应节点有连线链接，当D(i，j)＝0时，对应节点没有连线，如此，得到拓扑结构图。

2)基于遗传算法路径规划设计

经过上述步骤1)空间建模之后，机器人路径规划问题转化为网络拓扑图的最短路径问题，可以采用图论中的已有成熟算法求解(如Floyd算法)。但需要注意的是，以上所求出的最短路径只是拓扑图的最短路径，它使用了走各连线中点的条件。由上述构造拓扑图的假设可知，障碍物已经进行了适当地扩大，所以机器人可以沿着其边界行走。由于障碍物的形状、位置等限制，以上产生的最短路径就不一定是整个规划空间中的最优路径。但是在此基础上对其各个路径点进行调整，可以得到质量更好的路径。结合Floyd算法和遗传算法，提出的求解机器人路径规划问题的基本思想是先用算法求拓扑图的最短路径，得到可行路径点再用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径。

(1)采用Floyd算法求拓扑图的最短路径的方法如下：

首先，为图中连接线设置权值，设节点V_i(X_i，Y_i)、节点V_j(X_j，Y_j)，如果从节点V_i到节点V_j有路可达，则邻接矩阵D(i，j)的权值设置为

否则，D(i,j)＝0

其次，定义一个矩G阵用来记录节点的信息，G(i，j)表示从节点V_i到节点V_j需要经过的点，初始化G(i，j)＝j；

再次，把各个节点插入到图中，比较插点后的距离与原来的距离，

D(i,j)＝min(D(i,j),D(i,k)+D(k,j)) (2)

如果D(i,j)的值变小，则G(i,j)＝k；

在D中包含有两点之间最短道路的信息，而在G中则包含了最短通路径的信息。

(2)采用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径。

I.路径编码方法

假设通过Floyd算法已找到了图中的最短路径p₀、p₁、p₂…p_n，其中p₀为路径起点，p_n为路径终点；需要对p_i(i＝1,2,...n-1)的位置进行调整，从而得到自动搬运小车AGV在规划空间中的最优或近似最优的行走路径；

对于p_i点，让它在由p_i1，p_i2设两点所组成的直线段上变动，其具体位置可由下述参数方程式中的t_i来决定:

p_i＝p_i1+t_i(p_i2-p_i1) (3)

对每一个路径点都这样处理后，这些新的路径点就组成了一条新的行走路径；对于一条新的调整后的路径，由n个取值在[0，1]，范围内的t_i值的排列来唯一的表示其各个路径点的新位置，即确定了这条路径；

Ⅱ.目标函数和适应函数

适应度函数分别由路径长度、平滑度以及间接度三个目标函数组成；

路径长度函数：对于有n个节点的路径，共由n-1条路径分段组成；计算节点p_i与p_i+1之间的长度并叠加，公式表示如下：

平滑度函数:平滑度指的是路径段与路径段之间的偏转角度少θ的大小，即自动搬运小车AGV行走时的偏转方向，计算公式表示如下:

其中，S为规划场景面积，o_s为所有障碍物的所占面积；

间隔度：间隔度是指路径与障碍物之间的距离，计算每个路径段离障碍物的最短距离g_i；

其中，_τ为理想间距值；

以上三个式子根据各自权重求和得到可行路径的适应度函数，表示为以下式子：

f(s)＝ω_d·dist(s)+ω_s·smooth(s)+ω_c·clear(s) (7)。

Holland的遗传算法

Holland的遗传算法被为基本遗传算法,采用二进制编码,使用选择、交叉、变异二种遗传算子和基十适应度比例的选择策略,Holland的遗传算法的流程图如图1所示。

基本步骤为:

STEP1:随机产生各个体构成初始群体。

STEP2:根据适应度函数计算当前群体中各个体的适应度。

STEP3:判断算法终止条件是否满足,若满足则转。

STEP4:根据各个体的适应度函数执行选择操作。

STEP5:按交叉概率执行交叉操作。

STEP6:按变异概率执行变异操作。

STEP7:若已得到由个新个体构成的新一代群体,则转第二步,否则转第四步。

STEP8:输出搜索结果,终止。

III.遗传算子

选择算子采用比例选择算子，使个体按照与适应度成正比的概率向下一代群体繁殖。选择方法是转盘轮赌选择法。

交叉算子：首先，交叉是以一定的概率，在变长的染色体中随机选择一个除起始点与目标点以外的转向点，这个转向点就作为交叉点，把整个路径分成了两个路径段。然后选择两个父代染色体，相互交换交叉点后面的路径段，这样就产生了两个子代染色体。在不同父代中选择不同的交叉点，可以增加染色体长度的差异性，并且有利于扩大解空间的范围和最优解的产生。

变异算子：选择之后是子代的变异保证了遗传算法的有效性，它是一种局部随机搜索，与选择算子结合在一起，使遗传算法具有局部的随机搜索能力，并对路径中的不理想路段进行变异可以提高算法效率，同时使得遗传算法保持种群的多样性，以防止出现非成熟收敛可行路径的概率很大。由于随机产生的点本身具有随机性，以致变异操作破坏所以针对不同的状况，使用了两种变异的方法。

变异算子1除去起始点和目标点，在路径的中间转向点中任意选取一个位置，将该转向点的位置坐标作一次非一致性变异，然后把当前的转向点移至新产生的转向点上，经过变异之后就产生了一条新的路径，如图2和图3所示。

变异算子2是针对可行路径的一种微调。选择可行路径的某一个中间转向点，将其位置坐标进行高斯小范围变异，确保产生的路径仍然可行，如图4和图5所示。

3)系统优化与模拟

根据步骤2)所述产生的拓扑图，采用ployd算法，进行路径规划，形成路径。机器人能够避开障碍物，但是在障碍物有较大间距时，机器人就选择更改移动方向，会增加移动距离，产生时间损失。

为减少时间损失，采用遗传算法对采用ployd算法得到的结果进行优化，设置进化代数为150，种群规模为20，变异概率为0.3，交叉概率为0.99。经过10代进化后，取得规划路径，经过优化后的路径段更加平滑。

经过遗传算法对算法得出的结果进行优化后，使路径长度得到明显缩短，该方法在拓扑图及算法的基础上，进行遗传算法进行优化，优化效果明显，容易实现，所以此算法在这种情况下快速有效。

所述方法分为如下六个阶段与步骤：

(1)自动化立体仓库数学建模

(2)根据具体要求提出实用的二维编码方法，解决了种群初始化的问题；

(3)对如何运用基本遗传算法的遗传操作求解模型进行了设计，找到一个优化的解；

(4)通过仿真结果，对基本遗传算法中的参数进行了选择，设置一组较优的参数，使得仿真结果更加合理、完善。

(5)最后将运用基本遗传算法求解得到的仿真结果和运用先来先服务方法得到的仿真结果进行了对比分析，验证了基本遗传算法的有效性。

(6)验证改进的遗传算法的有效性。

综上，所述方法建立了自动化仓库运输系统的高效性仿真模型，首次运用遗传算法进行求解，得出自动化仓库中基于AGV运输系统建设的理论仿真模型；构建出自动化仓库中基于AGV运输系统的协作运行系统，实现多搬运AGV之间的自协作；创造性地构建起了基于遗传算法的自动化仓库运输系统设计与规划的工具与方法。

Claims (10)

1.一种基于遗传算法的自动搬运小车调度控制方法，其特征在于包括如下步骤：

1)建立自动化立体仓库数学模型；

2)在采用分组策略运送出入货任务的基础上，运用基本遗传算法对建立的模型求解；对基本遗传算法的遗传操作进行改进，使自动搬运小车运输路径长度得到缩短。

2.如权利要求1所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于：

所述的步骤1)中采用eM-Plant对整个自动化立体仓库进行建模。

3.如权利要求1所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于：在建立步骤1)中所述的数学模型进行路径规划时，采用拓扑法对AGV所处自由空间进行描述，其在构造规划空间时使用下述假设：

1)自动搬运小车AGV在二维平面环境中运动；

2)规划环境的边界及障碍物可用凸多边形；

3)基于对自动搬运小车AGV大小的考虑，可对规划环境的边界适当缩小，对障碍物的范围适当扩大，AGV用点来表示。

4.如权利要求3所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于，通过如下方法进行自动搬运小车AGV路径的规划：

首先，用直线为链接线划分规划空间为凸多边形区域；

其次，将各链接线的中点设置为可能的路径节点；

再次，相互连接各凸多边形区域内的所有可能路径点；

最后，将自动搬运小车AGV移动时的起点和终点分别连接到所在凸多边形区域的各个可能路径点上。

5.如权利要求4所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于：应用Matlab模拟，自动搬运小车AGV工作环境采用直角坐标法表示，设置AGV起点坐标为(0，0)，终点坐为(100，100)，障碍物采用顶点坐标向量(X，Y)表示，坐标排列为逆时针方向。

6.如权利要求5所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于：设置节点时采用两种方法，一种方法是取各障碍物对环境边界的垂线中点，另一种方法是取障碍物顶点连线的中点为节点；依据邻接矩阵，绘制网络拓扑结构，当D(i，j)＝1时，对应节点有连线链接，当D(i，j)＝0时，对应节点没有连线，如此，得到拓扑结构图。

7.如权利要求6所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于：

在求解自动搬运小车AGV路径时，先用Floyd算法求拓扑图的最短路径，得到可行路径点再用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径。

8.如权利要求7所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于，所述的采用Floyd算法求拓扑图的最短路径的方法如下：

首先，为图中连接线设置权值，设节点V_i(X_i，Y_i)、节点V_j(X_j，Y_j)，如果从节点V_i到节点V_j有路可达，则邻接矩阵D(i，j)的权值设置为

$\begin{array}{cc}D(i,j)=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}& i,j\∈(1,26)\end{array}---\left(1\right)$

否则，D(i,j)＝0

其次，定义一个矩G阵用来记录节点的信息，G(i，j)表示从节点V_i到节点V_j需要经过的点，初始化G(i，j)＝j；

再次，把各个节点插入到图中，比较插点后的距离与原来的距离，

D(i,j)＝min(D(i,j),D(i,k)+D(k,j)) (2)

如果D(i,j)的值变小，则G(i,j)＝k；

在D中包含有两点之间最短道路的信息，而在G中则包含了最短通路径的信息。

9.如权利要求7所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于，采用遗传算法来调整各个可行路径点，得到最优的或近似最优的行走路径的方法如下：

1)路径编码方法

假设通过Floyd算法已找到了图中的最短路径p₀、p₁、p₂…p_n，其中p₀为路径起点，p_n为路径终点；需要对p_i(i＝1,2,...n-1)的位置进行调整，从而得到自动搬运小车AGV在规划空间中的最优或近似最优的行走路径；

对于p_i点，让它在由p_i1，p_i2设两点所组成的直线段上变动，其具体位置可由下述参数方程式中的t_i来决定:

p_i＝p_i1+t_i(p_i2-p_i1) (3)

对每一个路径点都这样处理后，这些新的路径点就组成了一条新的行走路径；对于一条新的调整后的路径，由n个取值在[0，1]，范围内的t_i值的排列来唯一的表示其各个路径点的新位置，即确定了这条路径；

2)目标函数和适应函数

适应度函数分别由路径长度、平滑度以及间接度三个目标函数组成；

路径长度函数：对于有n个节点的路径，共由n-1条路径分段组成；计算节点p_i与p_i+1之间的长度并叠加，公式表示如下：

$dist\left(s\right)=\underset{i=1}{\overset{n-1}{\Σ}}d(m_i+m_{i+1})---\left(4\right)$

平滑度函数:平滑度指的是路径段与路径段之间的偏转角度少θ的大小，即自动搬运小车AGV行走时的偏转方向，计算公式表示如下:

$smooth\left(s\right)=\underset{i=2}{\overset{n-1}{\Σ}}{e}^{\mathrm{\α}({\mathrm{\θ}}_i-\mathrm{\α})}---\left(5\right)$

其中，S为规划场景面积，o_s为所有障碍物的所占面积；

间隔度：间隔度是指路径与障碍物之间的距离，计算每个路径段离障碍物的最短距离g_i；

$clear\left(s\right)=\underset{i=2}{\overset{n-1}{\Σ}}{e}^{\mathrm{\α}(g_i-\mathrm{\τ})}---\left(6\right)$

其中，τ为理想间距值；

以上三个式子根据各自权重求和得到可行路径的适应度函数，表示为以下式子：

f(s)＝ω_d·dist(s)+ω_s·smooth(s)+ω_c·clear(s) (7)。

10.如权利要求7所述的基于遗传算法的自动搬运小车调度控制方法，其特征在于，遗传算子的计算方法如下：

选择算子采用比例选择算子，使个体按照与适应度成正比的概率向下一代群体繁殖，选择方法是转盘轮赌选择法；

交叉算子：首先，交叉是以一定的概率，在变长的染色体中随机选择一个除起始点与目标点以外的转向点，这个转向点就作为交叉点，把整个路径分成了两个路径段。然后选择两个父代染色体，相互交换交叉点后面的路径段，这样就产生了两个子代染色体；

变异算子：选择之后是子代的变异保证了遗传算法的有效性，它是一种局部随机搜索，与选择算子结合在一起，使遗传算法具有局部的随机搜索能力，并对路径中的不理想路段进行变异可以提高算法效率，同时使得遗传算法保持种群的多样性，以防止出现非成熟收敛可行路径的概率很大。