CN106779252A - 一种基于改进量子蚁群算法的agv实时路线规划方法 - Google Patents

Abstract

本发明公开的一种基于改进量子蚁群算法的AGV实时路线规划方法，依次通过步骤：S1初始化环境和算法参数、S2接收AGV路线规划任务、S3构建AGV路线解、S4评估当前解和记录最优解、S5量子旋转门、S6量子变异、S7更新信息素及S8运算终止判断，实时给出满足全局搜索、计算时间、迭代前期快速收敛、迭代后期解多样性等综合要求一个AGV路线，节省人力和时间成本，提升货料运输效率，有助于生产效率的提高。

Description

一种基于改进量子蚁群算法的AGV实时路线规划方法

技术领域

本发明属于智能机器人线路规划技术领域，特别涉及一种基于改进量子蚁群算法的AGV实时路线规划方法。

背景技术

随着机器人技术的快速发展，机器人功能和性能逐渐提高，应用面也扩大至生产生活中的方方面面。自动引导运输车(Automated Guided Vehicle，AGV)属于移动机器人的范畴，是指装有自动引导装置，能够沿指定路线行进，能智能控制运动姿态，且具有安全保护和搬运功能的运输车。AGV适用于重复搬运、重物搬运的场景，甚至在恶劣环境(火场)和特殊环境(如放射性环境)中代替操作人员进行货物的搬运和抢救工作。如今AGV多用于物流仓库、港口码头、邮政、机场和汽车生产装配线等典型的搬运场景。

但是随着AGV的普及，各行各业对AGV智能程度的要求也越来越高，例如实现AGV的实时路线规划。以物流仓库中的货物搬运为例，AGV要完成某个运输任务必须先从当前停放位置行进至装料点，再从装料点行进至卸料点，其间每个运输任务包括空载状态和载运状态下的两个路线规划过程。在规划路线时一般可考虑最短路线因素、最少花费时间、最少拐弯次数等，尤其搬运环境较大的情况下，每个任务路线的优化，在长期积累后能节省大量时间和人力成本，明显提升运输效率。另外，对于多台AGV场景，单机AGV如何将运输任务的实时响应和路线规划方法结合，以实现行进和等待状态的动态切换也具有重要的现实意义。

目前路线规划方法包括遗传算法、神经网络、随机搜索树、蚁群算法等方法，但都存在或多或少的问题，包括搜索空间大、算法复杂度高、易陷入局部最优、迭代前期收敛慢、迭代后期解的多样性差等。因此仍然没有一个公认完美的方法能解决路线规划，如何改善已有算法的缺陷、提出综合表现力更好的算法已经成为路线规划领域的共识和基本要求。

发明内容

本发明目的在于提出一种基于改进量子蚁群算法的AGV实时路线规划方法，以解决AGV在物流仓库中的实时路线规划问题，满足了自动、实时给出满足全局搜索、计算时间、迭代前期快速收敛、迭代后期解多样性等综合要求，可以规划处一个AGV的最优路线。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进量子蚁群算法的AGV实时路线规划方法，包括以下步骤：

S1、初始化环境和算法参数，包括：

S11、初始化环境：给出仓库中各路口的点集、可行弧集和各路口间的距离数据，具体是：

定义G＝(V,E,D)为仓库的环境图，其中V＝{1,2,…,K}为环境中各路口的集合，即点集，E＝{(i,j)|i,j∈V,i≠j}为各路口间的AGV可行路线集合，即可行弧集，设共有M条弧，D＝{d_ij|i,j∈V,i≠j}表示弧集E的距离；

初始化算法参数：定义蚂蚁数量N、最大迭代次数iter；初始化M维单位向量信息素τ＝{τ_(i,j),(i,j)∈E}，初始化信息素挥发系数ρ∈[0,1]，并在后续步骤更新累加信息素，其数值越大表示弧越重要；

每只蚂蚁携带一组M位的量子比特，对应弧集E中M条弧，则第t(t＝1,2,…,iter)次迭代时第n(n＝1,2,…,N)只蚂蚁的初始量子比特为：

其中m(m＝1,2,…,M)对应弧集E中第m条弧(i,j)，的每一列元素表示蚂蚁n选择一条弧的可能性，即权重系数，和分别表示蚂蚁n选弧集E中第一条弧作为AGV路线和不选作为路线的可能性，且满足

S2：接收AGV路线规划任务：AGV等待从调度系统接收出发点和终止点的信息；

S3：构建AGV路线解：

对于蚂蚁n，给定起始点后，开始寻找下一个路口，表示弧(i,j)的转移概率如下：

其中(i,k)∈E表示所有可能的路口；τ_(i,j)表示弧(i,j)的信息素强度；η_(i,j)＝1/d_(i,j)为弧(i,j)的能见度；β_nm表示蚂蚁n在弧集E中第m条弧(i,j)的量子比特值；a,b,c分别表示信息素、可见度、量子比特三者的重要性系数；

按照转移概率不断迭代选择下一个路口和弧，直至到达终止点，若因为环境中的非闭环弧导致无法到达终止点，则从起始点重新进行此步骤；

S4：评估当前解和记录最优解：评估每只蚂蚁搜索到的路线总长度，并记录最短路线和对应的量子比特；

S5：量子旋转门：以搜得最优路线的蚂蚁的量子比特为基准，采用量子旋转门的形式对每只蚂蚁的量子比特进行引导性更新，采用量子旋转门计算公式如下：

式中，[α_nm β_nm]^T表示第n只蚂蚁第m位量子比特，θ_m表示第m位量子比特的旋转角；

S6：量子变异：对每只蚂蚁的量子比特进行量子变异操作，具体为：

令量子变异概率为P_mut，生成一个[0,1]随机数r，若满足：

则采用Hadamard门变异对每只蚂蚁的量子比特进行量子变异操作，Hadamard门变异在不改变最优路线的前提下互换了量子比特值的位置，具体操作为：

S7：更新信息素：根据最短路线的量子比特计算信息素增量，计算更新下一迭代步信息素，具体是：

各条弧的信息素更新规则为：

其中β_nm表示第n只蚂蚁在弧(i,j)处的量子比特值；

S8：运算终止判断：判断当前迭代次数t是否到达预设迭代次数iter，若否，则返回S4并置t＝t+1；若是，则停止运算，重置信息素τ、转移概率量子比特Q_n和Q_best，输出最短路线L_best作为AGV执行路线，并重置L_n和L_best，再返回S2。

所述步骤S2中，在载运状态下，出发点为装料点，终止点为卸料点；在空载状态下，出发点为上一个运输任务的卸料点，终止点为下一个运输任务的装料点，置当前迭代次数t＝1。

所述步骤4具体是：

记录所有蚂蚁的路线L_n＝{(i,j)_n|i,j∈V,i≠j},n＝1,2,…,N，对蚁群规划的N条路线进行评估，评估方式为路线总长度并记录最短路线L_best、最短长度L_best_dis及其对应的量子比特

所述步骤5中，旋转角的取值方式如下：

θ_m＝θ₀·(sgn(L_n_dis-L_best_dis)+1)·sgn(β_nm/α_nm)

所述θ₀为0.03π。

采用上述方案后，本发明有益效果是：通过采用改进的量子蚁群算法(QACO)能够直接应用于物流仓库中路线规划问题，能够自动、实时给出满足全局搜索、计算时间、迭代前期快速收敛、迭代后期解多样性等综合要求一个AGV的最优路线，避免人力规划路线可能导致的冲突和人力浪费，路线长度的优化能明显节省时间成本、提升货料运输效率，从而间接提高生产效率。

下面结合附图对本发明做进一步的说明。

附图说明

图1是本发明一种基于改进量子蚁群算法的AGV实时路线规划方的流程图。

图2是量子旋转门和量子变异的原理示意图。

图3是蚁群算法(ACO)和本发明改进量子蚁群算法(QACO)路线规划时的对比图。

具体实施方式

如图1所示本发明实施例一揭示的一种基于改进量子蚁群算法的AGV实时路线规划方法，是按以下步骤进行的：

S1、初始化环境和算法参数，包括：

S11、初始化环境：给出仓库中各路口的点集、可行弧集和各路口间的距离数据，具体是：

定义G＝(V,E,D)为仓库的环境图，其中V＝{1,2,…,K}为环境中各路口的集合，即点集，E＝{(i,j)|i,j∈V,i≠j}为各路口间的AGV可行路线集合，即可行弧集，设共有M条弧，D＝{d_ij|i,j∈V,i≠j}表示弧集E的距离；

初始化算法参数：定义蚂蚁数量N、最大迭代次数iter；初始化M维单位向量信息素τ＝{τ_(i,j),(i,j)∈E}，初始化信息素挥发系数ρ∈[0,1]，并在后续步骤更新累加信息素，其数值越大表示弧越重要；信息素的不断累加会导致一部分信息素过多、另一部分过少，故初始化信息素挥发系数ρ∈[0,1]，用于制约信息素上限值、动态权衡信息素间的差距，此处取ρ＝0.3；

每只蚂蚁携带一组M位的量子比特，对应弧集E中M条弧，则第t(t＝1,2,…,iter)次迭代时第n(n＝1,2,…,N)只蚂蚁的初始量子比特为：

其中m(m＝1,2,…,M)对应弧集E中第m条弧(i,j)，的每一列元素表示蚂蚁n选择一条弧的可能性，即权重系数，如和分别表示蚂蚁n选弧集E中第一条弧作为AGV路线和不选作为路线的可能性，且满足

S2：接收AGV路线规划任务：AGV等待从调度系统接收出发点和终止点的信息；在载运状态下，出发点为装料点，终止点为卸料点；在空载状态下，出发点为上一个运输任务的卸料点，终止点为下一个运输任务的装料点，置当前迭代次数t＝1；

S3：构建AGV路线解：

对于蚂蚁n，给定起始点后，开始寻找下一个路口，表示弧(i,j)的转移概率如下：

其中(i,k)∈E表示所有可能的路口；τ_(i,j)表示弧(i,j)的信息素强度；η_(i,j)＝1/d_(i,j)为弧(i,j)的能见度；β_nm表示蚂蚁n在弧集E中第m条弧(i,j)的量子比特值；a,b,c分别表示信息素、可见度、量子比特三者的重要性系数；

按照转移概率不断迭代选择下一个路口和弧，直至到达终止点，若因为环境中的非闭环弧导致无法到达终止点，则从起始点重新进行此步骤；

S4：评估当前解和记录最优解：评估每只蚂蚁搜索到的路线总长度，并记录最短路线和对应的量子比特，具体是：

记录所有蚂蚁的路线L_n＝{(i,j)_n|i,j∈V,i≠j},n＝1,2,…,N，对蚁群规划的N条路线进行评估，评估方式为路线总长度并记录最短路线L_best、最短长度L_best_dis及其对应的量子比特

S5：量子旋转门：参见图2，以搜得最优路线的蚂蚁的量子比特为基准，采用量子旋转门的形式对每只蚂蚁的量子比特进行引导性更新，采用量子旋转门计算公式如下：

式中，[α_nm β_nm]^T表示第n只蚂蚁第m位量子比特，θ_m表示第m位量子比特的旋转角，θ_m的取值直接影响算法收敛速度和路线解的质量；旋转角的取值方式如下：

θ_m＝θ₀·(sgn(L_n_dis-L_best_dis)+1)·sgn(β_nm/α_nm)

本实施例θ₀取0.03π。

S6：量子变异：参见图2，对每只蚂蚁的量子比特进行量子变异操作，具体为：

令量子变异概率为P_mut，生成一个[0,1]随机数r，若满足：

则采用Hadamard门变异对每只蚂蚁的量子比特进行量子变异操作，Hadamard门变异在不改变最优路线的前提下互换了量子比特值的位置，具体操作为：

由该式可见，在算法迭代初期变异率较低，能保证解的快速收敛，而迭代后期变异率较高，保证后期解的多样性和全局最优。

S7：更新信息素：为了将更多蚂蚁引导至最优路线解的周围，需要对可行弧集的信息素进行累加更新，但同时又应防止信息素过度累加导致的局部过快收敛。因此根据最短路线的量子比特计算信息素增量，计算更新下一迭代步信息素，具体是：

各条弧的信息素更新规则为：

其中β_nm表示第n只蚂蚁在弧(i,j)处的量子比特值；

S8：运算终止判断：判断当前迭代次数t是否到达预设迭代次数iter，若否，则返回S4并置t＝t+1；若是，则停止运算，重置信息素τ、转移概率量子比特Q_n和Q_best，输出最短路线L_best作为AGV执行路线，并重置L_n和L_best，再返回S2。

参见图3，采用传统蚁群算法(ACO)和本发明改进量子蚁群算法(QACO)对路线规划的对比结果，明显看出，本发明的基于改进量子蚁群算法的AGV实时路线规划方法在更短的时间内给出更优规划线路，效率显著提高，具有前期收敛快速，迭代后期解的存在多样性的特点。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于改进量子蚁群算法的AGV实时路线规划方法，其特征在于，包括以下步骤：

S1、初始化环境和算法参数，包括：

S11、初始化环境：给出仓库中各路口的点集、可行弧集和各路口间的距离数据，具体是：

定义G＝(V,E,D)为仓库的环境图，其中V＝{1,2,…,K}为环境中各路口的集合，即点集，E＝{(i,j)|i,j∈V,i≠j}为各路口间的AGV可行路线集合，即可行弧集，设共有M条弧，D＝{d_ij|i,j∈V,i≠j}表示弧集E的距离；

初始化算法参数：定义蚂蚁数量N、最大迭代次数iter；初始化M维单位向量信息素τ＝{τ_(i,j),(i,j)∈E}，初始化信息素挥发系数ρ∈[0,1]，并在后续步骤更新累加信息素，其数值越大表示弧越重要；

每只蚂蚁携带一组M位的量子比特，对应弧集E中M条弧，则第t(t＝1,2,…,iter)次迭代时第n(n＝1,2,…,N)只蚂蚁的初始量子比特为：

$Q_n=\left[\begin{array}{cccccc}{\mathrm{\α}}_{n1}& {\mathrm{\α}}_{n2}& ...& {\mathrm{\α}}_{nm}& ...& {\mathrm{\α}}_{nM}\\ {\mathrm{\β}}_{n1}& {\mathrm{\β}}_{n2}& ...& {\mathrm{\β}}_{nm}& ...& {\mathrm{\β}}_{nM}\end{array}\right]=\left[\begin{array}{cccccc}\frac{\sqrt{2}}{2}& \frac{\sqrt{2}}{2}& ...& \frac{\sqrt{2}}{2}& ...& \frac{\sqrt{2}}{2}\\ \frac{\sqrt{2}}{2}& \frac{\sqrt{2}}{2}& ...& \frac{\sqrt{2}}{2}& ...& \frac{\sqrt{2}}{2}\end{array}\right]$

其中m(m＝1,2,…,M)对应弧集E中第m条弧(i,j)，的每一列元素表示蚂蚁n选择一条弧的可能性，即权重系数，和分别表示蚂蚁n选弧集E中第一条弧作为AGV路线和不选作为路线的可能性，且满足

S2：接收AGV路线规划任务：AGV等待从调度系统接收出发点和终止点的信息；

S3：构建AGV路线解：

对于蚂蚁n，给定起始点后，开始寻找下一个路口，表示弧(i,j)的转移概率如下：

$P_{(i,j)}^n=\frac{{\left({\mathrm{\τ}}_{(i,j)}\right)}^a{\left({\mathrm{\η}}_{(i,j)}\right)}^b{\left(\right|{\mathrm{\β}}_{nm}\left|\right)}^c}{\underset{(i,k)\∈E}{\Σ}{\left({\mathrm{\τ}}_{(i,k)}\right)}^a{\left({\mathrm{\η}}_{(i,k)}\right)}^b{\left(\right|{\mathrm{\β}}_{nm}\left|\right)}^c}$

其中(i,k)∈E表示所有可能的路口；τ_(i,j)表示弧(i,j)的信息素强度；η_(i,j)＝1/d_(i,j)为弧(i,j)的能见度；β_nm表示蚂蚁n在弧集E中第m条弧(i,j)的量子比特值；a,b,c分别表示信息素、可见度、量子比特三者的重要性系数；

按照转移概率不断迭代选择下一个路口和弧，直至到达终止点，若因为环境中的非闭环弧导致无法到达终止点，则从起始点重新进行此步骤；

S4：评估当前解和记录最优解：评估每只蚂蚁搜索到的路线总长度，并记录最短路线和对应的量子比特；

S5：量子旋转门：以搜得最优路线的蚂蚁的量子比特为基准，采用量子旋转门的形式对每只蚂蚁的量子比特进行引导性更新，采用量子旋转门计算公式如下：

$\left[\begin{array}{c}{\mathrm{\α}}_{nm}\\ {\mathrm{\β}}_{nm}\end{array}\right]=\left[\begin{array}{cc}cos\left({\mathrm{\θ}}_m\right)& -sin\left({\mathrm{\θ}}_m\right)\\ sin\left({\mathrm{\θ}}_m\right)& \cos \left({\mathrm{\θ}}_m\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_{nm}\\ {\mathrm{\β}}_{nm}\end{array}\right]$

式中，[α_nm β_nm]^T表示第n只蚂蚁第m位量子比特，θ_m表示第m位量子比特的旋转角；

S6：量子变异：对每只蚂蚁的量子比特进行量子变异操作，具体为：

令量子变异概率为P_mut，生成一个[0,1]随机数r，若满足：

$r<P_{mut}\&CenterDot;\exp \&lsqb;\frac{-(iter-t)}{iter}\&rsqb;$

则采用Hadamard门变异对每只蚂蚁的量子比特进行量子变异操作，Hadamard门变异在不改变最优路线的前提下互换了量子比特值的位置，具体操作为：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_{nm}\\ {\mathrm{\&beta;}}_{nm}\end{array}\right]=\left[\begin{array}{cc}sin(\mathrm{\&pi;}/4)& cos(\mathrm{\&pi;}/4)\\ cos(\mathrm{\&pi;}/4)& -sin(\mathrm{\&pi;}/4)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_{nm}\\ {\mathrm{\&beta;}}_{nm}\end{array}\right];$

S7：更新信息素：根据最短路线的量子比特计算信息素增量，计算更新下一迭代步信息素，具体是：

各条弧的信息素更新规则为：

${\mathrm{\&tau;}}_{(i,j)}=\mathrm{\&rho;}\&CenterDot;{\mathrm{\&tau;}}_{(i,j)}+\underset{k}{\&Sigma;}{\mathrm{\&Delta;\&tau;}}_{(i,j)}^k$

${\mathrm{\&Delta;\&tau;}}_{(i,j)}^k=\left\{\begin{array}{c}\frac{K\&CenterDot;|{\mathrm{\&beta;}}_{nm}{|}^c}{\sqrt{L_{n\_}dis}}\\ 0\end{array}\right.$

其中β_nm表示第n只蚂蚁在弧(i,j)处的量子比特值；

S8：运算终止判断：判断当前迭代次数t是否到达预设迭代次数iter，若否，则返回S4并置t＝t+1；若是，则停止运算，重置信息素τ、转移概率量子比特Q_n和Q_best，输出最短路线L_best作为AGV执行路线，并重置L_n和L_best，再返回S2。

2.根据权利要求1所述的一种基于改进量子蚁群算法的AGV实时路线规划方法，其特征在于：所述步骤S2中，在载运状态下，出发点为装料点，终止点为卸料点；在空载状态下，出发点为上一个运输任务的卸料点，终止点为下一个运输任务的装料点，置当前迭代次数t＝1。

3.根据权利要求1所述的一种基于改进量子蚁群算法的AGV实时路线规划方法，其特征在于：所述步骤4具体是：

记录所有蚂蚁的路线L_n＝{(i,j)_n|i,j∈V,i≠j},n＝1,2,…,N，对蚁群规划的N条路线进行评估，评估方式为路线总长度并记录最短路线L_best、最短长度L_best_dis及其对应的量子比特

4.根据权利要求1所述的一种基于改进量子蚁群算法的AGV实时路线规划方法，其特征在于：所述步骤5中，旋转角的取值方式如下：

θ_m＝θ₀·(sgn(L_n_dis-L_best_dis)+1)·sgn(β_nm/α_nm)

$\mathrm{sgn}\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.$

所述θ₀为0.03π。