CN114911205A - 一种基于改进遗传算法的多agv多目标路径规划方法 - Google Patents

一种基于改进遗传算法的多agv多目标路径规划方法 Download PDF

Info

Publication number
CN114911205A
CN114911205A CN202210501172.1A CN202210501172A CN114911205A CN 114911205 A CN114911205 A CN 114911205A CN 202210501172 A CN202210501172 A CN 202210501172A CN 114911205 A CN114911205 A CN 114911205A
Authority
CN
China
Prior art keywords
agv
node
nodes
genetic algorithm
path
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.)
Pending
Application number
CN202210501172.1A
Other languages
English (en)
Inventor
林景栋
李鸿威
黎杨
章家伟
贺启程
邓坤霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202210501172.1A priority Critical patent/CN114911205A/zh
Publication of CN114911205A publication Critical patent/CN114911205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
    • G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31088—Network communication between supervisor and cell, machine group
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/60—Electric or hybrid propulsion means for production processes

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于改进遗传算法的多AGV多目标路径规划方法，属于智能技术领域。该方法具体包括：1)根据仓储环境选用栅格法构建地图模型；2)建立基于交通规则法及占用表的优先级策略；3)采用A*算法计算出两目标之间的最短行走距离，构建一个所有目标点间的距离矩阵；4)根据改进的遗传算法完成AGV路径规划。本发明能够将AGV多目标问题类比为TSP问题，使用改进的遗传算法求解多目标路径规划问题，使得整个系统的效率有了大幅的提升。

Description

一种基于改进遗传算法的多AGV多目标路径规划方法
技术领域
本发明属于智能技术领域，涉及一种基于改进遗传算法的多AGV多目标路径规划方法。
背景技术
自动导航车(Automated Guided Vehicles,AGV)是一种不需要手动操控，可以自动按照既定好的路线行驶的智能搬运设备。它主要被用于在物流领域和制造领域上进行搬运工作或者巡检领域来取代人工巡检。
在物流行业中，AGV的应用可以使得传统仓储更加高效、稳定地运行，还降低了企业的人工成本，其中，AGV的路径规划技术是整个系统中的一个重要问题。AGV路径规划是指利用中央控制系统，为每辆AGV规划出从起始位置到目标点的最佳无碰撞行驶路径。随着货物量的增长，仓储空间会随之扩大，同时，仓库内的AGV数量也会因此而增加，多AGV间的协调配合问题是个非常关键的问题，在多AGV运行过程中，很容易出现碰撞、死锁等问题，在这种情况下，对每台AGV规划出一条时间最短，路径最优且无碰撞的路线，使其能够有序地完成各项任务，对于降低企业的成本起着重要的作用。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进遗传算法的多AGV多目标路径规划方法。本文采用栅格法构建仓储环境模型，并制定栅格化过后的仓储环境AGV运行规则，并根据AGV运行中的冲突建立基于交通规则法的优先级策略，采用A*算法计算出两目标之间的最短行走距离，构建一个所有目标点间的距离矩阵，采用一种匹配式交叉算子来替换传统的二交叉算子来解决交叉中基因重复和收敛速度慢的问题，并且考虑在遗传算法中加入拥堵因子来改进传统的遗传算法，运用改进的遗传算法使得整个系统的效率有了大幅的提升。
为达到上述目的，本发明提供如下技术方案：
一种基于改进遗传算法的多AGV多目标路径规划方法，该方法包括以下步骤：
S1：根据仓储环境选用栅格法构建地图模型：
包括四个部分：
拣选台T＝{T_1,T_2,T_3,……,T_n}，其中n表示拣选台的数量；
AGV小车R＝{R_1,R_2,R_3,……,R_m}，m表示AGV的数量；
货架区S＝{S_1,S_2,S_3,……,S_k}，k表示货仓区的数量；
AGV的可行走道路及AGV将要去往的货架点；
S2：建立基于交通规则法及占用表的优先级策略；
S3：为每一个目标点都建立在栅格图中的编号，假设任意两目标点x和y的路径距离为dxy，然后利用改进的A*算法计算出两目标之间的最短行走距离，假设AGV要经过n个目标点，那么AGV就有n！种方式完成所有任务，得到距离矩阵Dxy，其中，x，y∈(1，n)，x≠y；
S4：根据改进的遗传算法求解AGV路径。
可选的，所述S2具体包括以下步骤：
S21：规定所有的道路都是单行通道，且横向道路是左右交替变换的单行道，纵向道路是上下交替变换的单行道；并且规定当AGV在节点处遇到冲突时，采用等待决策来解决节点冲突，优先级高的AGV先行；
S22：建立占用表；
占用表使用数据结构来表示，用来保存每个栅格占用的机器人的信息，当AGV想要进入下一个节点前，都会向占用表查询即将进入的节点有没有被占用，然后标识下一个节点即将被自己占用，在离开节点并且大于安全距离以后才会取消标识；其他AGV也想要进入到这个节点需要等到标识被取消才能进入，否则原地等待；每辆AGV都有唯一的id号；占用表会记录下每个AGV的id号，记录哪个节点是被哪辆AGV占用；
S23：基于冲突数目来决定优先级大小；
将某辆AGV在初始全局路径规划当中与其他AGV产生的冲突定义为该AGV的初始冲突数primary；然后，其他AGV的路径不改变，将该AGV设为较低优先级，把该AGV与其他AGV之间新增的冲突数目定义为新增或减少的冲突数new；该AGV产生的总冲突数定义为all；
all＝primary+new
新增冲突数new也可以为负值，表示冲突数的减少；在路径冲突发生时，两辆AGV都需要计算各自的总冲突数目，冲突数少的优先级高；如果冲突数相同，则随机设定一辆AGV的优先级高。
可选的，在所述S3中，根据改进的A*算法计算出两目标之间的最短行走距离，具体步骤包括：
S31：初始条件：起点设为S，目标终点设为U
S32：首先初始化两个空的辅助列表Open表和Close表；开始时先将起点S放至Open表中；Open表中存放将要被估算的备选节点集，Close表中存放已经被搜索的节点集，列表当中没有重复节点；
S33：把起点S从Open表中移除至Close表中，然后搜索与起点S周围的所有节点，设置起点S为当前父节点，并判断这些是否节点都在Open表中，如果不在，加入到Open表中，如果是障碍点，则忽略；
S34：计算Open表中所有节点的f(n)值，并找到它们当中f(n)值最小的节点放入到Close表中，还要从Open表里删除；
S35：搜索找到的最小f(n)的节点相邻的所有节点，并检查是否在Open表中，如果不在，将其放入，并设f(n)值最小的点为父节点；如果节点在Open表中，那么就要重新计算这些节点的f(n)值，如果新的值小于之前的话，则对原先的f(n)的值进行更新并设此节点为父节点；
S36：通过对Open表当中f(n)值最小的节点作为下一个搜索节点的父节点来完成路径的搜索；
S37：对每一次搜索的节点判断一次，如果是目标节点，则停止搜索，算法结束，如果不是，则重复上述步骤继续搜索。
可选的，在所述S34中，计算Open表中所有节点的f(n)值，具体步骤包括：
S341：f(n)＝g′(n)+h′(n)；
S342：g′(n)＝ag(n)；
其中，g′(n)表示起点到当前栅格的实际代价，g(n)表示起点到当前栅格的初始代价，α为转弯权值，为一个不小于1的数，转弯时取具体值，不转弯时取1；
S343：h′(n)＝εh(n)；
h(n)＝|x1-x2|+|y1-y2|，表示两点间横向距离和纵向距离的绝对值之和；
ε为启发函数的权值。
可选的，在所述S4中，利用改进的遗传算法求解AGV路径，具体步骤包括：
S41：初始化环境地图、货架信息、AGV信息，将拥堵系数置零；
S42：计算目标节点之间的A*路径信息矩阵；
S43：产生随机种群；
S44：根据A*路径信息矩阵，计算初始路径长度，并更新拥堵系数；
S45：判断冲突数目，确定优先级并化解冲突；
S46：得到种群中个体的路径长度以及行驶时间；
S47：计算种群中个体的适应度函数；
S48：选择、交叉、变异；
S49：输出最优个体。
可选的，在所述S47中，计算种群中个体的适应度函数，具体步骤包括：
S471：
Figure BDA0003634478450000041
n表示遍历的总节点个数，di，i+1表示AGV遍历的第i个节点和第i+1个节点间的最佳路径，v表示AGV匀速行驶速度，tw表示AGV在行驶过程中因为等待而花费的时间；
S472：
Figure BDA0003634478450000042
路口节点的编号使用占用表中的节点编号；其中，n表示路口节点号，m表示已使用的路口节点号，C为所有路口节点的集合，pm表示路段m的拥堵系数。
可选的，在所述S47后，采用轮盘赌选择策略对个体进行选择，具体步骤包括：
若某个体适应度为fi，种群大小为N，则被选择的概率为：
Figure BDA0003634478450000043
可选的，在所述S48中，采用匹配式交叉算子完成算法交叉步骤，具体步骤包括：
首先在其中一个染色体上随机选取一段基因，然后再找到另一个与之配对的染色体上找到相同位置的基因进行交换，生成两个子代基因序列。
本发明的有益效果在于：将AGV多目标问题类比为TSP问题，使用改进的遗传算法求解多目标路径规划问题，使得整个系统的效率有了大幅的提升。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的流程图；
图2为栅格化后的仓储地图；
图3为交通规则图；
图4为占用表图；
图5为改进后的遗传算法流程图；
图6为遗传算法改进前算法收敛图；
图7为遗传算法改后前算法收敛图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明的目的是通过这样的技术方案实现的，如图1所示，具体步骤如下：
根据仓储环境选用栅格法构建地图模型，如图2所示。
1)栅格地图可划为四个主要的部分：
最左侧拣选台T＝{T1，T2，T3，......，Tn}，其中n表示拣选台的数量；
拣选台右侧一列的圆表示AGV小车R＝{R1，R2，R3，......，Rm}，m表示AGV的数量；
灰色的矩形格子构成货架区S＝{S1，S2，S3，......，Sk}，k表示货仓区的数量；
其余白色区域代表着AGV的可行走道路，红色表示AGV将要去往的货架点。
2)建立基于交通规则法及占用表的优先级策略：
21)交通规则图如图3所示，规定所有的道路都是单行通道，且横向道路是左右交替变换的单行道，纵向道路是上下交替变换的单行道。并且规定当AGV在节点处遇到冲突时，采用等待决策来解决节点冲突，优先级高的AGV先行。
22)建立占用表如图4所示。
占用表使用一个较简单的数据结构来表示，它用来保存每个栅格占用的机器人的信息，当AGV想要进入下一个节点前，都会向占用表查询即将进入的节点有没有被占用，然后标识下一个节点即将被自己占用，在离开节点并且大于安全距离以后才会取消标识。其他AGV也想要进入到这个节点必须等到标识被取消才可以进入，否则就只能原地等待。每辆AGV都有自己的id号，是独一无二的。占用表会记录下每个AGV的id号，便于记录哪个节点是被哪辆AGV所占用了。
23)基于冲突数目来决定优先级大小
将某辆AGV在初始全局路径规划当中与其他AGV产生的冲突定义为该AGV的初始冲突数primary。然后，其他AGV的路径不改变，将该AGV设为较低优先级，把该AGV与其他AGV之间新增的冲突数目定义为新增或减少的冲突数new。该AGV产生的总冲突数定义为all。
all＝primary+new
新增冲突数new也可以为负值，表示冲突数的减少。因此，在路径冲突发生时，两辆AGV都需要计算各自的总冲突数目，冲突数较少的优先级高。如果冲突数相同，则随机设定一辆AGV的优先级高。
3)为每一个目标点都建立在栅格图中的编号，假设任意两目标点x和y的路径距离为dxy，然后利用改进的A*算法计算出两目标之间的最短行走距离，假设AGV要经过n个目标点，那么AGV就有n！种方式完成所有任务，得到距离矩阵Dxy，其中，x，y∈(1，n)，x≠y，。
v<sub>1</sub> v<sub>2</sub> v<sub>3</sub> … v<sub>n</sub>
v<sub>1</sub> 0 d<sub>12</sub> d<sub>13</sub> d<sub>1n</sub>
v<sub>2</sub> 0 d<sub>23</sub> d<sub>2n</sub>
v<sub>3</sub> 0 d<sub>3n</sub>
… 0
v<sub>n</sub> 0
31)初始条件：起点设为S，目标终点设为U
32)首先初始化两个空的辅助列表Open表和Close表。开始时先将起点S放至Open表中。Open表中存放将要被估算的备选节点集，Close表中存放已经被搜索的节点集，列表当中不能有重复节点。
33)把起点S从Open表中移除至Close表中，然后搜索与起点S周围的所有节点，设置起点S为当前父节点，并判断这些是否节点都在Open表中，如果不在，加入到Open表中，如果是障碍点，则忽略。
34)计算Open表中所有节点的f(n)值，并找到它们当中f(n)值最小的节点放入到Close表中，还要从Open表里删除。
35)搜索找到的最小f(n)的节点相邻的所有节点，并检查是否在Open表中，如果不在，将其放入，并设f(n)值最小的点为父节点。如果节点在Open表中，那么就要重新计算这些节点的f(n)值，如果新的值小于之前的话，则对原先的f(n)的值进行更新并设此节点为父节点。
36)通过对Open表当中f(n)值最小的节点作为下一个搜索节点的父节点来完成路径的搜索。
37)对每一次搜索的节点判断一次，如果是目标节点，则停止搜索，算法结束，如果不是，则重复上述步骤继续搜索。
计算Open表中所有节点的f(n)值
41)f(n)＝g′(n)+h′(n)
42)g′(n)＝αg(n)
其中，g′(n)表示起点到当前栅格的实际代价，g(n)表示起点到当前栅格的初始代价，α为转弯权值，为一个不小于1的数，转弯时取具体值，不转弯时取1。
43)h′(n)＝εh(n)
h(n)＝|x1-x2|+|y1-y2|，表示两点间横向距离和纵向距离的绝对值之和。
ε为启发函数的权值。
本文取α＝1.8，ε＝2；
4)根据改进的遗传算法求解AGV路径，算法具体流程图如图5所示。
计算种群中个体的适应度函数具体步骤包括：
51)
Figure BDA0003634478450000071
n表示遍历的总节点个数，di，i+1表示AGV遍历的第i个节点和第i+1个节点间的最佳路径，v表示AGV匀速行驶速度，tw表示AGV在行驶过程中因为等待而花费的时间。
52)其中，
Figure BDA0003634478450000072
路口节点的编号使用占用表中的节点编号。其中，n表示路口节点号，m表示已使用的路口节点号，C为所有路口节点的集合，pm表示路段m的拥堵系数。
53)轮盘赌选择策略对个体进行选择
若某个体适应度为fi，种群大小为N，则他被选择的概率为：
Figure BDA0003634478450000073
54)采用匹配式交叉算子完成算法交叉步骤
首先在其中一个染色体上随机选取一段基因，然后再找到另一个与之配对的染色体上找到相同位置的基因进行交换，生成两个子代基因序列
最终仿真得到遗传算法改进前后算法收敛图如图6、图7所示。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：该方法包括以下步骤：
S1：根据仓储环境选用栅格法构建地图模型：
包括四个部分：
拣选台T＝{T_1,T_2,T_3,……,T_n}，其中n表示拣选台的数量；
AGV小车R＝{R_1,R_2,R_3,……,R_m}，m表示AGV的数量；
货架区S＝{S_1,S_2,S_3,……,S_k}，k表示货仓区的数量；
AGV的可行走道路及AGV将要去往的货架点；
S2：建立基于交通规则法及占用表的优先级策略；
S3：为每一个目标点都建立在栅格图中的编号，假设任意两目标点x和y的路径距离为dxy，然后利用改进的A*算法计算出两目标之间的最短行走距离，假设AGV要经过n个目标点，那么AGV就有n！种方式完成所有任务，得到距离矩阵Dxy，其中，x，y∈(1，n)，x≠y；
S4：根据改进的遗传算法求解AGV路径。
2.根据权利要求1所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：所述S2具体包括以下步骤：
S21：规定所有的道路都是单行通道，且横向道路是左右交替变换的单行道，纵向道路是上下交替变换的单行道；并且规定当AGV在节点处遇到冲突时，采用等待决策来解决节点冲突，优先级高的AGV先行；
S22：建立占用表；
占用表使用数据结构来表示，用来保存每个栅格占用的机器人的信息，当AGV想要进入下一个节点前，都会向占用表查询即将进入的节点有没有被占用，然后标识下一个节点即将被自己占用，在离开节点并且大于安全距离以后才会取消标识；其他AGV也想要进入到这个节点需要等到标识被取消才能进入，否则原地等待；每辆AGV都有唯一的id号；占用表会记录下每个AGV的id号，记录哪个节点是被哪辆AGV占用；
S23：基于冲突数目来决定优先级大小；
将某辆AGV在初始全局路径规划当中与其他AGV产生的冲突定义为该AGV的初始冲突数primary；然后，其他AGV的路径不改变，将该AGV设为较低优先级，把该AGV与其他AGV之间新增的冲突数目定义为新增或减少的冲突数new；该AGV产生的总冲突数定义为all；
all＝primary+new
新增冲突数new也可以为负值，表示冲突数的减少；在路径冲突发生时，两辆AGV都需要计算各自的总冲突数目，冲突数少的优先级高；如果冲突数相同，则随机设定一辆AGV的优先级高。
3.根据权利要求2所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S3中，根据改进的A*算法计算出两目标之间的最短行走距离，具体步骤包括：
S31：初始条件：起点设为S，目标终点设为U
S32：首先初始化两个空的辅助列表Open表和Close表；开始时先将起点S放至Open表中；Open表中存放将要被估算的备选节点集，Close表中存放已经被搜索的节点集，列表当中没有重复节点；
S33：把起点S从Open表中移除至Close表中，然后搜索与起点S周围的所有节点，设置起点S为当前父节点，并判断这些是否节点都在Open表中，如果不在，加入到Open表中，如果是障碍点，则忽略；
S34：计算Open表中所有节点的f(n)值，并找到它们当中f(n)值最小的节点放入到Close表中，还要从Open表里删除；
S35：搜索找到的最小f(n)的节点相邻的所有节点，并检查是否在Open表中，如果不在，将其放入，并设f(n)值最小的点为父节点；如果节点在Open表中，那么就要重新计算这些节点的f(n)值，如果新的值小于之前的话，则对原先的f(n)的值进行更新并设此节点为父节点；
S36：通过对Open表当中f(n)值最小的节点作为下一个搜索节点的父节点来完成路径的搜索；
S37：对每一次搜索的节点判断一次，如果是目标节点，则停止搜索，算法结束，如果不是，则重复上述步骤继续搜索。
4.根据权利要求3所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S34中，计算Open表中所有节点的f(n)值，具体步骤包括：
S341：f(n)＝g′(n)+h′(n)；
S342：g′(n)＝αg(n)；
其中，g′(n)表示起点到当前栅格的实际代价，g(n)表示起点到当前栅格的初始代价，α为转弯权值，为一个不小于1的数，转弯时取具体值，不转弯时取1；
S343：h′(n)＝εh(n)；
h(n)＝|x1-x2+|y1-y2|，表示两点间横向距离和纵向距离的绝对值之和；
ε为启发函数的权值。
5.根据权利要求4所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S4中，利用改进的遗传算法求解AGV路径，具体步骤包括：
S41：初始化环境地图、货架信息、AGV信息，将拥堵系数置零；
S42：计算目标节点之间的A*路径信息矩阵；
S43：产生随机种群；
S44：根据A*路径信息矩阵，计算初始路径长度，并更新拥堵系数；
S45：判断冲突数目，确定优先级并化解冲突；
S46：得到种群中个体的路径长度以及行驶时间；
S47：计算种群中个体的适应度函数；
S48：选择、交叉、变异；
S49：输出最优个体。
6.根据权利要求5所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S47中，计算种群中个体的适应度函数，具体步骤包括：
S471：
Figure FDA0003634478440000031
n表示遍历的总节点个数，di，i+1表示AGV遍历的第i个节点和第i+1个节点间的最佳路径，v表示AGV匀速行驶速度，tw表示AGV在行驶过程中因为等待而花费的时间；
S472：
Figure FDA0003634478440000032
路口节点的编号使用占用表中的节点编号；其中，n表示路口节点号，m表示已使用的路口节点号，C为所有路口节点的集合，pm表示路段m的拥堵系数。
7.根据权利要求6所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S47后，采用轮盘赌选择策略对个体进行选择，具体步骤包括：
若某个体适应度为fi，种群大小为N，则被选择的概率为：
Figure FDA0003634478440000033
8.根据权利要求7所述的一种基于改进遗传算法的多AGV多目标路径规划方法，其特征在于：在所述S48中，采用匹配式交叉算子完成算法交叉步骤，具体步骤包括：
首先在其中一个染色体上随机选取一段基因，然后再找到另一个与之配对的染色体上找到相同位置的基因进行交换，生成两个子代基因序列。
CN202210501172.1A 2022-05-09 2022-05-09 一种基于改进遗传算法的多agv多目标路径规划方法 Pending CN114911205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210501172.1A CN114911205A (zh) 2022-05-09 2022-05-09 一种基于改进遗传算法的多agv多目标路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210501172.1A CN114911205A (zh) 2022-05-09 2022-05-09 一种基于改进遗传算法的多agv多目标路径规划方法

Publications (1)

Publication Number Publication Date
CN114911205A true CN114911205A (zh) 2022-08-16

Family

ID=82767473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210501172.1A Pending CN114911205A (zh) 2022-05-09 2022-05-09 一种基于改进遗传算法的多agv多目标路径规划方法

Country Status (1)

Country Link
CN (1) CN114911205A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826591A (zh) * 2023-02-23 2023-03-21 中国人民解放军海军工程大学 一种基于神经网络估计路径代价的多目标点路径规划方法
CN116224923A (zh) * 2022-12-01 2023-06-06 吉林大学 一种考虑冲突规避的多agv路径规划方法
CN116757496A (zh) * 2023-06-09 2023-09-15 紫光汇智信息技术有限公司 基于监控场景协调实时监控城市的火灾预警方法
CN117383460A (zh) * 2023-12-13 2024-01-12 甘肃送变电工程有限公司 一种全电动控制的gis设备安装用升降式搬运平台
CN117733308A (zh) * 2024-02-19 2024-03-22 浙江大学 一种超声波焊接机器人路径规划方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224923A (zh) * 2022-12-01 2023-06-06 吉林大学 一种考虑冲突规避的多agv路径规划方法
CN116224923B (zh) * 2022-12-01 2023-12-29 吉林大学 一种考虑冲突规避的多agv路径规划方法
CN115826591A (zh) * 2023-02-23 2023-03-21 中国人民解放军海军工程大学 一种基于神经网络估计路径代价的多目标点路径规划方法
CN116757496A (zh) * 2023-06-09 2023-09-15 紫光汇智信息技术有限公司 基于监控场景协调实时监控城市的火灾预警方法
CN117383460A (zh) * 2023-12-13 2024-01-12 甘肃送变电工程有限公司 一种全电动控制的gis设备安装用升降式搬运平台
CN117383460B (zh) * 2023-12-13 2024-03-12 甘肃送变电工程有限公司 一种全电动控制的gis设备安装用升降式搬运平台
CN117733308A (zh) * 2024-02-19 2024-03-22 浙江大学 一种超声波焊接机器人路径规划方法和装置
CN117733308B (zh) * 2024-02-19 2024-05-17 浙江大学 一种超声波焊接机器人路径规划方法和装置

Similar Documents

Publication Publication Date Title
CN114911205A (zh) 一种基于改进遗传算法的多agv多目标路径规划方法
CN110782086B (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
CN110334838B (zh) 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN111144568A (zh) 一种多目标城市物流配送路径规划方法
JP3007507B2 (ja) 経路決定方法、装置および地図管理装置および移動体管理システム
CN110515380B (zh) 基于转弯权重约束的最短路径规划方法
CN111309837B (zh) 智能仓储地图平台搭建及agv路径优化方法
CN101673382A (zh) 一种农资连锁经营物流配送配载组合优化方法
CN115237135A (zh) 一种基于冲突的移动机器人路径规划方法及系统
CN112001541A (zh) 一种用于路径优化的改进遗传算法
CN113627712A (zh) 一种仓储系统穿梭车作业顺序优化方法
Siddique et al. Puzzle-based parking
CN111340303B (zh) 基于新型混合蛙跳算法的旅行商路线规划方法
CN115097843A (zh) 基于动态优先级快递分拨中心的多agv路径规划方法及装置
CN116644936A (zh) 一种多agv的路径规划和调度方法
Reijnen et al. Combining deep reinforcement learning with search heuristics for solving multi-agent path finding in segment-based layouts
CN115116220A (zh) 一种用于矿区装卸场景的无人驾驶多车协同控制方法
CN113408988A (zh) 仓储系统的调度优化方法、电子设备及存储介质
JP4025652B2 (ja) 輸送計画作成システム及び方法
Medvedev et al. The vehicle routing problem for several agents among the objects of two types
CN114757591B (zh) 基于行为依赖图的多车型协同分拣调度方法
CN116362435A (zh) 一种用于多车场配送的路径规划方法
CN114625137A (zh) 一种基于agv的智能停车路径规划方法及系统
CN116976231B (zh) 一种基于遗传算法的平面地堆库agv理库作业优化方法
JPH1055349A (ja) 数理計画計算装置、配送計画システム、数理計画プログラムを記録した媒体、及び配送計画プログラムを記録した媒体

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