CN106681334A - 基于遗传算法的自动搬运小车调度控制方法 - Google Patents
基于遗传算法的自动搬运小车调度控制方法 Download PDFInfo
- Publication number
- CN106681334A CN106681334A CN201710146967.4A CN201710146967A CN106681334A CN 106681334 A CN106681334 A CN 106681334A CN 201710146967 A CN201710146967 A CN 201710146967A CN 106681334 A CN106681334 A CN 106681334A
- Authority
- CN
- China
- Prior art keywords
- path
- genetic algorithm
- node
- automatic
- point
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 70
- 230000002068 genetic effect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 230000004888 barrier function Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010353 genetic engineering Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims description 2
- 230000035800 maturation Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 9
- 230000006698 induction Effects 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
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
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Vi(Xi,Yi)、节点Vj(Xj,Yj),如果从节点Vi到节点Vj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Vi到节点Vj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…pn,其中p0为路径起点,pn为路径终点;需要对pi(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pi点,让它在由pi1,pi2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ti来决定:
pi=pi1+ti(pi2-pi1) (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ti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pi与pi+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,os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gi;
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)=ωd·dist(s)+ωs·smooth(s)+ωc·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Vi(Xi,Yi)、节点Vj(Xj,Yj),如果从节点Vi到节点Vj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Vi到节点Vj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…pn,其中p0为路径起点,pn为路径终点;需要对pi(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pi点,让它在由pi1,pi2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ti来决定:
pi=pi1+ti(pi2-pi1) (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ti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pi与pi+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,os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gi;
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)=ωd·dist(s)+ωs·smooth(s)+ωc·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Vi(Xi,Yi)、节点Vj(Xj,Yj),如果从节点Vi到节点Vj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Vi到节点Vj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…pn,其中p0为路径起点,pn为路径终点;需要对pi(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pi点,让它在由pi1,pi2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ti来决定:
pi=pi1+ti(pi2-pi1) (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ti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pi与pi+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,os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gi;
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)=ωd·dist(s)+ωs·smooth(s)+ωc·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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146967.4A CN106681334A (zh) | 2017-03-13 | 2017-03-13 | 基于遗传算法的自动搬运小车调度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710146967.4A CN106681334A (zh) | 2017-03-13 | 2017-03-13 | 基于遗传算法的自动搬运小车调度控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106681334A true CN106681334A (zh) | 2017-05-17 |
Family
ID=58826119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710146967.4A Pending CN106681334A (zh) | 2017-03-13 | 2017-03-13 | 基于遗传算法的自动搬运小车调度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106681334A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392497A (zh) * | 2017-08-08 | 2017-11-24 | 大连交通大学 | 一种基于改进遗传算法的车间调度系统及调度方法 |
CN107479403A (zh) * | 2017-09-14 | 2017-12-15 | 长春北方化工灌装设备股份有限公司 | 基于虚拟现实的环形rgv半实物仿真系统及无空跑调度算法 |
CN108227718A (zh) * | 2018-01-30 | 2018-06-29 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN108762268A (zh) * | 2018-05-29 | 2018-11-06 | 苏州极客嘉智能科技有限公司 | 多agv无碰撞路径规划算法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN109141438A (zh) * | 2018-10-18 | 2019-01-04 | 合肥工业大学 | 一种叉车全局路径规划方法 |
CN109472362A (zh) * | 2018-10-29 | 2019-03-15 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
CN109668572A (zh) * | 2018-12-28 | 2019-04-23 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于floyd算法的激光叉车路径搜索方法 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
WO2019114381A1 (zh) * | 2017-12-12 | 2019-06-20 | 北京京东尚科信息技术有限公司 | 分拣中心的货物分拣方法和装置、货物分拣系统 |
CN109934411A (zh) * | 2018-11-09 | 2019-06-25 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
CN110092158A (zh) * | 2018-01-31 | 2019-08-06 | 上海海洋大学 | 交叉环单向循环搬运系统的调度方法 |
CN110247805A (zh) * | 2019-06-24 | 2019-09-17 | 南瑞集团有限公司 | 一种基于k壳分解的识别传播关键节点的方法及装置 |
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110598835A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
CN110702117A (zh) * | 2019-10-10 | 2020-01-17 | 浙江大华技术股份有限公司 | 基于地图的路径规划方法、终端设备及计算机存储介质 |
CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
CN111309837A (zh) * | 2020-02-11 | 2020-06-19 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111353712A (zh) * | 2020-03-03 | 2020-06-30 | 拉扎斯网络科技(上海)有限公司 | 配送任务调度方法及装置、服务器及存储介质 |
CN111620023A (zh) * | 2020-06-04 | 2020-09-04 | 南京音飞峰云科技有限公司 | 基于动态边权值拓扑图实现密集库设备路径规划的方法 |
CN111695728A (zh) * | 2020-06-04 | 2020-09-22 | 南京音飞峰云科技有限公司 | 基于机器学习的密集库设备调度策略参数动态调优方法 |
CN111857143A (zh) * | 2020-07-23 | 2020-10-30 | 北京以萨技术股份有限公司 | 基于机器视觉的机器人路径规划方法、系统、终端及介质 |
CN112114584A (zh) * | 2020-08-14 | 2020-12-22 | 天津理工大学 | 一种球形两栖机器人的全局路径规划方法 |
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
CN113433896A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种动态生产调度方法及系统 |
CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
CN114326621A (zh) * | 2021-12-25 | 2022-04-12 | 长安大学 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
WO2022116225A1 (zh) * | 2020-12-02 | 2022-06-09 | 中国科学院深圳先进技术研究院 | 多车任务分配与路径优化仿真平台及其实现方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1684230A2 (en) * | 2005-01-20 | 2006-07-26 | The Crawford Group, Inc. | Method and apparatus for improved customer direct on-line reservation of rental vehicles |
JP2008139174A (ja) * | 2006-12-01 | 2008-06-19 | Denso Corp | 経路探索装置 |
CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
CN102915008A (zh) * | 2012-09-13 | 2013-02-06 | 湘潭大学 | 车间无人运输机智能调度系统 |
CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
CN106249738A (zh) * | 2016-07-19 | 2016-12-21 | 南京航空航天大学 | 一种车间环境下agv智能动态调度方法 |
-
2017
- 2017-03-13 CN CN201710146967.4A patent/CN106681334A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1684230A2 (en) * | 2005-01-20 | 2006-07-26 | The Crawford Group, Inc. | Method and apparatus for improved customer direct on-line reservation of rental vehicles |
JP2008139174A (ja) * | 2006-12-01 | 2008-06-19 | Denso Corp | 経路探索装置 |
CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
CN102915008A (zh) * | 2012-09-13 | 2013-02-06 | 湘潭大学 | 车间无人运输机智能调度系统 |
CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
CN106249738A (zh) * | 2016-07-19 | 2016-12-21 | 南京航空航天大学 | 一种车间环境下agv智能动态调度方法 |
Non-Patent Citations (4)
Title |
---|
任乃飞等: "《基于混合遗传算法的协同制造系统调度研究》", 《电子科技》 * |
刘旭等: "《基于改进遗传算法的物料配送多AGV调度优化》", 《机械设计与制造工程》 * |
刘薇等: "《基于eM—Plant自动化立体库仿真设计》", 《测控技术》 * |
李青欣等: "《混合智能算法在AGV全局路径规划中的应用研究》", 《电脑开发与应用》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392497A (zh) * | 2017-08-08 | 2017-11-24 | 大连交通大学 | 一种基于改进遗传算法的车间调度系统及调度方法 |
CN107479403A (zh) * | 2017-09-14 | 2017-12-15 | 长春北方化工灌装设备股份有限公司 | 基于虚拟现实的环形rgv半实物仿真系统及无空跑调度算法 |
US11414270B2 (en) | 2017-12-12 | 2022-08-16 | Beijing Jingdong Qianshi Technology Co., Ltd. | Sorting centre goods sorting method and apparatus, and goods sorting system |
WO2019114381A1 (zh) * | 2017-12-12 | 2019-06-20 | 北京京东尚科信息技术有限公司 | 分拣中心的货物分拣方法和装置、货物分拣系统 |
CN108227718A (zh) * | 2018-01-30 | 2018-06-29 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN108227718B (zh) * | 2018-01-30 | 2022-04-05 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN110092158A (zh) * | 2018-01-31 | 2019-08-06 | 上海海洋大学 | 交叉环单向循环搬运系统的调度方法 |
CN108762268A (zh) * | 2018-05-29 | 2018-11-06 | 苏州极客嘉智能科技有限公司 | 多agv无碰撞路径规划算法 |
CN108762268B (zh) * | 2018-05-29 | 2022-08-05 | 上海澳悦智能科技有限公司 | 多agv无碰撞路径规划算法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN109141438A (zh) * | 2018-10-18 | 2019-01-04 | 合肥工业大学 | 一种叉车全局路径规划方法 |
CN109141438B (zh) * | 2018-10-18 | 2021-10-15 | 合肥工业大学 | 一种叉车全局路径规划方法 |
CN109472362A (zh) * | 2018-10-29 | 2019-03-15 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
CN109472362B (zh) * | 2018-10-29 | 2020-08-07 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
CN109934411A (zh) * | 2018-11-09 | 2019-06-25 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
CN109934411B (zh) * | 2018-11-09 | 2022-11-04 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
CN109668572A (zh) * | 2018-12-28 | 2019-04-23 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于floyd算法的激光叉车路径搜索方法 |
CN109668572B (zh) * | 2018-12-28 | 2022-05-17 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于floyd算法的激光叉车路径搜索方法 |
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110247805B (zh) * | 2019-06-24 | 2021-11-30 | 南瑞集团有限公司 | 一种基于k壳分解的识别传播关键节点的方法及装置 |
CN110247805A (zh) * | 2019-06-24 | 2019-09-17 | 南瑞集团有限公司 | 一种基于k壳分解的识别传播关键节点的方法及装置 |
CN110598835B (zh) * | 2019-09-20 | 2022-06-21 | 福州大学 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
CN110598835A (zh) * | 2019-09-20 | 2019-12-20 | 福州大学 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
CN110702117B (zh) * | 2019-10-10 | 2021-09-14 | 浙江华睿科技股份有限公司 | 基于地图的路径规划方法、终端设备及计算机存储介质 |
CN110702117A (zh) * | 2019-10-10 | 2020-01-17 | 浙江大华技术股份有限公司 | 基于地图的路径规划方法、终端设备及计算机存储介质 |
CN111309837A (zh) * | 2020-02-11 | 2020-06-19 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111309837B (zh) * | 2020-02-11 | 2023-12-29 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
CN111238521B (zh) * | 2020-02-11 | 2021-10-26 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
CN111353712B (zh) * | 2020-03-03 | 2022-07-22 | 拉扎斯网络科技(上海)有限公司 | 配送任务调度方法及装置、服务器及存储介质 |
CN111353712A (zh) * | 2020-03-03 | 2020-06-30 | 拉扎斯网络科技(上海)有限公司 | 配送任务调度方法及装置、服务器及存储介质 |
CN111620023A (zh) * | 2020-06-04 | 2020-09-04 | 南京音飞峰云科技有限公司 | 基于动态边权值拓扑图实现密集库设备路径规划的方法 |
CN111620023B (zh) * | 2020-06-04 | 2021-08-10 | 南京音飞峰云科技有限公司 | 基于动态边权值拓扑图实现密集库设备路径规划的方法 |
CN111695728A (zh) * | 2020-06-04 | 2020-09-22 | 南京音飞峰云科技有限公司 | 基于机器学习的密集库设备调度策略参数动态调优方法 |
CN111857143A (zh) * | 2020-07-23 | 2020-10-30 | 北京以萨技术股份有限公司 | 基于机器视觉的机器人路径规划方法、系统、终端及介质 |
CN112114584A (zh) * | 2020-08-14 | 2020-12-22 | 天津理工大学 | 一种球形两栖机器人的全局路径规划方法 |
WO2022116225A1 (zh) * | 2020-12-02 | 2022-06-09 | 中国科学院深圳先进技术研究院 | 多车任务分配与路径优化仿真平台及其实现方法 |
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
CN113433896A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种动态生产调度方法及系统 |
CN114326621A (zh) * | 2021-12-25 | 2022-04-12 | 长安大学 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
CN114326621B (zh) * | 2021-12-25 | 2023-11-14 | 长安大学 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106681334A (zh) | 基于遗传算法的自动搬运小车调度控制方法 | |
CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
CN105589461A (zh) | 一种基于改进蚁群算法的泊车系统路径规划方法 | |
Abd Algfoor et al. | A comprehensive study on pathfinding techniques for robotics and video games | |
CN107607120B (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN107917711A (zh) | 一种基于优化混合蚁群算法的机器人路径规划算法 | |
CN107272705A (zh) | 一种智能环境下机器人路径的多神经网络控制规划方法 | |
CN112034836A (zh) | 一种改进a*算法的移动机器人路径规划方法 | |
CN108444489A (zh) | 一种改进rrt算法的路径规划方法 | |
CN108932876B (zh) | 一种引入黑区的a*和蚁群混合算法的快递无人机航迹规划方法 | |
CN103472828A (zh) | 基于改进蚁群粒子群算法的移动机器人路径规划方法 | |
CN102854880A (zh) | 面向混合地形区域不确定环境的机器人全局路径规划方法 | |
CN106682769A (zh) | 一种产品车辆路径实现方法和装置 | |
CN113313957B (zh) | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 | |
CN110530388A (zh) | 多agv的路径规划方法及系统 | |
CN102778229A (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN112650229A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
Soylu et al. | A self-organizing neural network approach for the single AGV routing problem | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN114313878B (zh) | 一种面向物料传输平台的运动学建模与路径规划方法 | |
CN110908386A (zh) | 一种无人车分层路径规划方法 | |
CN112099501B (zh) | 一种基于势场参数优化的无人艇路径规划方法 | |
CN114706400A (zh) | 一种越野环境下基于改进的a*算法的路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |
|
RJ01 | Rejection of invention patent application after publication |