CN113050644A - 基于迭代贪婪进化的agv调度方法 - Google Patents
基于迭代贪婪进化的agv调度方法 Download PDFInfo
- Publication number
- CN113050644A CN113050644A CN202110299497.1A CN202110299497A CN113050644A CN 113050644 A CN113050644 A CN 113050644A CN 202110299497 A CN202110299497 A CN 202110299497A CN 113050644 A CN113050644 A CN 113050644A
- Authority
- CN
- China
- Prior art keywords
- agv
- solution
- evolution
- task
- tasks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003044 adaptive effect Effects 0.000 claims abstract description 46
- 230000006378 damage Effects 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000011068 loading method Methods 0.000 claims description 13
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 description 14
- 239000000463 material Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000255588 Tephritidae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于迭代贪婪进化的AGV调度方法，涉及自动导向车辆(AGV)调度技术领域，特别是属于一种矩阵车间内的基于迭代贪婪进化的AGV调度方法。包括：步骤1：初始参数设置；步骤2：解的初始化；编码，产生一个满足约束的初始解决方案，即初始可行解；步骤3：评价初始解决方案；步骤4：迭代贪婪进化；步骤5：计算当前最佳适应值，更新最佳适应度值fbest及其解决方案，判断进化的时间是否达到迭代循环的时间Time，若达到，则进化结束，输出当前最优的解决方案及其对应的适应值，否则回到步骤4。本发明具有提高AGV的利用率，节省AGV的运输成本(AGV运输距离成本、AGV成本、提前交付的惩罚成本)的积极效果。
Description
技术领域
本发明涉及自动导向车辆(AGV)调度技术领域，特别是属于一种矩阵车间内的基于迭代贪婪进化的AGV调度方法。
背景技术
随着自动化以及人工智能的不断发展，自动化工厂的车间已经逐渐取代传统工厂的车间。自动导向车辆则是在自动化车间中由计算机控制的用于运输材料的无人驾驶车辆。有关资料表明，在制造业行业的快速发展中，通过AGV在实际生产中展现出的操作简单，应答迅速，效率高的特点等，让AGV在各个企业中得到了生产商的青睐和广泛的应用。
在传统的矩阵车间中，对于运送各个机器需要的材料都是由人工进行派送和控制来达到生产量目标。但是随着生产项目的扩大导致增多生产机器，同时还要保证生产效率。这就意味着需要投入大量的劳动力，面临的资金压力也将是巨大的。随着自动化车间的出现，一辆AGV可以同时服务多个生产机器。对于生产商来说如何在短的生产周期内完成生产量目标和如何投入最少的成本是是在同行竞争中的优势。所以矩阵车间中的调度也就成为了研究热点。而研究如何减少AGV运输成本正是矩阵车间调度的子问题。在矩阵车间中有多个相同规格的AGV驻扎在仓库中，在一个规定周期内收集发出请求的机器，然后AGV等待着由计算机控制的系统发出为呼叫机器派送的指令，接收到的AGV从仓库出发，装载的生产材料依次派送给发出请求的机器，每个发出请求的机器相当于一个任务。对于每个任务来说，为了保证生产效率每台机器不能出现空闲的情况所以AGV必须按时交付生产材料。对于AGV来说，携带的生产材料不能超过AGV的容量。从实际应用生产中来讲，必须满足各类时间(交付时间、返回时间)和AGV容量等约束条件。显而易见，如何解决上述AGV的调度问题显得尤为重要。AGV的派送任务的顺序以及如何装料则是AGV调度研究的重要问题。
发明内容
本发明的目的即在于提供一种基于迭代贪婪进化的AGV调度方法，以达到提高AGV的利用率，节省AGV的运输成本(AGV运输距离成本、AGV成本、提前交付的惩罚成本)的目的。
本发明所提供的基于迭代贪婪进化的AGV调度方法，其特征在于，包括以下步骤：
步骤1：初始参数设置；
设定在一个周期内发出请求的机器(任务)为N，本方法在进化过程中产生可行解的个数为1，在一个可行解中需要的AGV个数为M，设置算法的迭代循环的时间为Time＝5s，破坏阶段删除任务的个数为K＝N/d(d是需要通过实验标定的参数)，局部搜索阶段的迭代次数为L；
步骤2：解的初始化；
编码，产生一个满足约束的初始解决方案，即初始可行解；
步骤3：评价初始解决方案；
计算各辆AGV的运输成本的总和，即经初始化后的初始解决方案的适应值为当前最佳适应度值fbest，初始解决方案对应的初始解为当前最佳解；
步骤4：迭代贪婪进化；
对当前最佳解决方案进行迭代贪婪进化，包括以下过程：
(4.1)破坏阶段：按照破坏规则，对最佳解决方案进行破坏操作；
(4.2)重构阶段：依次将A中的任务试探性插入到B中的每个位置，在满足约束的条件下计算出每个位置的适应值，选择具有最小适应值的位置插入直到A为空，最后计算B的适应值，更新最佳适应度值fbest，并更新当前最佳适应度值所对应的解决方案；
(4.3)局部搜索阶段：每次迭代首先进行合并操作，后随机选取插入操作或交换操作进行进化，在满足约束条件的前提下，计算适应值，更新当前最佳适应度值fbest，并更新当前适应度值所对应的解决方案；
(4.4)接受阶段：对于在进化过程中产生的不好的解将其修复，重新生成符合我们问题特性的解；
步骤5：计算当前最佳适应值，更新最佳适应度值fbest及其解决方案，判断进化的时间是否达到迭代循环的时间Time，若达到，则进化结束，输出当前最优的解决方案及其对应的适应值，否则回到步骤4。
进一步的，在步骤2中，按照以下方法编码：将所有机器进行编号，不同AGV的任务之间用0间隔，则0的个数为M-1；根据收集到的任务找出距离仓库最近的任务Ni，在满足时间和容量约束的前提下装入AGV，判断距离Ni最近的任务是否满足时间和容量约束，满足，则装入AGV，不满足，则在编码中添加0，重复上述过程，直到呼叫任务全部装入AGV，产生初始可行解，初始化过程结束。
进一步的，在步骤3中，按照以下公式计算适应值Csum，Csum＝C1+C2+C3，其中C1、C2和C3分别为AGV行驶距离成本、提前到达任务单元的惩罚成本以及AGV的成本，所述的最佳适应度值fbest即为初始解的适应值，最佳解即为初始解对应的AGV数量，设置算法的迭代循环的时间为Time＝5s。
进一步的，在步骤(4.1)中，选取当前解决方案中最大适应值和最小适应值的AGV分别按照以下破坏规则进行破坏操作：设定当前最大AGV的任务数为h，当h<＝K，最大成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最大成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV上的任务随机选取；设定当前最小AGV的任务数为h，当h<＝K，最小成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最小成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV上的任务随机选取。
进一步的，在步骤(4.3)中，所述的合并操作包括以下过程：对当前最佳解按照每个AGV上的任务数由多到少排序，将携带最少任务的AGV上的任务依次在满足约束条件的前提下，插入到其余的AGV中。
进一步的，在步骤(4.3)中，所述的插入操作包括以下插入方案：
a.同AGV内插入方案；
从当前最佳解中随机选择一辆AGV的两个位置P和p’，从位置p’中提取任务j，并将其重新插入任务i所在的位置p中，得到一个新的解决方案；
b.不同AGV外插入方案；
从当前最佳解中随机选取两辆AGV，随机选取每辆AGV中的一个位置，分别为P和p’，将原来的位置p’中提取任务j，并将其重新插入任务i所在的位置P中，得到一个新的解决方案。
进一步的，在步骤(4.3)中，所述的交换操作包括以下交换方案：
a.同AGV内交换方案；
从当前最佳解中随机选择一辆AGV，随机选取AGV中的两个位置，分别为P和p’,交换任务i在位置P和任务j在位置p’，得到一个新的解决方案；
b.不同AGV外交换方案；
从当前最佳解中随机选择两辆AGV，随机选取每辆AGV路径中的一个位置，分别设P和p’，交换任务i在位置P和任务j在位置p’，得到一个新的解决方案。
进一步的，在步骤(4.4)中，通过按照任务呼叫时间由早到晚排序、按照距离车库的距离有近到远、按照距离车库的距离由远到近三种生成方式，重新生成符合我们问题特性的解。
进一步的，本方法中的AGV装料设定以下装载条件：距仓库120范围内的机器装料时按照机器叫料的50％装载。
本发明所提供的基于迭代贪婪进化的AGV调度方法，具有以下积极效果：
(1)本发明由于引入了一个节约成本的装载方法和一种迭代贪婪进化的算法，尽可能地减少了AGV的数量和AGV的利用率，节约了AGV的运输成本。
(2)本发明克服了算法性能无法得到充分的发挥的缺点，该算法更容易求得高质量的解决方案。
(3)本发明基于关键AGV任务的破坏并设计了合并操作来减少AGV的数量达到减少成本的目的，且设计了交换、插入操作对算法进行优化。
(4)本发明设计了修复策略，保持了问题的特征性，避免算法求得的解决方案陷入局部最优。
附图说明
图1为本发明的结构示意图；
图2为本发明应用的矩阵制造车间布局图。
具体实施方式
如图1所示，通过本发明的实现过程的具体描述，对本发明的基于迭代贪婪进化的AGV调度方法做详细说明。
步骤1，参数设置。
假设在一个周期内发出请求的机器(任务)为N，本方法在进化过程中产生可行解的个数为1，在一个可行解中需要的AGV个数为M。设置算法的迭代循环的时间为Time＝5s，破坏阶段删除任务的个数为K＝N/d(d是需要通过实验标定的参数，本实施例中一般取d＝5)。
步骤2，解的初始化。
按照设定的编码方式，产生一个满足约束的初始解决方案，且解的长度L＝N+M-1。
本实施例中，针对问题的特征采用的编码方式为：将所有机器进行编号，不同AGV的任务之间用0间隔，则0的个数为M-1。例如，假设有5个收集到的呼叫的任务编号为1，2，3，4，5。其中编号为1，3的任务装在同一辆AGV编号为2，4，5的任务装在同一辆AGV，则我们将解决方案表示为1，3，0，2，4，5。排列顺序为AGV派送顺序。该编码可以区别不同AGV上的任务并且方便进行交换、插入和合并等操作。根据收集到的任务找出距离仓库最近的任务Ni，在满足时间和容量约束的前提下装入AGV，判断距离Ni最近的任务是否满足时间和容量约束，满足，则装入AGV，不满足，则在编码中添加0，重复上述过程，直到呼叫任务全部装入AGV，产生初始可行解，初始化过程结束。
步骤3，评价初始解决方案。
计算各辆AGV的运输成本的总和，即经初始化后的初始解决方案的适应值为当前最佳适应度值fbest，初始解决方案对应的初始解为当前最佳解；计算适应值Csum时，按照以下公式计算，Csum＝C1+C2+C3，其中C1、C2和C3分别为AGV行驶距离成本、提前到达任务单元的惩罚成本以及AGV的成本，所述的最佳适应度值fbest即为初始解的适应值，最佳解即为初始解对应的AGV数量和AGV派送任务的顺序，设置算法的迭代循环的时间为Time＝5s。
步骤4，迭代贪婪进化。
对当前最佳解决方案进行迭代贪婪进化，具体又包括以下过程：
(4.1)破坏阶段：按照破坏规则，对最佳解决方案进行破坏操作；选取当前解决方案中最大适应值和最小适应值的AGV分别按照以下破坏规则进行破坏操作：设定当前最大AGV的任务数为h，当h<＝K，最大成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最大成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV任务随机选取；设定当前最小AGV的任务数为h，当h<＝K，最小成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最小成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV上的任务随机选取。在破坏阶段，通过对最大适应值的AGV和最小适应值的AGV分别进行破坏，保持了问题的特征，使迭代贪婪算法有效性提高。
(4.2)重构阶段：依次将A中的任务试探性插入到B中的每个位置，在满足约束的条件下计算出每个位置的适应值，选择具有最小适应值的位置插入直到A为空，最后计算B的适应值，更新最佳适应度值fbest，并更新当前最佳适应度值所对应的解决方案；
(4.3)局部搜索阶段：每次迭代首先进行合并操作，后随机选取插入操作或交换操作进行进化，在满足约束条件的前提下，计算适应值，更新当前最佳适应度值fbest，并更新当前适应度值所对应的解决方案。具体地，合并操作包括以下过程：对当前最佳解按照每个AGV上的任务数由多到少排序，从最少任务的AGV中取出每个任务，依次向其他的多任务的AGV进行插入，直到任何位置都不能插入结束。对于一个矩阵车间来说，AGV的损耗和维护的投资非常大，通过合并操作，最大限度地减少了AGV的数量。
插入操作包括以下插入方案：
a.同AGV内插入方案；
从当前最佳解中随机选择一辆AGV的两个位置P和p’，从位置p’中提取任务j，并将其重新插入任务i所在的位置p中，得到一个新的解决方案；
b.不同AGV外插入方案；
从当前最佳解中随机选取两辆AGV，随机选取每辆AGV中的一个位置，分别为P和p’，将原来的位置p’中提取任务j，并将其重新插入任务i所在的位置P中，得到一个新的解决方案。
交换操作包括以下交换方案：
a.同AGV内交换方案；
从当前最佳解中随机选择一辆AGV，随机选取AGV中的两个位置，分别为P和p’，交换任务i在位置P和任务j在位置p’，得到一个新的解决方案；
b.不同AGV外交换方案；
从当前最佳解中随机选择两辆AGV，随机选取每辆AGV路径中的一个位置，分别设P和p’，交换任务i在位置P和任务j在位置p’，得到一个新的解决方案。
(4.4)接受阶段：对于在进化过程中产生的不好的解将其修复，重新生成符合我们问题特性的解。具体地，通过按照任务呼叫时间由早到晚排序、按照距离车库的距离有近到远、按照距离车库的距离由远到近三种生成方式，重新生成符合我们问题特性的解。
步骤5：计算当前最佳适应值，更新最佳适应度值fbest及其解决方案，判断进化的时间是否达到迭代循环的时间Time，若达到，则进化结束，输出当前最优的解决方案及其对应的适应值，否则回到步骤4。
下面，通过本发明的仿真实验，对本发明的应用及其应用效果做进一步的描述说明。选取AGV调度问题进行测试，仿真实验所采用数据来自真实工厂的实例。仿真实验参数设置：IG(迭代贪婪算法)的终止条件：CPU每个周期运行时间为5秒。由于问题规模、复杂程度的不等，破坏阶段删除任务的个数K＝N/d(d＝5)。仿真实验环境：本发明采用C++语言编程实现，程序运行环境为Windows 7操作系统下的Intel Core i5、4GB内存的笔记本电脑。仿真内容：本发明与其他算法的性能比较。
如图2所示，在矩阵车间中设定仓库的位置为(0，0)，AGV的出发时间、容量、速度、卸料时间分别是365s、250kg、1m/s和15s，机器间隔横向和纵向距离分别为5.5m和8.8m。规定AGV从仓库出发，完成配送后返回仓库。计算机控制系统采集到具体信息包括：发出请求的任务编号、位置、距离仓库的最短距离、发出请求的时间、发出请求时缓冲区库存、AGV最晚到达时间。本实例的数据均来自工厂中实际数据，用一个周期内的呼叫任务数为40，参数d＝5,L＝60,其他具体数据信息如表1所示。
表1本发明方法的矩阵制造车间实例数据表：
本实验将本发明的装载方法和迭代贪婪算法与其他符合问题特征的算法进行性能比较：改进的和声搜索算法(IHS)、混合遗传算法(HGA)、混合果蝇算法(HFOA)、离散的人工蜂群算法(DABC)、先到先服务算法(FCFS)、人工蜂群算法(ABC)，为了尽可能消除由算法的随机性带来的误差，使得算法计算结果更具有有效性和一般性，对每个问题的实例连续运行20次。实验结果如表2所示。
表2为本发明方法的算法实验结果表：
通过表2对不同算法的计算结果比较，在进行的20次计算中本发明使用的方法明显优于其他方法。根据最小成本以及平均成本的比较，证明迭代贪婪算法具有很好的稳定性。从测试结果来看，本发明能够计算出高质量的解决方案，提供了一个有效的解决矩阵车间内多辆AGV的调度问题。
此外，通过工厂的实际勘察，AGV从仓库出发经过距离仓库近的机器频率较高，为了尽可能减少AGV数量，本技术对AGV装料的要求规定为：距仓库120m范围内的机器装料时，按照机器内存放材料的缓冲区容量的50％装载。此装载量可满足一个周期的消耗量。具体不同的实施例中，可以根据距离仓库的距离，确定不同的装载量，并可以满足一个周期内的用料需求，从而有效节约AGV运输成本。另外，AGV在一个派送周期中，在下一个派送周期开始前保证返回仓库。
综上所述，与企业采用的传统方法和几种适应问题特征的算法相比验证了本发明的有效性。但本发明不局限于上述实例，本发明可根据矩阵车间内呼叫任务的数量做出相应的变化。
Claims (9)
1.一种基于迭代贪婪进化的AGV调度方法，其特征在于，包括以下步骤：
步骤1：初始参数设置；
设定在一个周期内发出请求的机器(任务)为N，本方法在进化过程中产生可行解的个数为1，在一个可行解中需要的AGV个数为M，设置算法的迭代循环的时间为Time＝5s，破坏阶段删除任务的个数为K＝N/d(d是需要通过实验标定的参数)，局部搜索阶段的迭代次数为L；
步骤2：解的初始化；
编码，产生一个满足约束的初始解决方案，即初始可行解；
步骤3：评价初始解决方案；
计算各辆AGV的运输成本的总和，即经初始化后的初始解决方案的适应值为当前最佳适应度值fbest，初始解决方案对应的初始解为当前最佳解；
步骤4：迭代贪婪进化；
对当前最佳解决方案进行迭代贪婪进化，包括以下过程：
(4.1)破坏阶段：按照破坏规则，对最佳解决方案进行破坏操作；
(4.2)重构阶段：依次将A中的任务试探性插入到B中的每个位置，在满足约束的条件下计算出每个位置的适应值，选择具有最小适应值的位置插入直到A为空，最后计算B的适应值，更新最佳适应度值fbest，并更新当前最佳适应度值所对应的解决方案；
(4.3)局部搜索阶段：每次迭代首先进行合并操作，后随机选取插入操作或交换操作进行进化，在满足约束条件的前提下，计算适应值，更新当前最佳适应度值fbest，并更新当前适应度值所对应的解决方案；
(4.4)接受阶段：对于在进化过程中产生的不好的解将其修复，重新生成符合我们问题特性的解；
步骤5：计算当前最佳适应值，更新最佳适应度值fbest及其解决方案，判断进化的时间是否达到迭代循环的时间Time，若达到，则进化结束，输出当前最优的解决方案及其对应的适应值，否则回到步骤4。
2.根据权利要求1所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤2中，按照以下方法编码：将所有机器进行编号，不同AGV的任务之间用0间隔，则0的个数为M-1；根据收集到的任务找出距离仓库最近的任务Ni，在满足时间和容量约束的前提下装入AGV，判断距离Ni最近的任务是否满足时间和容量约束，满足，则装入AGV，不满足，则在编码中添加0，重复上述过程，直到呼叫任务全部装入AGV，产生初始可行解，初始化过程结束。
3.根据权利要求1所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤3中，按照以下公式计算适应值Csum，Csum＝C1+C2+C3，其中C1、C2和C3分别为AGV行驶距离成本、提前到达任务单元的惩罚成本以及AGV的成本，所述的最佳适应度值fbest即为初始解的适应值，最佳解即为初始解对应的AGV数量，设置算法的迭代循环的时间为Time＝5s。
4.根据权利要求1所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤(4.1)中，选取当前解决方案中最大适应值和最小适应值的AGV分别按照以下破坏规则进行破坏操作：设定当前最大AGV的任务数为h，当h<＝K，最大成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最大成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV上的任务随机选取；设定当前最小AGV的任务数为h，当h<＝K，最小成本的AGV破坏个数为h，剩余AGV破坏个数为K-h；当h>k，最小成本的AGV破坏个数为K，将破坏的任务存储A中，剩余任务存储B中，其中，所破坏的AGV上的任务随机选取。
5.根据权利要求4所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤(4.3)中，所述的合并操作包括以下过程：对当前最佳解按照每个AGV上的任务数由多到少排序，将携带最少任务的AGV上的任务依次在满足约束条件的前提下，插入到其余的AGV中。
6.根据权利要求5所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤(4.3)中，所述的插入操作包括以下插入方案：
a.同AGV内插入方案；
从当前最佳解中随机选择一辆AGV的两个位置P和p’，从位置p’中提取任务j，并将其重新插入任务i所在的位置p中，得到一个新的解决方案；
b.不同AGV外插入方案；
从当前最佳解中随机选取两辆AGV，随机选取每辆AGV中的一个位置，分别为P和p’，将原来的位置p’中提取任务j，并将其重新插入任务i所在的位置P中，得到一个新的解决方案。
7.根据权利要求5所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤(4.3)中，所述的交换操作包括以下交换方案：
a.同AGV内交换方案；
从当前最佳解中随机选择一辆AGV，随机选取AGV中的两个位置，分别为P和p’,交换任务i在位置P和任务j在位置p’，得到一个新的解决方案；
b.不同AGV外交换方案；
从当前最佳解中随机选择两辆AGV，随机选取每辆AGV路径中的一个位置，分别设P和p’，交换任务i在位置P和任务j在位置p’，得到一个新的解决方案。
8.根据权利要求1所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，在步骤(4.4)中，通过按照任务呼叫时间由早到晚排序、按照距离车库的距离有近到远、按照距离车库的距离由远到近三种生成方式，重新生成符合我们问题特性的解。
9.根据权利要求8所述的基于迭代贪婪进化的AGV调度方法，其特征还在于，本方法中的AGV装料设定以下装载条件：距仓库120范围内的机器装料时按照机器叫料的50％装载。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299497.1A CN113050644B (zh) | 2021-03-22 | 2021-03-22 | 基于迭代贪婪进化的agv调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299497.1A CN113050644B (zh) | 2021-03-22 | 2021-03-22 | 基于迭代贪婪进化的agv调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113050644A true CN113050644A (zh) | 2021-06-29 |
| CN113050644B CN113050644B (zh) | 2024-02-27 |
Family
ID=76514055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299497.1A Active CN113050644B (zh) | 2021-03-22 | 2021-03-22 | 基于迭代贪婪进化的agv调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113050644B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822588A (zh) * | 2021-09-28 | 2021-12-21 | 聊城大学 | 基于离散的人工蜂群进化的自动导向车辆调度方法 |
| CN114563994A (zh) * | 2022-03-17 | 2022-05-31 | 昆明理工大学 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150227140A1 (en) * | 2014-02-10 | 2015-08-13 | John Bean Technologies Corporation | Routing of automated guided vehicles |
| US20190080270A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Production scheduling method and system based on improved artificial bee colony algorithm and storage medium |
| CN111400868A (zh) * | 2020-02-24 | 2020-07-10 | 山东师范大学 | 带订单和机器人搬运的分布式车间调度优化方法及系统 |
| CN112016811A (zh) * | 2020-08-04 | 2020-12-01 | 四叶草(苏州)智能科技有限公司 | 一种基于强化学习的agv智能调度系统及方法 |
-
2021
- 2021-03-22 CN CN202110299497.1A patent/CN113050644B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150227140A1 (en) * | 2014-02-10 | 2015-08-13 | John Bean Technologies Corporation | Routing of automated guided vehicles |
| US20190080270A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Production scheduling method and system based on improved artificial bee colony algorithm and storage medium |
| CN111400868A (zh) * | 2020-02-24 | 2020-07-10 | 山东师范大学 | 带订单和机器人搬运的分布式车间调度优化方法及系统 |
| CN112016811A (zh) * | 2020-08-04 | 2020-12-01 | 四叶草(苏州)智能科技有限公司 | 一种基于强化学习的agv智能调度系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 轩华;王潞;李冰;王薛苑;: "考虑运输的柔性流水车间多处理器任务调度的混合遗传优化算法", 计算机集成制造系统, no. 03, 15 March 2020 (2020-03-15) * |
| 黄腾霄;唐敦兵;张海涛;许超;: "基于Agent的智能制造系统实时动态调度机制研究", 机械制造与自动化, no. 06, 20 December 2017 (2017-12-20) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822588A (zh) * | 2021-09-28 | 2021-12-21 | 聊城大学 | 基于离散的人工蜂群进化的自动导向车辆调度方法 |
| CN113822588B (zh) * | 2021-09-28 | 2023-12-19 | 聊城大学 | 基于离散的人工蜂群进化的自动导向车辆调度方法 |
| CN114563994A (zh) * | 2022-03-17 | 2022-05-31 | 昆明理工大学 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
| CN114563994B (zh) * | 2022-03-17 | 2024-03-26 | 昆明理工大学 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113050644B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109375601A (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
| CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
| CN110222938B (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
| CN113050644A (zh) | 基于迭代贪婪进化的agv调度方法 | |
| CN113822588B (zh) | 基于离散的人工蜂群进化的自动导向车辆调度方法 | |
| CN112147960B (zh) | 一种柔性制造系统优化调度方法及装置 | |
| CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
| CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
| CN112286152B (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
| CN113656156A (zh) | 一种基于禁忌搜索算法和遗传算法结合的调度优化方法 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| CN116933939A (zh) | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 | |
| CN111027875A (zh) | 一种基于自适应任务池的智能仓储多机器人任务分配方法 | |
| Zhang et al. | Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning | |
| CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
| CN116822884B (zh) | 一种柔性制造系统中多天车协同调度方法 | |
| CN117314055A (zh) | 基于强化学习的智能制造车间生产-运输联合调度方法 | |
| CN112418478A (zh) | 一种柔性流水车间下的低碳调度模型及节能优化方法 | |
| Wang et al. | A multi-objective cuckoo search algorithm based on the record matrix for a mixed-model assembly line car-sequencing problem | |
| CN112731888B (zh) | 一种批量流混合流水车间调度问题的改进候鸟优化方法 | |
| Cho et al. | Locating algorithm of steel stock area with asynchronous advantage actor-critic reinforcement learning | |
| Wu et al. | Design and application of workshop production scheduling strategy based on manufacturing big data | |
| CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
| Fang et al. | Rail Multi Vehicle Scheduling Method for Intermediate Depot of Steel Plant Based on Improved Genetic Algorithm | |
| CN118013641A (zh) | 一种基于布局优化下的船舶分段堆场调度方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |