CN111861019A - 一种仓库拣选路径优化方法、存储介质及计算设备 - Google Patents

Abstract

本发明公开了一种仓库拣选路径优化方法、存储介质及计算设备，蚂蚁从节点1出发，节点1根据蚁群的概率选择规则，计算并选择下一个节点；将路径上的信息素进行挥发和更新；根据蚁群的信息素更新规则，假设蚂蚁选择了节点2作为下一个前进的节点，节点1将蚂蚁以信号的形式传递给节点2，判断节点2是否为目标节点，计算得到路径的总长度；当所有蚂蚁完成一次路径构建后，在节点1处对所有传回的路径长度进行排序，选择排序在前列的w只蚂蚁，对w只蚂蚁经过的路径信息素进行再次更新；更新收敛后输出最优路径。本发明将蚁群方法的结构映射到群智能架构中，取消中央处理器，有效提高了仓库的运行效率。

Description

一种仓库拣选路径优化方法、存储介质及计算设备

技术领域

本发明属于仓库管理技术领域，具体涉及一种基于群智能架构的排序优化蚁群方法仓库拣选路径优化方法、存储介质及计算设备。

背景技术

自动化仓库的发展，使得智能AGV群体代替叉车作业进行搬运的工作模式逐渐发展起来，自动引导车在仓库中的静态路径规划研究也越来越受到重视，在仓库中对货物存取路径做出合理的规划是有效提高仓库运行效率的手段。

目前，在处理智能仓库拣选路径规划问题的时候，使用蚁群方法的研究较多，但是多数蚁群方法在求解路径规划问题时，较少考虑在迭代过程中利用多个蚂蚁子蚁群之间信息素交互的方式。由于蚁群方法鲁棒性突出并且易于和其他方法结合，为了提高搜索速度，排序优化的蚁群方法用排序的方式进行选择。但是，基于排序优化的蚁群方法早期局部积累过多信息素，虽然求解速度提升了，但是降低了每代解的多样性，方法易陷入局部最优。虽然通过利用多个节点分别处理子蚁群路径构建的方式提高了方法的路径搜索能力，但是每个子蚁群依旧要对全局的情况有所了解，仓库环境发生变动时节点依旧需要根据全局情况进行重新配置。

然而，在群智能系统中，将中央站任务分化为由多个智能节点来共同完成，不存在“中央机”，所有节点都是平等的，这种“无中心”的群智能网络架构，能够将资源最大化利用。基于群智能架构的仓库管理系统研究非常少，群智能系统由单个智能节点运算、存储，多个智能节点共同完成，整体系统的控制方式对于仓库管理来说是非常有利的。因此研究基于群智能架构的排序优化蚁群方法仓库拣选路径优化方法是非常有意义的，对各种类型的仓库路径优化都具有一定的指导和借鉴作用。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种仓库拣选路径优化方法、存储介质及计算设备，解决现有集中式架构存在的效率低和不易拓展等问题，主要是每个节点配置存储模块和计算模块，通过所有的节点的局部运算来完成整个系统的路径搜索，有效提高了仓库的运行效率。

本发明采用以下技术方案：

一种仓库拣选路径优化方法，包括以下步骤：

S1、蚂蚁从节点1出发，节点1根据蚁群的概率选择规则，计算并选择下一个节点；

S2、根据蚁群的信息素更新步骤S1确定的概率选择规则，将路径上的信息素进行挥发，然后对通过路径上的局部信息素进行更新，将更新之后的信息素浓度存储于路径两端的节点处；

S3、根据步骤S2中蚁群的信息素更新规则，假设蚂蚁选择了节点2作为下一个前进的节点，节点1将蚂蚁以信号的形式传递给节点2，判断节点2是否为目标节点，如果是，则将之前通过的所有节点信息传回给节点1，并通过相加求和的方式计算得到路径的总长度；如果不是，蚂蚁在节点2处重复步骤S1和步骤S2直到到达最终目标节点；

S4、当所有蚂蚁完成一次路径构建后，在节点1处对所有传回的路径长度进行排序，选择排序在前列的w只蚂蚁，对w只蚂蚁经过的路径信息素进行再次更新；

S5、如果步骤S4的更新不收敛，返回步骤S1，如果收敛，执行步骤S6；

S6、输出最优路径。

具体的，步骤S1中，当蚂蚁k在节点i时，选择节点j的概率

为：

其中，τ_ij为边(i,j)上的路径信息素，η_ij是边(i,j)所具有的启发式信息，η_ij取路径长度的倒数，α和β为方法参数。

具体的，步骤S2中，信息素挥发的规则为：

τ_ij←(1-ρ)τ_ij

其中，τ_ij为边(i,j)上的路径信息素，ρ为信息素挥发因子，0＜ρ＜1。

具体的，步骤S2中，信息素更新为：

其中，

是第k只蚂蚁在其经过的路径上释放的信息素的量；当边(i,j)在蚂蚁k构建的路径上，

而当边(i,j)不在蚂蚁k构建的路径上，

具体的，步骤S4中，第r只蚂蚁在其经过的路径上释放的信息素的量为

当边(i,j)在蚂蚁r构建的路径上，

而当边(i,j)不在蚂蚁r构建的路径上，

当边(i,j)在至今最优路径上的时候，

否则

进一步的，在蚂蚁进行一次迭代之后信息素的更新如下：

其中，w为贡献度排序在前的w-1只蚂蚁和构成至今最优解的蚂蚁，

为第r只蚂蚁在其经过的路径上释放的信息素的量，

为至今为止构成的最优解蚂蚁释放的信息素量。

具体的，步骤S5中，以蚁群前进路径最短为目标函数，进行单目标优化，确定是否收敛。

进一步的，目标函数为：

其中，n为智能节点数量，S_i,i+1表示节点i和i+1之间的距离长度。

本发明的另一技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据所述的方法中的任一方法。

本发明的另一技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明提供了一种基于群智能架构的排序优化蚁群方法仓库拣选路径优化方法，群智能系统的每个节点都配有存储模块和计算模块，所以蚂蚁的转移方向选择是由蚂蚁经过的节点来计算选择，蚂蚁经过路径时释放的信息素也只存储在路径两边的节点处而不存储在中央处理器。基于这种群智能系统架构特点，整个蚁群在进行路径搜索的时候，没有中央处理器，通过所有的节点的局部运算来完成整个系统的路径搜索，所以局部节点的损坏或者变更不会影响到其他节点，且局部不需要配置整体信息，整个系统更加灵活可变，有效提高了仓库的运行效率。

进一步的，蚁群在不同的环境中，总是能找到到达食物源的最短路径，这是蚁群群体会体现出的一种智能行为，是由于蚂蚁在通过的路径上会释放一种叫做“信息素”的物质，蚁群中蚂蚁个体的感知细胞有着结合信息素的受体，由此影响蚂蚁个体行为，倾向于选择信息素浓度更高的路径，每一只路过的蚂蚁都会留下信息素，整个过程是一种正反馈的过程，随着蚂蚁群体选择的代数越多，最终所有蚂蚁会集中选择在一条路径上，这条路径就是从蚁巢到食物源的最优解路径。

进一步的，在遗传方法中，为了提高方法搜索速度，会用排序的方式进行选择，个体适应度越高，排序越靠前，下次被选中的概率越高。将遗传方法中的概念扩展到蚁群方法中，即在所有蚂蚁完成一次迭代之后，选择蚁群中贡献度排序在前的w-1只蚂蚁和构成至今最优解的蚂蚁，只对这w只蚂蚁构建路径的信息素进行更新。

进一步的，群智能系统的架构是分布式的，不存在中心控制，具有自组织性。当所有蚂蚁完成一次路径构建，搜索到目标节点之后，信息原路通过多个节点的传输，传回发起节点再进行排序，然后各个节点再去进行一次优秀蚂蚁的信息素更新，可以更快的找到最优路径，提高搜索速率。

进一步的，在路径构建问题中，为了达到最终获得最短路径的目标，对其进行单目标优化。设置收敛条件可以判断是否收敛，最终输出最优路径。

综上所述，本发明整体借鉴基于排序优化的蚁群方法的思想，所有路径上的初始信息素一定，存储于路径两端的节点处，直接相连的节点之间距离也存储于路径两端的节点处。将蚁群方法的结构映射到群智能架构中，取消中央处理器，每个智能节点执行路径构建过程中的一小步，并完成蚂蚁的路径方向的选择、相邻路径边上的信息素浓度的存储和蚂蚁携带的相关信息传输，最终完成路径构建，仓库能够更快更准确更稳定的求得最优路径，有效提高了仓库的运行效率。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明所述的基于群智能架构的排序优化蚁群方法的结构流程图；

图2为本发明所采用的仓库拓扑结构示意图；

图3为蚁群搜索图；

图4为群智能架构下的不同方法路径规划结果图，其中，(a)为传统蚁群方法，(b)为遗传方法，(c)为本发明采用的方法，(d)为群智能架构下不同方法的收敛结果图。

具体实施方式

本发明提供了一种仓库拣选路径优化方法、存储介质及计算设备，将蚁群方法的结构映射到群智能架构中，取消中央处理器，每个智能节点执行路径构建过程中的一小步，并完成蚂蚁的路径方向的选择、相邻路径边上的信息素浓度的存储和蚂蚁携带的相关信息传输，最终完成路径构建。基于群智能架构的排序优化蚁群方法与现有排序优化蚁群方法最大的不同在于，群智能系统的每个节点都配有存储模块和计算模块，所以蚂蚁的转移方向选择是由蚂蚁经过的节点来计算选择，蚂蚁经过路径时释放的信息素也只存储在路径两边的节点处而不存储在中央处理器。基于这种群智能系统架构特点，整个蚁群在进行路径搜索的时候，没有中央处理器，是通过所有的节点的局部运算来完成整个系统的路径搜索，所以局部节点的损坏或者变更不会影响到其他节点，且局部不需要配置整体信息，整个系统更加灵活可变。

请参阅图1，本发明一种基于群智能架构的排序优化蚁群方法仓库拣选路径优化方法，包括以下步骤：

S1、蚂蚁从节点1出发，节点1根据的蚁群的概率选择规则，计算并选择下一个节点；

请参阅图2，蚂蚁转移概率为：

蚁群中的每只蚂蚁选择下一个前进位置的方式是轮盘赌的方式，在构建路径的时候，蚂蚁k根据节点选择概率选择下一个前进方向，当蚂蚁k在节点i时，选择节点j(城市未被访问)的概率是：

如果节点已经被访问，

其中，τ_ij为边(i,j)上的路径信息素，η_ij是边(i,j)所具有的启发式信息，对于一般的路径搜索问题，η_ij取路径长度的倒数，α和β为方法参数。

S2、根据蚁群的信息素更新规则，先将路径上的信息素进行挥发，之后对通过路径上的局部信息素进行更新，更新之后的信息素浓度，存储于路径两端的节点处；

S201、信息素更新规则：信息素挥发

蚂蚁在完成一次路径构建之后，需要进行一次信息素更新。首先，路径上的所有信息素挥发一部分，然后在该经过的路径上释放相应信息素。信息素挥发的规则为：

τ_ij←(1-ρ)τ_ij

其中，ρ为信息素挥发因子，0＜ρ＜1。

S202、信息素更新规则：信息素更新

信息素挥发之后，对通过路径上的局部信息素进行更新，信息素的更新公式为：

其中，

是第k只蚂蚁在其经过的路径上释放的信息素的量。

当边(i,j)在蚂蚁k构建的路径上，

而当边(i,j)不在蚂蚁k构建的路径上，

S3、假设蚂蚁选择了节点2作为下一个前进的节点，节点1将蚂蚁以信号的形式传递给节点2，判断节点2是否为目标节点，如果是，则将之前通过的所有节点信息传回给节点1，并通过相加求和的方式求得路径的总长度；如果不是，蚂蚁在节点2处重复步骤S1和S2直到到达目标节点79；

S4、当所有蚂蚁完成一次路径构建之后，在节点1处对所有传回的路径长度进行排序，选择排序在前列的w只蚂蚁，对这w只蚂蚁经过的路径信息素进行再次更新；

排序优化的蚁群方法，在蚂蚁进行一次迭代之后信息素的更新公式为：

其中，

是第r只蚂蚁在其经过的路径上释放的信息素的量，当边(i,j)在蚂蚁r构建的路径上，

而当边(i,j)不在蚂蚁r构建的路径上，

当边(i,j)在至今最优路径上的时候，

否则

S5、判断是否满足结束条件(是否收敛)；若不满足，转回步骤S1，若满足，进行下一步；

路径最短目标函数

各智能节点在路径构建的时候只进行局部运算不能了解到整体情况，和分布式蚁群方法有所不同，以路径最短为目标函数，进行单目标优化，目标函数如下式：

其中，n为智能节点数量，S_i,i+1表示节点i和i+1之间的距离长度。

S6、输出最优路径。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

请参阅图1，本发明采用基于群智能架构的排序优化蚁群方法。在所有蚂蚁开始一次路径构建之前，每个智能节点初始化相关参数；进而确定起始点和目标点，每个智能节点与邻居节点之间交互信息；此时所有蚂蚁开始构建一次路径，首先，每个智能节点根据信息素值计算蚂蚁下一步方向，当蚂蚁传递至下一个智能节点，进行局部信息素更新；接着，判断该节点是否为目标节点，如果不是，蚂蚁在该节点处重复之前动作直到到达目标节点；如果是，则将之前通过的所有节点信息传回给起始节点，并通过相加求和的方式求得路径的总长度，所有蚂蚁完成一次路径构建；当所有蚂蚁完成一次路径构建之后，在起始节点对所有传回的路径长度进行排序，选择排序在前列的w只蚂蚁，对这w只蚂蚁经过的路径信息素进行再次更新；最后，判断是否满足结束条件(是否收敛)，若不满足，重新开始一次路径构建，若满足，输出最优路径，最终完成仓库拣选路径构建。

请参阅图2，方法整体借鉴基于排序优化的蚁群方法的思想，由入口节点1发起任务，目标节点为79的路径搜索为例进行说明。所有路径上的初始信息素一定，存储于路径两端的节点处，直接相连的节点之间距离也存储于路径两端的节点处，蚁群每一步的运行都分散在各个智能节点。在搜索到目标点之后，信息原路通过多个节点的传输，传回发起节点再进行排序，然后各个节点再去进行一次优秀蚂蚁的信息素更新。仓库拓扑结构示意图中的数字表示节点名称，连接边上的数字表示相连两节点之间的距离值。

请参阅图3，以入口节点1发起任务，目标节点为13的路径搜索为例进行说明。从节点1出发之后，蚁群在1号节点根据转移概率分散成两波(2号节点和11号节点)，这两波蚂蚁在各自的新节点处还会再根据转移概率分散，分散之后他们的运算是不会被其他节点影响的。2号节点的蚂蚁再根据转移概率分散到3号节点和12号节点，3号节点的蚂蚁再根据转移概率分散到4号节点和13号目标节点。蚁群每一步的运行都分散在各个小节点上，且每次分散之后他们的运算是不会被其他节点影响的。

验证过程

目前很多对于路径规划方法的测试都是通过TSP模型进行测试，并且由于不同类型仓库存储区域的模型参数设置不同，很难使用具体的例子来同其他学者的不同方法进行性能比较，为了验证群智能方法的性能，首先用经典的TSP模型对该方法的寻优性能进行测试，与常用的遗传方法和传统蚁群方法进行比较。计算环境均为Windows10、i5CPU、内存8GB、编程语言MAtlab2017。

实验选取的TSP模型中设置31个城市，每组实验做50次，与传统的蚁群方法，遗传方法，进行对比。实验结果如表1所示。

表1三种方法50次实验结果对比

从表1的实验结果可以看出，在求解该城市模型时，本发明提出的基于群智能架构的排序优化蚁群方法在TSP模型测试寻优结果中的最小值小于遗传方法和传统蚁群方法的结果最小值，50次试验的均值也是三种方法中最小的，并且在求解过程中，基于群智能架构的排序优化的蚁群方法能稳定的找到当前的全局最优解；这说明基于群智能架构的排序优化蚁群方法的寻优能力和方法稳定性要优于蚁群方法和遗传方法。

为简化仓库地图，建立如图的网状拓扑结构地图，共100个节点，直接相连的节点之间距离标注在每条边上，用不同方法进行路径规划。

请参阅图4，起始节点：1，目标节点：79，蚂蚁数量120，以下为群智能架构下的不同方法路径规划结果图(a)、(b)、(c)和(d)。

基于群智能架构的排序优化蚁群方法在一次迭代之后选择排序在前列的24只优秀蚂蚁进行二次信息素更新，图(d)为群智能架构下不同方法的收敛结果图。

表2三种方法50次仿真实验结果对比

由图(d)可得，基于群智能的排序优化蚁群方法的路径规划效果和速度明显比遗传方法和传统蚁群方法更好。由表2可知，本发明采用的方法多次求解的路径长度平均值比其他两种方法更短，遗传方法和本发明采用的方法进行多次实验得到的路径长度和迭代次数的标准差值更小，其稳定性在进行路径规划的时候比传统蚁群方法更好。综上所述，本发明提出的基于群智能架构的排序优化蚁群方法能更好的完成群智能架构下的仓库路径规划，提升仓库整体效率。

综上所述，本发明一种仓库拣选路径优化方法、存储介质及计算设备，本发明基于群智能架构的排序优化蚁群算法与现有排序优化蚁群算法最大的不同在于，群智能系统的每个节点都配有存储模块和计算模块，所以蚂蚁的转移方向选择是由蚂蚁经过的节点来计算选择，蚂蚁经过路径时释放的信息素也只存储在路径两边的节点处而不存储在中央处理器，蚁群根据选择概率分散后，在各自的新节点处还会再根据选择概率分散，分散之后他们的运算是不会被其他节点影响的。基于这种群智能系统架构特点，整个蚁群在进行路径搜索的时候，没有中央处理器，是通过所有的节点的局部运算来完成整个系统的路径搜索，所以局部节点的损坏或者变更不会影响到其他节点，且局部不需要配置整体信息，整个系统更加灵活可变。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种仓库拣选路径优化方法，其特征在于，包括以下步骤：

S1、蚂蚁从节点1出发，节点1根据蚁群的概率选择规则，计算并选择下一个节点；

S2、根据蚁群的信息素更新步骤S1确定的概率选择规则，将路径上的信息素进行挥发，然后对通过路径上的局部信息素进行更新，将更新之后的信息素浓度存储于路径两端的节点处；

S3、根据步骤S2中蚁群的信息素更新规则，假设蚂蚁选择了节点2作为下一个前进的节点，节点1将蚂蚁以信号的形式传递给节点2，判断节点2是否为目标节点，如果是，则将之前通过的所有节点信息传回给节点1，并通过相加求和的方式计算得到路径的总长度；如果不是，蚂蚁在节点2处重复步骤S1和步骤S2直到到达最终目标节点；

S4、当所有蚂蚁完成一次路径构建后，在节点1处对所有传回的路径长度进行排序，选择排序在前列的w只蚂蚁，对w只蚂蚁经过的路径信息素进行再次更新；

S5、如果步骤S4的更新不收敛，返回步骤S1，如果收敛，执行步骤S6；

S6、输出最优路径。

2.根据权利要求1所述的仓库拣选路径优化方法，其特征在于，步骤S1中，当蚂蚁k在节点i时，选择节点j的概率

为：

其中，τ_ij为边(i,j)上的路径信息素，η_ij是边(i,j)所具有的启发式信息，η_ij取路径长度的倒数，α和β为方法参数。

3.根据权利要求1所述的仓库拣选路径优化方法，其特征在于，步骤S2中，信息素挥发的规则为：

τ_ij←(1-ρ)τ_ij

其中，τ_ij为边(i,j)上的路径信息素，ρ为信息素挥发因子，0＜ρ＜1。

4.根据权利要求1所述的仓库拣选路径优化方法，其特征在于，步骤S2中，信息素更新为：

其中，

是第k只蚂蚁在其经过的路径上释放的信息素的量；当边(i,j)在蚂蚁k构建的路径上，

而当边(i,j)不在蚂蚁k构建的路径上，

5.根据权利要求1所述的仓库拣选路径优化方法，其特征在于，步骤S4中，第r只蚂蚁在其经过的路径上释放的信息素的量为

当边(i,j)在蚂蚁r构建的路径上，

而当边(i,j)不在蚂蚁r构建的路径上，

当边(i,j)在至今最优路径上的时候，

否则

6.根据权利要求5所述的仓库拣选路径优化方法，其特征在于，在蚂蚁进行一次迭代之后信息素的更新如下：

其中，w为贡献度排序在前的w-1只蚂蚁和构成至今最优解的蚂蚁，

为第r只蚂蚁在其经过的路径上释放的信息素的量，

为至今为止构成的最优解蚂蚁释放的信息素量。

7.根据权利要求1所述的仓库拣选路径优化方法，其特征在于，步骤S5中，以蚁群前进路径最短为目标函数，进行单目标优化，确定是否收敛。

8.根据权利要求7所述的仓库拣选路径优化方法，其特征在于，目标函数为：

其中，n为智能节点数量，S_i,i+1表示节点i和i+1之间的距离长度。

9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。

10.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。

Images