CN109581987A - 一种基于粒子群算法的agv调度路径规划方法及系统 - Google Patents

Abstract

本发明涉及一种基于粒子群算法的AGV调度路径规划方法及系统，该方法包括：根据货物取放位置的布局，建立AGV的工作环境模型；基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。本发明应用粒子群算法，有效的实现在短时间内完成全部货物取放任务的目标，并实现多AGV系统的任务均衡分配，提高AGV系统运行效率和合理性，降低生成成本，提高企业效益。

Description

一种基于粒子群算法的AGV调度路径规划方法及系统

技术领域

本发明涉及路径规划算法领域，具体涉及一种基于粒子群算法的AGV调度路径规划方法及系统。

背景技术

随着物流企业信息集成化的发展，AGV(Automated Guided Vehicle)自动运输系统作为物流信息化、自动化的重要手段，得到广泛应用，应用于汽车制造、机械加工等自动化生产和仓储系统，它是柔性制造生产线和自动化立体仓库等现代化物流仓储系统的关键。AGV控制系统，主要包括车载控制系统和管理调度系统。路径规划算法是管理调度系统的核心，它与AGV系统可达性和系统效率有密切联系。

目前，常用到的路径规划方法有模糊推理法、启发式图搜索法、人工势场法、A*算法等。这些算法有各自的缺点：例如模糊推理法中采用的模糊隶属函数和模糊控制规则的设计及制定主要靠人的经验；人工势场法存在陷井区域，并且在相近障碍物之间不能发现路径；A*算法更适用于解决单目标优化问题。因此，上述路径规划方法均无法适用于复杂环境中工作的AGV的路径规划。

发明内容

针对上述技术问题，本发明提供一种基于粒子群算法的AGV调度路径规划方法及系统。

本发明解决上述技术问题的技术方案如下：一种基于粒子群算法的AGV调度路径规划方法，包括：

步骤1、根据货物取放位置的布局，建立AGV的工作环境模型；

步骤2、基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

为实现上述发明目的，本发明还提供一种基于粒子群算法的AGV调度路径规划系统，包括：

建立模块，用于根据货物取放位置的布局，建立AGV的工作环境模型；

计算模块，用于基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

本发明的有益效果是：应用粒子群算法，有效的实现在短时间内完成全部货物取放任务的目标，并实现多AGV系统的任务均衡分配，提高AGV系统运行效率和合理性，降低生成成本，提高企业效益。

附图说明

图1为本发明实施例提供的一种基于粒子群算法的AGV调度路径规划方法的流程图；

图2为本发明实施例提供的一种基于粒子群算法的AGV调度路径规划方法中步骤S2的流程图；

图3为本发明实施例提供的一种基于粒子群算法的AGV调度路径规划系统的结构框图；

图4为本发明实施例提供的一种基于粒子群算法的AGV调度路径规划系统中计算模块的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的一种基于粒子群算法的AGV调度路径规划方法的流程图，如图1所示，该方法包括：

S1、根据货物取放位置的布局，建立AGV的工作环境模型；

该步骤中首先建立一个便于计算机进行路径规划所使用的工作环境模型，即将实际的物理空间抽象成算法能够处理的抽象空间，实现相互间的映射。具体可采用栅格法建立AGV的工作环境模型，具体包括：

(1)对AGV及其仓库环境进行预处理，得到建模条件。其中，预处理条件为：

a、AGV的工作环境须简化为二维有限空间；b、假设AGV在二维有限空间中匀速运行，忽略其转向、举升及短时驻停等因素；c、AGV简化为一质点；d、AGV只能走直线，不走栅格的对角线。

(2)根据货物取放位置的布局，设定AGV的取货物位置、放货物位置等建模参数。

(3)基于栅格法，利用上述建模条件和建模参数，创建AGV的工作环境模型。

S2、基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

具体的，多AGV调度实现在路径代价尽量小的情况下任务执行路径的优化和任务的排序，在一批任务下达后，完成全部任务的时间长短取决于耗时最长的那一辆，以最短时间完成全部任务为目标，通过对任务分派的优化，使得所有AGV中耗时最长的AGV用时尽量少，因此完成任务的时间也就相应减少。本发明采用粒子群算法来解决这一问题。

首先，按照步骤S1中基于栅格法建立的工作环境模型，即可对粒子进行编码，常用的编码方式有实数编码、二进制编码、符号编码等，本发明在求解种群粒子及其速度中采用整数编码，整数编码需要优化的变量比较小，可以减少约束条件，提高计算速度，以13排，每排10层，每层72列，共720个货位的自动化立体仓库为例，把货物取放位置及AGV作为调度对象，粒子位置编码采取矩阵方式，以设备配置中的配置1(表1)，任务量50货次为例，矩阵大小为3行50列，粒子矩阵如下所示：

货次	1	2	3	4	5	……	50
								AGV编号	2	1	1	2	1	……	1
取位置编号	4	2	3	1	2	……	4
								放位置编号	1	2	2	1	1	……	2

其中，货次50表示货架有50个货物需要运输；AGV、货物取放位置用数字编号，便于调度分配；对货次1的操作解释为，由2号AGV完成4号取位置到1号放位置的货物取放任务，依次类推。

根据上述矩阵，即可应用粒子群算法求出最大行驶路径，可设计粒子群算法的适应度函数为：S＝max{p[1],p[2],...p[K]]}，其中p[K]是第K辆AGV小车完成分配任务所行走的总路径。

可选地，在该实施例中，如图2所示，步骤S2具体包括：

S2.1、基于所述工作环境模型，对粒子群进行随机初始化处理，得到粒子群中每个粒子初始的位置和速度；

该步骤中，初始化任务数N，粒子个数P，AGV数量K，学习因子c1＝2,c2＝2,随机数取r1、r2在(0，1)之间，并根据前述的粒子矩阵确定粒子群中每个粒子初始的位置和速度。

S2.2、根据适应度函数，计算每代粒子群中每个粒子的适应度值；

具体的，适应度函数为与粒子相对应的AGV完成各自输送任务所行走的路径长度中的最大值。将每个粒子初始的位置和速度代入适应度函数，即可求得每代粒子群中每个粒子的适应度值。

S2.3、将所有粒子的适应度值中最小的值作为每代粒子群的局部最优解；

S2.4、将所述每代粒子群的局部最优解与全局最优解进行比较，将较小值作为全局最优解；

具体的，经过步骤S2.3和S2.4，即可得到当前粒子群的全局最优解。

S2.5、根据速度、位置更新公式，更新粒子的速度和位置；

其中，速度更新公式为：

v_j(t+1)＝v_j(t)+c1*rand()*(p_best-x_j(t))+c2*rand()*(g_best-x_j(t))

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，v_j(t)为第j个粒子在t时刻的速度，rand()为随机数，p_best为第j个粒子在t时刻的局部最优解，g_best为当前的全局最优解，x_j(t)为第j个粒子在t时刻的位置，c1、c2均为学习因子。

位置更新公式为：

x_j(t+1)＝x_j(t)+v_j(t+1)

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，x_j(t)为第j个粒子在t时刻的位置，x_j(t+1)为第j个粒子在t+1时刻的位置。

S2.6、判断更新次数是否超过最大次数，若是则输出调度路径规划结果，否则执行步骤S2.2。

具体的，在经过步骤S2.5得到更新后的例子的速度和位置后，如果更新次数未超过最大次数，则返回步骤S2.2继续进行迭代计算，直至更新次数超过最大次数，此时得到的全局最优解即为最终的调度路径规划结果。

本发明实施例提供一种基于粒子群算法的AGV调度路径规划系统，如图3所示，该系统包括：

建立模块，用于根据货物取放位置的布局，建立AGV的工作环境模型；

计算模块，用于基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

可选地，在该实施例中，如图4所示，所述计算模块具体包括：

初始化单元，用于基于所述工作环境模型，对粒子群进行随机初始化处理，得到粒子群中每个粒子初始的位置和速度；

计算单元，用于根据适应度函数，计算每代粒子群中每个粒子的适应度值；

第一比较单元，用于将所有粒子的适应度值中最小的值作为每代粒子群的局部最优解；

第二比较单元，用于将所述每代粒子群的局部最优解与全局最优解进行比较，将较小值作为全局最优解；

更新单元，用于根据速度、位置更新公式，更新粒子的速度和位置；

输出单元，用于在更新次数超过最大次数时，输出调度路径规划结果。

可选地，在该实施例中，所述适应度函数为与粒子相对应的AGV完成各自的货物取放任务所行走的路径长度中的最大值。

可选地，在该实施例中，所述速度更新公式为：

v_j(t+1)＝v_j(t)+c1*rand()*(p_best-x_j(t))+c2*rand()*(g_best-x_j(t))

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，v_j(t)为第j个粒子在t时刻的速度，rand()为随机数，p_best为第j个粒子在t时刻的局部最优解，g_best为当前的全局最优解，x_j(t)为第j个粒子在t时刻的位置，c1、c2均为学习因子。

可选地，在该实施例中，所述位置更新公式为：

x_j(t+1)＝x_j(t)+v_j(t+1)

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，x_j(t)为第j个粒子在t时刻的位置，x_j(t+1)为第j个粒子在t+1时刻的位置。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于粒子群算法的AGV调度路径规划方法，其特征在于，包括：

步骤1、根据货物取放位置的布局，建立AGV的工作环境模型；

步骤2、基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

2.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：

步骤2.1、基于所述工作环境模型，对粒子群进行随机初始化处理，得到粒子群中每个粒子初始的位置和速度；

步骤2.2、根据适应度函数，计算每代粒子群中每个粒子的适应度值；

步骤2.3、将所有粒子的适应度值中最小的值作为每代粒子群的局部最优解；

步骤2.4、将所述每代粒子群的局部最优解与全局最优解进行比较，将较小值作为全局最优解；

步骤2.5、根据速度、位置更新公式，更新粒子的速度和位置；

步骤2.6、判断更新次数是否超过最大次数，若是则输出调度路径规划结果，否则执行步骤2.2。

3.根据权利要求2所述的方法，其特征在于，所述适应度函数为与粒子相对应的AGV完成各自的货物取放任务所行走的路径长度中的最大值。

4.根据权利要求2所述的方法，其特征在于，所述速度更新公式为：

v_j(t+1)＝v_j(t)+c1*rand()*(p_best-x_j(t))+c2*rand()*(g_best-x_j(t))

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，v_j(t)为第j个粒子在t时刻的速度，rand()为随机数，p_best为第j个粒子在t时刻的局部最优解，g_best为当前的全局最优解，x_j(t)为第j个粒子在t时刻的位置，c1、c2均为学习因子。

5.根据权利要求2所述的方法，其特征在于，所述位置更新公式为：

x_j(t+1)＝x_j(t)+v_j(t+1)

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，x_j(t)为第j个粒子在t时刻的位置，x_j(t+1)为第j个粒子在t+1时刻的位置。

6.一种基于粒子群算法的AGV调度路径规划系统，其特征在于，包括：

建立模块，用于根据货物取放位置的布局，建立AGV的工作环境模型；

计算模块，用于基于所述工作环境模型，应用粒子群算法得到AGV的调度路径规划结果，使AGV按照所述调度路径规划结果完成给定的货物取放任务所花费的时间最短。

7.根据权利要求6所述的系统，其特征在于，所述计算模块具体包括：

初始化单元，用于基于所述工作环境模型，对粒子群进行随机初始化处理，得到粒子群中每个粒子初始的位置和速度；

计算单元，用于根据适应度函数，计算每代粒子群中每个粒子的适应度值；

第一比较单元，用于将所有粒子的适应度值中最小的值作为每代粒子群的局部最优解；

第二比较单元，用于将所述每代粒子群的局部最优解与全局最优解进行比较，将较小值作为全局最优解；

更新单元，用于根据速度、位置更新公式，更新粒子的速度和位置；

输出单元，用于在更新次数超过最大次数时，输出调度路径规划结果。

8.根据权利要求7所述的系统，其特征在于，所述适应度函数为与粒子相对应的AGV完成各自的货物取放任务所行走的路径长度中的最大值。

9.根据权利要求7所述的系统，其特征在于，所述速度更新公式为：

v_j(t+1)＝v_j(t)+c1*rand()*(p_best-x_j(t))+c2*rand()*(g_best-x_j(t))

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，v_j(t)为第j个粒子在t时刻的速度，rand()为随机数，p_best为第j个粒子在t时刻的局部最优解，g_best为当前的全局最优解，x_j(t)为第j个粒子在t时刻的位置，c1、c2均为学习因子。

10.根据权利要求7所述的系统，其特征在于，所述位置更新公式为：

x_j(t+1)＝x_j(t)+v_j(t+1)

其中，v_j(t+1)为第j个粒子在t+1时刻的速度，x_j(t)为第j个粒子在t时刻的位置，x_j(t+1)为第j个粒子在t+1时刻的位置。