CN110334838A - 基于蚁群算法和遗传算法的agv小车协同调度方法及系统 - Google Patents

Abstract

本发明涉及一种AGV小车协同调度技术领域，是一种基于蚁群算法和遗传算法的AGV小车协同调度方法及系统，前者包括：S1在二维地图模型上确定每辆AGV小车的起点和终点；S2根据蚁群算法选择每辆AGV小车的最优路径；S3根据遗传算法寻找所有AGV小车的最优调度顺序。本发明在建立地图的条件下，通过蚁群算法求所有AGV小车的最优路径，并将其按照节点划分路段计算时间开销，然后利用遗传算法对多目标进行全局优化，得到耗时较短的AGV小车调度安排策略，保证了所有AGV小车的均衡调度，解决了单一算法不能对同时工作的所有AGV小车进行均衡调度问题。同时采用的蚁群算法和遗传算法的协同调度方法，较以往的单一调度算法而言，时间复杂度相比较低，迭代速度较快。

Description

基于蚁群算法和遗传算法的AGV小车协同调度方法及系统

技术领域

本发明涉及一种AGV小车协同调度技术领域，是一种基于蚁群算法和遗传算法的AGV小车协同调度方法及系统。

背景技术

在AGV小车(无人搬运车)调度过程中，随着实际生产环境、A+GV小车数目等因素的变化，AGV小车的调度需求也会有所增大，现有的AGV小车路径调度算法多为单一算法，在多辆AGV小车共同工作的过程中，往往难以保障所有AGV小车的均衡调度和利用，因此会发生相向冲突、同向冲突、转向冲突等等问题，导致调度期间产生拥堵，甚至停止作业等问题，会造成设备资源的浪费，导致路径拥堵，甚至AGV小车停止作业，使整个调度系统停滞。

发明内容

本发明提供了一种基于蚁群算法和遗传算法的AGV小车协同调度方法及系统，克服了上述现有技术之不足，其能有效解决现有AGV小车路径调度算法存在不能对同时工作的所有AGV小车进行均衡调度，造成路径拥堵的问题。

本发明的技术方案之一是通过以下措施来实现的：一种基于蚁群算法和遗传算法的AGV小车协同调度方法，包括以下步骤：

S1，在二维地图模型上确定每辆AGV小车的起点和终点；

S2，根据蚁群算法选择每辆AGV小车的最优路径；

S3，根据遗传算法寻找所有AGV小车的最优调度顺序。

下面是对上述发明技术方案的进一步优化或/和改进：

上述S3根据遗传算法寻找所有AGV小车的最优调度安排，其过程包括：

S31，建立寻优目标函数Mx，寻优目标函数Mx为每辆AGV小车的最优路径所消耗的最少时间；

S32，编码，确定AGV小车优先级，制定AGV小车调度规则，其中，调度规则包括拥堵路段能同时通过的AGV小车数量；

S33，变量初始化，设置子种群的个数、各子种群交叉概率、变异概率、路段并行数、适应度函数F_i、个体被选择概率P_i；

S34，遗传寻优，经过交叉、变异，并在待迭代次数完成，输出最优调度顺序。

上述S31建立寻优目标函数Mx的过程包括，

设定第1个小车通过第一个路段的时间

C(i₁,1)＝P(1,1)

则第1个小车通过第K个路段的时间

C(i_k,1)＝C(i_k-1,1)+P(k,1)

则第j个小车通过第K个路段的时间

C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

因此寻优目标函数Mx如下所示:

Mx＝C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

其中k＝1,2,L,m；j＝1,2,L,n。

上述S2根据蚁群算法选择每辆AGV小车的最优路径，其过程包括：

S21，变量初始化，设置蚂蚁种群个数、迭代次数、最大迭代次数、信息素浓度，并将将AGV小车的初始位置设置为蚁群所在位置，AGV小车的终点位置设置为食物所在位置；

S22，根据转移概率公式进行静态路径寻优，确定每辆AGV小车的最优路径，转移概率公式如下所示：

其中，α为信息素的相对重要程度；β为启发式因子的相对重要程度；J_k(i)为蚂蚁k下一步可以走的位置集合；k为蚂蚁编号；t为时刻；η_ij为启发式因子，反映蚂蚁由节点i转向节点j的启发程度；τ_ij代表节点(i,j)之间的信息素量。

上述二维地图模型为利用栅格法建立的二维地图模型，其中制定大小坐标为20×20的地图坐标系。

本发明的技术方案之二是通过以下措施来实现的：一种基于蚁群算法和遗传算法的AGV小车协同调度系统，包括AGV小车最优路径选择单元和最优调度顺序寻找单元；

AGV小车最优路径选择单元，用于在二维地图模型上确定每辆AGV小车的起点和终点；并根据蚁群算法选择每辆AGV小车的最优路径；

最优调度顺序寻找单元，用于根据遗传算法寻找所有AGV小车的最优调度顺序。

下面是对上述发明技术方案的进一步优化或/和改进：

上述还包括地图模型构建单元，用于利用栅格法建立的二维地图模型，其中坐标系为20×20的地图坐标系。

本发明在建立地图的条件下，通过蚁群算法求所有AGV小车的最优路径，并将其按照节点划分路段计算时间开销，然后利用遗传算法对多目标进行全局优化，得到耗时较短的AGV小车调度安排策略，保证了所有AGV小车的均衡调度，解决了单一算法不能对同时工作的所有AGV小车进行均衡调度，造成路径拥堵的问题。同时本发明采用的蚁群算法和遗传算法的协同调度方法，较以往的单一调度算法而言，时间复杂度相比较低，迭代速度较快，不会陷入局部最优解。

附图说明

附图1为本发明实施例1的流程图。

附图2为本发明实施例1根据遗传算法寻找所有AGV小车最优调度顺序的流程图。

附图3为本发明实施例1根据蚁群算法选择每辆AGV小车最优路径的流程图。

附图4为本发明实施例2的结构框图。

附图5为本发明实施例3的二维地图模型图。

附图6为本发明实施例3的AGV小车1最优路径图。

附图7为本发明实施例3的AGV小车2最优路径图。

附图8为本发明实施例3的AGV小车3最优路径图。

附图9为本发明实施例3的AGV小车4最优路径图。

附图10为本发明实施例3所有AGV小车的最优调度顺序图。

具体实施方式

本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

下面结合实施例及附图对本发明作进一步描述：

实施例1：如附图1、2、3所示，该基于蚁群算法和遗传算法的AGV小车协同调度方法，包括以下步骤：

S1，在二维地图模型上确定每辆AGV小车的起点和终点。

上述利用栅格法建立二维地图模型，并在二维地图模型中制定大小坐标为20×20的地图坐标系；在二维地图模型分别指定小车1～小车n起始坐标地点(x_i,y_i),i＝1,2,L,n，任务目标地点坐标(x_o,y_o)。

S2，根据蚁群算法选择每辆AGV小车的最优路径，如附图3所示，其具体过程如下：

S21，变量初始化，设置蚂蚁种群个数、迭代次数、最大迭代次数、信息素浓度，并将将AGV小车的初始位置设置为蚁群所在位置，AGV小车的终点位置设置为食物所在位置；

上述变量可根据实际需要进行设置，例如蚂蚁种群个数m可设置为100，迭代次数记n可设置为100，设置最大迭代次数Nmax可设置为100，信息素浓度p可设置为0.5。同时在二维地图模型上标注AGV小车的初始位置和终点设置。

S22，根据转移概率公式进行静态路径寻优，确定每辆AGV小车的最优路径，转移概率公式如下所示：

其中，α为信息素的相对重要程度；β为启发式因子的相对重要程度；J_k(i)为蚂蚁k下一步可以走的位置集合；k为蚂蚁编号；t为时刻；η_ij为启发式因子，反映蚂蚁由节点i转向节点j的启发程度；τ_ij代表节点(i,j)之间的信息素量。

以一个取AGV小车为例，蚁群算法具体为：取AGV小车的初始位置(蚁群所在位置)的一只蚂蚁开始寻路，计算转移概率P_ij ^k(t)，禁忌表开始初始化，记录蚂蚁走过的节点，再选择下一个节点，更新禁忌表，一直重复，得到找到AGV小车的终点位置(食物所在位置)，记录路径长度，第一只蚂蚁寻路结束；蚁群的第二只蚂蚁开始寻路，并根据之前的蚂蚁在寻路过程所遗留的信息素来重新计算转移概率，进行寻路，寻路结束之后，记录当前的路径长度，并与第一只蚂蚁的路径长度进行比较，若路径长度较小，则记为最优路径；一直循环至蚁群所有蚂蚁到达AGV小车的终点位置(食物所在位置)；记录并输出比较得到的最优路径及其所包含路段信息。

S3，根据遗传算法寻找所有AGV小车的最优调度顺序，如附图2所示，其具体过程包括：

S31，建立寻优目标函数Mx，寻优目标函数Mx为每辆AGV小车的最优路径所消耗的最少时间；

上述目标函数Mx的建立过程如下所示：

第1个小车通过第一个路段的时间

C(i₁,1)＝P(1,1)

第1个小车通过第K个路段的时间

C(i_k,1)＝C(i_k-1,1)+P(k,1)

第j个小车通过第K个路段的时间

C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

因此寻优目标函数如下所示:

Mx＝C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

其中k＝1,2,L,m；j＝1,2,L,n。

S32，编码，确定AGV小车优先级，制定AGV小车调度规则，其中，调度规则包括拥堵路段能同时通过的AGV小车数量；

以4辆AGV小车为例，任何一辆AGV小车，首先都会进入第一个路段，此时，路段不存在拥挤情况，即无拥堵情况产生，无需考虑优化，当处于拥堵路段时，该路段同时行驶的最大通行数量可设为2，此刻便会产生编码问题，根据编码中小车的优先级，小车依次通过路段；若采用如图4所示的编码方式，此编码情况下，小车4优先级最高，其次小车2，小车1，小车3，因此根据规则在拥堵路段小车4和小车2先通过，在小车4或小车2通过拥堵路段之后，再考虑小车1，同理之后考虑小车3。

S33，变量初始化，设置子种群的个数、各子种群交叉概率、变异概率、路段并行数、适应度函数F_i、个体被选择概率P_i；

根据上述目标函数，适应度函数F_i为其中k＝1,2,L,m；j＝1,2,L,n；i＝1,2,L,M；个体被选择概率P_i为其中i＝1,2,L,M

上述变量可根据实际需要进行设置，例如子种群的个数可为M＝100，各子种群交叉概率可为Pci＝0.9，变异概率可为Pmi＝0.01，路段并行数可为n＝2，设定进化代数可为G＝100。

S34，遗传寻优，经过交叉、变异，并在待迭代次数完成，输出最优调度顺序。

本发明在建立地图的条件下，通过蚁群算法求所有AGV小车的最优路径，并将其按照节点划分路段计算时间开销，然后利用遗传算法对多目标进行全局优化，得到耗时较短的AGV小车调度安排策略，保证了所有AGV小车的均衡调度，解决了单一算法不能对同时工作的所有AGV小车进行均衡调度，造成路径拥堵的问题。同时本发明采用的蚁群算法和遗传算法的协同调度方法，较以往的单一调度算法而言，时间复杂度相比较低，迭代速度较快，不会陷入局部最优解。

实施例2：如附图4所示，该基于蚁群算法和遗传算法的AGV小车协同调度系统，包括AGV小车最优路径选择单元和最优调度顺序寻找单元；

AGV小车最优路径选择单元，用于在二维地图模型上确定每辆AGV小车的起点和终点；并根据蚁群算法选择每辆AGV小车的最优路径；

最优调度顺序寻找单元，用于根据遗传算法寻找所有AGV小车的最优调度顺序。

可根据实际需要，对上述发明作进一步优化或/和改进：

如附图4所示，还包括地图模型构建单元，用于利用栅格法建立的二维地图模型，其中制定大小坐标为20×20的地图坐标系。

实施例3：如附图5、6、7、8、9、10所示，将AGV小车的个数设定为4辆，其具体路径协同调度过程如下所示：

(1)建立的二维地图模型，在二维地图模型上确定每辆AGV小车的起点和终点

如附图5所示，利用栅格法建立二维地图模型，制定大小坐标为20×20的地图坐标系，并分别指定AGV小车1至AGV小车4坐标地点(4,2)、(1,8)、(2,4)、(2,7)，任务目标地点坐标(15,16)。其中，白色区域设定为可通行区域，黑色区域设定为障碍区域。

(2)根据蚁群算法选择每辆AGV小车的最优路径

如附图6、7、8、9所示，依次为AGV小车1、AGV小车2、AGV小车3、AGV小车4的最优路径图，其中三角形所在位置设为AGV小车起点，五角星所在位置设为AGV小车终点，其中由点构成的线即为AGV小车的最优路径。

(3)根据遗传算法寻找所有AGV小车的最优调度顺序

a、附图6、7、8、9中，AGV小车1的路径长度为25个格子，AGV小车2的路径长度为22个格子，AGV小车3的路径长度为25个格子，AGV小车4的路径长度为22个格子，其中AGV小车2和AGV小车4产生了路径冲突，AGV小车2、AGV小车3及AGV小车4也产生了路径冲突。

b、计算每辆AGV小车的最优路径所消耗的最少时间，具体如下述矩阵所示：

行数的数量为参与任务调度小车的数量，列数的数量为每一个AGV小车任务调度时需要经过的路段数；因此第一行数据即为AGV小车1经过第一段不拥堵路程的时间为18s，依次第二个数据为AGV小车1经过第二段拥堵路程设置为7s，不经过该路段则设置为0s；同理第二行即为AGV小车2每一段路程的时间。

c、确定AGV小车优先级，制定AGV小车调度规则

AGV小车4优先级最高，其次AGV小车2，AGV小车1，AGV小车3，并且拥堵路段，最多2辆车并行。

d、变量初始化，并将上述矩阵输入仿真程序，即经过选择交叉、变异等系列操作，待迭代次数完成，输出如附图10所示最优调度顺序。

附图10中输出的最优调度顺序，第一阶段同时行车不会产生拥挤，故AGV小车1、AGV小车2、AGV小车3及AGV小车4正常行驶；第二阶段的拥堵路段，考虑到先到先服务，就让AGV小车2，AGV小车4同时进入拥堵路段，第三阶段为AGV小车1、AGV小车3在AGV小车2、AGV小车4跑完该第二阶段的拥堵路段之后，同时进行入第二阶段的拥堵路段。

以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (8)

1.一种基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，包括以下步骤：

S1，在二维地图模型上确定每辆AGV小车的起点和终点；

S2，根据蚁群算法选择每辆AGV小车的最优路径；

S3，根据遗传算法寻找所有AGV小车的最优调度顺序。

2.根据权利要求1所述的基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，所述S3根据遗传算法寻找所有AGV小车的最优调度安排，其过程包括：

S31，建立寻优目标函数Mx，寻优目标函数Mx为每辆AGV小车的最优路径所消耗的最少时间；

S32，编码，确定AGV小车优先级，制定AGV小车调度规则，其中，调度规则包括拥堵路段能同时通过的AGV小车数量；

S33，变量初始化，设置子种群的个数、各子种群交叉概率、变异概率、路段并行数、适应度函数F_i、个体被选择概率P_i；

S34，遗传寻优，经过交叉、变异，并在待迭代次数完成，输出最优调度顺序。

3.根据权利要求2所述的基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，S31建立寻优目标函数Mx的过程包括，

设定第1个小车通过第一个路段的时间

C(i₁,1)＝P(1,1)

则第1个小车通过第K个路段的时间

C(i_k,1)＝C(i_k-1,1)+P(k,1)

则第j个小车通过第K个路段的时间

C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

因此寻优目标函数Mx如下所示:

Mx＝C(i_k,j)＝max{C(i_k-1,j),C(i_k,j-1)}+P(k,j)

其中k＝1,2,L,m；j＝1,2,L,n。

4.根据权利要求1或2或3所述的基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，所述S2根据蚁群算法选择每辆AGV小车的最优路径，其过程包括：

S21，变量初始化，设置蚂蚁种群个数、迭代次数、最大迭代次数、信息素浓度，并将AGV小车的初始位置设置为蚁群所在位置，AGV小车的终点位置设置为食物所在位置；

S22，根据转移概率公式进行静态路径寻优，确定每辆AGV小车的最优路径，转移概率公式如下所示：

其中，α为信息素的相对重要程度；β为启发式因子的相对重要程度；J_k(i)为蚂蚁k下一步可以走的位置集合；k为蚂蚁编号；t为时刻；η_ij为启发式因子，反映蚂蚁由节点i转向节点j的启发程度；τ_ij代表节点(i,j)之间的信息素量。

5.根据权利要求1或2或3所述的基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，所述二维地图模型为利用栅格法建立的二维地图模型，其中坐标系为20×20的地图坐标系。

6.根据权利要求4所述的基于蚁群算法和遗传算法的AGV小车协同调度方法，其特征在于，所述二维地图模型为利用栅格法建立的二维地图模型，其中坐标系为20×20的地图坐标系。

7.一种根据权利要求1至6中任意一项所述的基于蚁群算法和遗传算法的AGV小车协同调度系统，其特征在于，包括AGV小车最优路径选择单元和最优调度顺序寻找单元；

AGV小车最优路径选择单元，用于在二维地图模型上确定每辆AGV小车的起点和终点；并根据蚁群算法选择每辆AGV小车的最优路径；

最优调度顺序寻找单元，用于根据遗传算法寻找所有AGV小车的最优调度顺序。

8.根据权利要求7所述的基于蚁群算法和遗传算法的AGV小车协同调度系统，其特征在于，还包括地图模型构建单元，用于利用栅格法建立的二维地图模型，其中坐标系为20×20的地图坐标系。