CN115796530A - 一种同时送货和取货的机器人物流调度优化方法 - Google Patents

Abstract

本发明提供一种同时送货和取货的机器人物流调度优化方法，涉及人工智能物流路径规划控制技术领域，该方法以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解；将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解；将所获得的最终最优解作为最优物流调度策略，对机器人进行调度；该方法将机器人送货与取货过程作为一个整体进行考虑，有效避免了机器人物流运输路线的迂回，能够减少机器人的运输距离，提高经济效益。

Description

一种同时送货和取货的机器人物流调度优化方法

技术领域

本发明涉及人工智能物流路径规划控制技术领域，更具体地，涉及一种同时送货和取货的机器人物流调度优化方法。

背景技术

随着物流业向全球化、信息化及一体化的发展，配送在整个物流系统中的作用变得越来越重要。其中，运输线路是否合理直接影响到配送成本和效益，选取恰当的机器人运输路径方案，可以提高服务质量，增强客户对物流环节的满意度，具有重要经济价值和社会价值。

传统的机器人物流调度路径问题只考虑了机器人运行中单纯的取货或者送货的过程，而带回程取货的机器人路径问题则多数要求机器人先服务送货客户节点，后服务取货节点，即机器人只在配送过程中完成送货任务，在配送回程的过程中完成取货任务，没有将取货和送货结合起来考虑，造成了运输路线的迁回，加大了运输成本。

同时送取货的机器人物流运输调度问题同时解决客户的两类需求：其一是配送需求，即按照客户的需求将货物从物流中心送到顾客处；其二是收集需求，即机器人收集各客户点的货物后返回物流中心。该问题以机器人行驶的总距离最短为目标，要求每个客户仅被服务一次。例如，在港口物流园区内，不少物流企业兼有物流中心和货代的双重功能，当码头的集装箱被运送到区内的物流企业时，集装箱内的货物将被拆分为各个客户的货物，通过企业的机器人运送给客户；同时，这些机器人也将收集客户需要利用集装箱运输的货物，将其运回区内进行拼箱和装船。

目前的现有技术提供了一种求解单配送中心物流运输调度问题的方法，针对单配送中心物流运输调度问题，建立数学模型，提出并行混沌粒子群算法求解该模型；现有技术中的方法是以单配送中心送货过程中的配送路径最短和配送成本最低为目的进行物流调度的规划，仅仅只能解决送货这一单一过程的路径规划问题，没有将送货过程和取货过程结合考虑，存在一定的局限性，实用性也不高。

发明内容

本发明为克服上述现有技术因未将取货和送货过程结合考虑而造成运输路线迁回和运输成本较高的缺陷，提供一种同时送货和取货的机器人物流调度优化方法，能够减少机器人的运输距离，提高经济效益。

为解决上述技术问题，本发明的技术方案如下：

一种同时送货和取货的机器人物流调度优化方法，包括以下步骤：

S1：以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；

S2：利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解；

S3：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解；

S4：将所获得的最终最优解作为最优物流调度策略，对机器人进行调度。

优选地，所述步骤S1中，以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型，具体为：

所述机器人物流调度数学模型具体为：

其中，f(x)为机器人物流调度函数，H为机器人的数量，Q为机器人的最大载重量，L为机器人所能行驶的最大距离；V表示顶点的集合，一个顶点对应一个客户，满足V＝{1,2，...,n}，n为顶点的数量；

V₀表示包含初始顶点的所有顶点集合，满足V₀＝V∪{0}，顶点0为初始顶点，表示物流中心；

d_ij表示第i个顶点和第j个顶点之间的距离，满足i,j∈V₀,i≠j,d_ii＝0；

q_i ⁺为机器人向第i个顶点配送的载重量；q_i ^-表示机器人向第i个顶点收集的载重量；

x_ijk为二进制变量，x_ijk＝1表示第k个机器人从第i个顶点行驶至第j个顶点，x_ijk＝0表示机器人的其他行驶路径；w_ijk为第k个机器人经过e_ij弧度所承担的载重量，其中，e_ij表示第i个顶点和第j个顶点之间的弧度；

x_ipk为二进制变量，x_ipk＝1表示第k个机器人从第i个顶点行驶至第p个顶点，x_ipk＝0表示机器人的其他行驶路径；x_pjk为二进制变量，x_pjk＝1表示第k个机器人从第p个顶点行驶至第j个顶点，x_pjk＝0表示机器人的其他行驶路径；

D_j表示第k个机器人在第j个顶点时的载重量。

优选地，所述步骤S2中，利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解，具体方法为：

S2.1：根据机器人物流调度数学模型初始化并释放人工狼群，确定所述人工狼群中的头狼、探狼和猛狼；

S2.2：探狼进行游走行为寻找猎物，记录探狼的游走次数，当探狼达到最大游走次数T_smax时，猛狼进行奔袭行为，否则探狼继续进行游走行为；

S2.3：猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为；

S2.4：更新人工狼群，获取更新后人工狼群中的头狼信息；

S2.5：判断狼群算法是否满足预设的狼群算法终止条件，当满足狼群算法终止条件时，输出此时人工狼群的头狼信息，作为机器人物流调度初始最优解，否则重复步骤S2.2～S2.4。

优选地，所述步骤S2.1中，根据机器人物流调度数学模型初始化并释放人工狼群，具体为：

设置人工狼群的参数，所述参数包括：人工狼群的步长因子S、狼群规模Pop_size、最大迭代次数T_max、距离因子

探狼最大游走次数T_smax、搜索的空间维数为D、第一代探狼的比例因子α¹和更新比例因子β。

优选地，所述步骤S2.1中，确定所述人工狼群中头狼的具体方法为：

根据适应度函数计算所有人工狼的适应度值，所述适应度函数为

将所有人工狼适应度值从大到小进行排序，选择适应度值最大的人工狼作为头狼，记为Y_lead；当存在多个适应值最大且相同的人工狼时，随机选择其中之一作为头狼。

优选地，所述步骤S2.1中，确定所述人工狼群中探狼和猛狼的具体方法为：

除去头狼，在所有人工狼群中选出适应度值排序的前S_-num个人工狼作为探狼；

其中，探狼的数量S_-num为整数，且满足

所述人工狼群中除头狼和探狼外，其他的人工狼均为猛狼。

优选地，所述步骤S2.2中，探狼进行游走行为寻找猎物具体为：

探狼在第d维变量空间向h个不同方向进行游走寻找猎物，探狼根据以下公式进行游走行为并寻找猎物：

其中，x_sd为探狼在第d维变量空间的位置，d为空间维度，满足d∈[1,2,3,...,D]；

为探狼在向第p个方向搜索后，在第d维变量空间的位置，满足p∈(1,2,3,...,h)，h为探狼可搜索的方向；

为探狼在第d维变量空间游走的步长；rand为第一随机数；x_lead为头狼在第d维空间的位置。

优选地，所述步骤S2.3中，猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为，具体为：

猛狼根据以下公式进行奔袭行为：

其中，

为猛狼在第k次迭代时，在第d维变量空间的位置；

为猛狼在第k+1次迭代时，在第d维变量空间的位置；

为第k代狼群在第d维中的位置；

为猛狼在第d维空间中行走的步长；ε为第二随机数，μ为随机整数；

根据以下公式判断奔袭行为中的猛狼和头狼之间的距离：

其中，d_min为待寻优变量在第d维变量空间的最小值，d_max为待寻优变量在第d维变量空间的最大值；

人工狼群根据以下公式进行围攻行为：

其中，

为人工狼群在第d维空间中的围攻步长，λ为第三随机数。

优选地，所述步骤S2.4中，更新人工狼群，获取更新后人工狼群中的头狼信息的具体方法为：

获取所有人工狼群新的适应度值并重新排序，将新的适应度值最大的人工狼作为头狼；

根据以下公式更新探狼的比例因子：

其中，α^k为第k次迭代探狼的比例因子，α^k-1为第k-1次迭代探狼的比例因子，k为人工狼群的迭代次数；

将新的适应度值排序中的后R个人工狼个体去除，再随机生成R匹人工狼，完成人工狼群的更新；

其中，去除人工狼的数量R为整数，且满足

优选地，所述步骤S3中，将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解，具体方法为：

所述混沌技术具体为Logistic混沌映射算法；

S3.1：初始化结合混沌技术的禁忌搜索算法的相关参数，所述相关参数包括禁忌表和禁忌长度；

S3.2：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，判断禁忌搜索算法的初始值是否满足预设的禁忌搜索算法终止准则，当满足预设的禁忌搜索算法终止准则时，将禁忌搜索算法的初始值作为机器人物流调度的最终最优解；否则将禁忌搜索算法的初始值作为Logistic混沌映射算法的初始解；

S3.3：利用Logistic混沌映射算法产生若干禁忌搜索算法的邻域解，并在所有邻域解中选出禁忌搜索算法的候选解；

S3.4：判断禁忌搜索算法的候选解是否满足预设的藐视准则；当候选解满足藐视准则时，将候选解加入禁忌表中，作为机器人物流调度的当前解；否则将非禁忌的最佳候选解加入禁忌表中，作为机器人物流调度的当前解；

S3.5：判断机器人物流调度的当前解是否满足预设的禁忌搜索算法终止准则；当不满足预设的禁忌搜索算法终止准则时，重复步骤S3.2～S3.4；否则，将机器人物流调度的当前解作为机器人物流调度的最终最优解。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供一种同时送货和取货的机器人物流调度优化方法，该方法以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；之后利用狼群算法求解机器人物流调度数学模型并更新人工狼群，获得机器人物流调度初始最优解；将所述机器人物流调度初始最优解作为禁忌搜索算法的初始值，设置禁忌搜索算法的禁忌表和禁忌长度；利用结合了混沌技术的禁忌搜索算法生成机器人物流调度的最终最优解，将获得的最终最优解作为最优的机器人物流调度策略；

该方法将机器人运输过程中的送货与取货过程作为一个整体进行全面考虑，有效避免了机器人物流运输路线的迂回，能够减少机器人的运输距离，提高经济效益，另外，本方法还具有运行速度快、收敛能力强、寻优效率高等特点，能够较好地解决实际问题。

附图说明

图1为实施例1所提供的的一种同时送货和取货的机器人物流调度优化方法流程图。

图2为实施例2所提供的狼群算法流程图。

图3为实施例2所提供的结合了混沌技术的禁忌搜索算法流程图。

图4为实施例2所提供的最优的机器人物流调度策略示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，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；

对于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。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，本实施例提供一种同时送货和取货的机器人物流调度优化方法，包括以下步骤：

S1：以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；

S2：利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解；

S3：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解；

S4：将所获得的最终最优解作为最优物流调度策略，对机器人进行调度。

在具体实施过程中，以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；之后初始化并释放人工狼群，利用狼群算法求解机器人物流调度数学模型并更新人工狼群，获得机器人物流调度初始最优解；将所述机器人物流调度初始最优解作为禁忌搜索算法的初始值，设置禁忌搜索算法的禁忌表和禁忌长度；利用结合了混沌技术的禁忌搜索算法生成机器人物流调度的最优解，将获得的最优解作为最优的机器人物流调度策略；

该方法将机器人运输过程中的送货与取货过程作为一个整体进行全面考虑，有效避免了机器人物流运输路线的迂回，能够减少机器人的运输距离，提高经济效益，另外，本方法还具有运行速度快、收敛能力强、寻优效率高等特点，能够较好地解决实际问题。

实施例2

本实施例提供一种同时送货和取货的机器人物流调度优化方法，包括以下步骤：

S1：以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；

S2：如图2所示，利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解，具体方法为：

S2.1：根据机器人物流调度数学模型初始化并释放人工狼群，确定所述人工狼群中的头狼、探狼和猛狼；

设置人工狼群的参数，所述参数包括：人工狼群的步长因子S、狼群规模Pop_size、最大迭代次数T_max、距离因子

探狼最大游走次数T_smax、搜索的空间维数为D、第一代探狼的比例因子α¹和更新比例因子β。

确定所述人工狼群中头狼的具体方法为：

根据适应度函数计算所有人工狼的适应度值；

将所有人工狼适应度值从大到小进行排序，选择适应度值最大的人工狼作为头狼，记为Y_lead；当存在多个适应值最大且相同的人工狼时，随机选择其中之一作为头狼；

确定所述人工狼群中探狼和猛狼的具体方法为：

除去头狼，在所有人工狼群中选出适应度值排序的前S_-num个人工狼作为探狼；

其中，探狼的数量S_-num为整数，且满足

所述人工狼群中除头狼和探狼外，其他的人工狼均为猛狼；

S2.2：探狼进行游走行为寻找猎物，记录探狼的游走次数，当探狼达到最大游走次数T_smax时，猛狼进行奔袭行为，否则探狼继续进行游走行为；

S2.3：猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为；

S2.4：更新人工狼群，获取更新后人工狼群中的头狼信息；

S2.5：判断狼群算法是否满足预设的狼群算法终止条件，当满足狼群算法终止条件时，输出此时人工狼群的头狼信息，作为机器人物流调度初始最优解，否则重复步骤S2.2～S2.4。

S3：如图3所示，将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解，具体方法为：

所述混沌技术具体为Logistic混沌映射算法；

S3.1：初始化结合混沌技术的禁忌搜索算法的相关参数，所述相关参数包括禁忌表和禁忌长度；

S3.2：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，判断禁忌搜索算法的初始值是否满足预设的禁忌搜索算法终止准则，当满足预设的禁忌搜索算法终止准则时，将禁忌搜索算法的初始值作为机器人物流调度的最终最优解；否则将禁忌搜索算法的初始值作为Logistic混沌映射算法的初始解；

S3.3：利用Logistic混沌映射算法产生若干禁忌搜索算法的邻域解，并在所有邻域解中选出禁忌搜索算法的候选解；

S3.4：判断禁忌搜索算法的候选解是否满足预设的藐视准则；当候选解满足藐视准则时，将候选解加入禁忌表中，作为机器人物流调度的当前解；否则将非禁忌的最佳候选解加入禁忌表中，作为机器人物流调度的当前解；

S3.5：判断机器人物流调度的当前解是否满足预设的禁忌搜索算法终止准则；当不满足预设的禁忌搜索算法终止准则时，重复步骤S3.2～S3.4；否则，将机器人物流调度的当前解作为机器人物流调度的最终最优解；

S4：将所获得的最终最优解作为最优物流调度策略，对机器人进行调度；

所述步骤S1中，以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型，具体为：

所述机器人物流调度数学模型具体为：

其中，f(x)为机器人物流调度函数，H为机器人的数量，Q为机器人的最大载重量，L为机器人所能行驶的最大距离；V表示顶点的集合，一个顶点对应一个客户，满足V＝{1,2，...,n}，n为顶点的数量；

V₀表示包含初始顶点的所有顶点集合，满足V₀＝V∪{0}，顶点0为初始顶点，表示物流中心；

d_ij表示第i个顶点和第j个顶点之间的距离，满足i,j∈V₀,i≠j,d_ii＝0；

q_i ⁺为机器人向第i个顶点配送的载重量；q_i ^-表示机器人向第i个顶点收集的载重量；

x_ijk为二进制变量，x_ijk＝1表示第k个机器人从第i个顶点行驶至第j个顶点，x_ijk＝0表示机器人的其他行驶路径；w_ijk为第k个机器人经过e_ij弧度所承担的载重量，其中，e_ij表示第i个顶点和第j个顶点之间的弧度；

x_ipk为二进制变量，x_ipk＝1表示第k个机器人从第i个顶点行驶至第p个顶点，x_ipk＝0表示机器人的其他行驶路径；x_pjk为二进制变量，x_pjk＝1表示第k个机器人从第p个顶点行驶至第j个顶点，x_pjk＝0表示机器人的其他行驶路径；

D_j表示第k个机器人在第j个顶点时的载重量；

所述步骤S2.2中，探狼进行游走行为寻找猎物具体为：

探狼在第d维变量空间向h个不同方向进行游走寻找猎物，探狼根据以下公式进行游走行为并寻找猎物：

其中，x_sd为探狼在第d维变量空间的位置，d为空间维度，满足d∈[1,2,3,...,D]；

为探狼在向第p个方向搜索后，在第d维变量空间的位置，满足p∈(1,2,3,...,h)，h为探狼可搜索的方向；

为探狼在第d维变量空间游走的步长；rand为第一随机数；x_lead为头狼在第d维空间的位置；

所述步骤S2.3中，猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为，具体为：

猛狼根据以下公式进行奔袭行为：

其中，

为猛狼在第k次迭代时，在第d维变量空间的位置；

为猛狼在第k+1次迭代时，在第d维变量空间的位置；

为第k代狼群在第d维中的位置；

为猛狼在第d维空间中行走的步长；ε为第二随机数，μ为随机整数；

根据以下公式判断奔袭行为中的猛狼和头狼之间的距离：

其中，d_min为待寻优变量在第d维变量空间的最小值，d_max为待寻优变量在第d维变量空间的最大值；

人工狼群根据以下公式进行围攻行为：

其中，

为人工狼群在第d维空间中的围攻步长，λ为第三随机数；

所述步骤S2.4中，更新人工狼群，获取更新后人工狼群中的头狼信息的具体方法为：

获取所有人工狼群新的适应度值并重新排序，将新的适应度值最大的人工狼作为头狼；

根据以下公式更新探狼的比例因子：

其中，α^k为第k次迭代探狼的比例因子，α^k-1为第k-1次迭代探狼的比例因子，k为人工狼群的迭代次数；

将新的适应度值排序中的后R个人工狼个体去除，再随机生成R匹人工狼，完成人工狼群的更新；

其中，去除人工狼的数量R为整数，且满足

在具体实施过程中，以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；

在本实施例中，机器人的数量为25台，每个机器人的最大载重为4000kg，顶点的数量为50个，每个顶点的坐标位置、送货量和取货量的需求如表1所示：

表1每个顶点的坐标位置、送货量和取货量的需求表所建立的机器人物流调度数学模型具体为：

其中，f(x)为机器人物流调度函数，H为机器人的数量，Q为机器人的最大载重量，L为机器人所能行驶的最大距离；V表示顶点的集合，一个顶点对应一个客户，满足V＝{1,2，...,n}，n为顶点的数量；

V₀表示包含初始顶点的所有顶点集合，满足V₀＝V∪{0}，顶点0为初始顶点，表示物流中心；

d_ij表示第i个顶点和第j个顶点之间的距离，满足i,j∈V₀,i≠j,d_ii＝0；

q_i ⁺为机器人向第i个顶点配送的载重量；q_i ^-表示机器人向第i个顶点收集的载重量；

x_ijk为二进制变量，x_ijk＝1表示第k个机器人从第i个顶点行驶至第j个顶点，x_ijk＝0表示机器人的其他行驶路径；w_ijk为第k个机器人经过e_ij弧度所承担的载重量，其中，e_ij表示第i个顶点和第j个顶点之间的弧度；

x_ipk为二进制变量，x_ipk＝1表示第k个机器人从第i个顶点行驶至第p个顶点，x_ipk＝0表示机器人的其他行驶路径；x_pjk为二进制变量，x_pjk＝1表示第k个机器人从第p个顶点行驶至第j个顶点，x_pjk＝0表示机器人的其他行驶路径；

D_j表示第k个机器人在第j个顶点时的载重量；

之后初始化并释放人工狼群，在本实施例中，人工狼群的步长因子S＝1，狼群规模Pop_Size＝100，最大迭代次数T_max＝200，距离因子

探狼最大游走次数T_smax＝30，搜索的空间维数为D＝3，第一代探狼的比例因子α¹＝1.5，更新比例因子β＝5；

根据适应度函数计算所有人工狼的适应度值，所述适应度函数为

将所有人工狼适应度值从大到小进行排序，选择适应度值最大的人工狼作为头狼，记为Y_lead；当存在多个适应值最大且相同的人工狼时，随机选择其中之一作为头狼；

除去头狼，在所有人工狼群中选出适应度值排序的前S_-num个人工狼作为探狼；

其中，探狼的数量S_-num为整数，且满足

所述人工狼群中除头狼和探狼外，其他的人工狼均为猛狼；

利用狼群算法求解机器人物流调度数学模型并更新人工狼群，获得机器人物流调度初始最优解，具体方法为：

S2.1：根据机器人物流调度数学模型初始化并释放人工狼群；

S2.2：探狼进行游走行为寻找猎物，记录探狼的游走次数，当探狼达到最大游走次数T_smax时，猛狼进行奔袭行为，否则探狼继续进行游走行为；

探狼在第d维变量空间向h个不同方向进行游走寻找猎物，探狼根据以下公式进行游走行为并寻找猎物，在本实施例中，h＝3：

其中，x_sd为探狼在第d维变量空间的位置，d为空间维度，满足d∈[1,2,3,...,D]；

为探狼在向第p个方向搜索后，在第d维变量空间的位置，满足p∈(1,2,3,...,h)，h为探狼可搜索的方向；

为探狼在第d维变量空间游走的步长；rand为[0,1]上均匀分布的随机数；x_lead为头狼在第d维空间的位置；

S2.3：猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为；

猛狼根据以下公式进行奔袭行为：

其中，

为猛狼在第k次迭代时，在第d维变量空间的位置；

为猛狼在第k+1次迭代时，在第d维变量空间的位置；

为第k代狼群在第d维中的位置；

为猛狼在第d维空间中行走的步长；ε为[0,1]上均匀分布的随机数，μ为[-1,1]上均匀分布的随机整数；

根据以下公式判断奔袭行为中的猛狼和头狼之间的距离：

其中，d_min为待寻优变量在第d维变量空间的最小值，d_max为待寻优变量在第d维变量空间的最大值，在本实施例中，d_min＝10，d_max＝20；

人工狼群根据以下公式进行围攻行为：

其中，

为人工狼群在第d维空间中的围攻步长，λ是[-1,1]上均匀分布的随机数；

S2.4：更新人工狼群，获取更新后人工狼群中的头狼信息；

获取所有人工狼群新的适应度值并重新排序，将新的适应度值最大的人工狼作为头狼；

根据以下公式更新探狼的比例因子：

其中，α^k为第k次迭代探狼的比例因子，α^k-1为第k-1次迭代探狼的比例因子，k为人工狼群的迭代次数；

将新的适应度值排序中的后R个人工狼个体去除，再随机生成R匹人工狼，完成人工狼群的更新；

其中，去除人工狼的数量R为整数，且满足

S2.5：判断狼群算法是否满足预设的狼群算法终止条件，当满足狼群算法终止条件时，输出此时人工狼群的头狼信息，作为机器人物流调度初始最优解，否则重复步骤S2.2～S2.4；

在本实施例中，狼群算法终止条件为狼群寻优过程中是否达到最大迭代次数T_max；

将所述机器人物流调度初始最优解作为禁忌搜索算法的初始值，设置禁忌搜索算法的禁忌表和禁忌长度；

利用结合了混沌技术的禁忌搜索算法生成机器人物流调度的最终最优解，将获得的最终最优解作为最优的机器人物流调度策略；

所述混沌技术具体为Logistic混沌映射算法；

S3.1：初始化结合混沌技术的禁忌搜索算法的相关参数，所述相关参数包括禁忌表和禁忌长度；

S3.2：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，判断禁忌搜索算法的初始值是否满足预设的禁忌搜索算法终止准则，当满足预设的禁忌搜索算法终止准则时，将禁忌搜索算法的初始值作为机器人物流调度的最终最优解；否则将禁忌搜索算法的初始值作为Logistic混沌映射算法的初始解；

S3.3：利用Logistic混沌映射算法产生若干禁忌搜索算法的邻域解，并在所有邻域解中选出禁忌搜索算法的候选解；

S3.4：判断禁忌搜索算法的候选解是否满足预设的藐视准则；当候选解满足藐视准则时，将候选解加入禁忌表中，作为机器人物流调度的当前解；否则将非禁忌的最佳候选解加入禁忌表中，作为机器人物流调度的当前解；

S3.5：判断机器人物流调度的当前解是否满足预设的禁忌搜索算法终止准则；当不满足预设的禁忌搜索算法终止准则时，重复步骤S3.2～S3.4；否则，将机器人物流调度的当前解作为机器人物流调度的最终最优解；

如图4所示为通过本实施例中的方法获得的最优的机器人物流调度策略，由图4可知，机器人1所服务的客户及顺序为：0→13→17→18→19→15→16→14→12→0；机器人2所服务的客户及顺序为：0→7→4→2→1→3→5→0；机器人3所服务的客户及顺序为：0→27→29→30→28→26→23→22→21→49→47→0；机器人4所服务的客户及顺序为：0→43→42→41→40→44→46→45→48→50→31→37→34→0；机器人5所服务的客户及顺序为：0→32→33→35→38→39→36→0；机器人6所服务的客户及顺序为：0→20→24→25→8→10→11→9→6→0；

该方法将机器人运输过程中的送货与取货过程作为一个整体进行全面考虑，有效避免了机器人物流运输路线的迂回，能够减少机器人的运输距离，提高经济效益，另外，本方法还具有运行速度快、收敛能力强、寻优效率高等特点，能够较好地解决实际问题。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种同时送货和取货的机器人物流调度优化方法，其特征在于，包括以下步骤：

S1：以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型；

S2：利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解；

S3：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解；

S4：将所获得的最终最优解作为最优物流调度策略，对机器人进行调度。

2.根据权利要求1所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S1中，以机器人送货和取货的总行驶距离最小为目标，建立机器人物流调度数学模型，具体为：

所述机器人物流调度数学模型具体为：

其中，f(x)为机器人物流调度函数，H为机器人的数量，Q为机器人的最大载重量，L为机器人所能行驶的最大距离；V表示顶点的集合，一个顶点对应一个客户，满足V＝{1,2，...,n}，n为顶点的数量；

V₀表示包含初始顶点的所有顶点集合，满足V₀＝V∪{0}，顶点0为初始顶点，表示物流中心；

d_ij表示第i个顶点和第j个顶点之间的距离，满足i,j∈V₀,i≠j,d_ii＝0；

q_i ⁺为机器人向第i个顶点配送的载重量；q_i ^-表示机器人向第i个顶点收集的载重量；

x_ijk为二进制变量，x_ijk＝1表示第k个机器人从第i个顶点行驶至第j个顶点，x_ijk＝0表示机器人的其他行驶路径；w_ijk为第k个机器人经过e_ij弧度所承担的载重量，其中，e_ij表示第i个顶点和第j个顶点之间的弧度；

x_ipk为二进制变量，x_ipk＝1表示第k个机器人从第i个顶点行驶至第p个顶点，x_ipk＝0表示机器人的其他行驶路径；x_pjk为二进制变量，x_pjk＝1表示第k个机器人从第p个顶点行驶至第j个顶点，x_pjk＝0表示机器人的其他行驶路径；

D_j表示第k个机器人在第j个顶点时的载重量。

3.根据权利要求2所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2中，利用狼群算法对机器人物流调度数学模型进行求解，获得机器人物流调度初始最优解，具体方法为：

S2.1：根据机器人物流调度数学模型初始化并释放人工狼群，确定所述人工狼群中的头狼、探狼和猛狼；

S2.2：探狼进行游走行为寻找猎物，记录探狼的游走次数，当探狼达到最大游走次数T_smax时，猛狼进行奔袭行为，否则探狼继续进行游走行为；

S2.3：猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为；

S2.4：更新人工狼群，获取更新后人工狼群中的头狼信息；

S2.5：判断狼群算法是否满足预设的狼群算法终止条件，当满足狼群算法终止条件时，输出此时人工狼群的头狼信息，作为机器人物流调度初始最优解，否则重复步骤S2.2～S2.4。

4.根据权利要求3所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.1中，根据机器人物流调度数学模型初始化并释放人工狼群，具体为：

设置人工狼群的参数，所述参数包括：人工狼群的步长因子S、狼群规模Pop_size、最大迭代次数T_max、距离因子

探狼最大游走次数T_smax、搜索的空间维数为D、第一代探狼的比例因子α¹和更新比例因子β。

5.根据权利要求4所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.1中，确定所述人工狼群中头狼的具体方法为：

根据适应度函数计算所有人工狼的适应度值，所述适应度函数为

将所有人工狼适应度值从大到小进行排序，选择适应度值最大的人工狼作为头狼，记为Y_lead；当存在多个适应值最大且相同的人工狼时，随机选择其中之一作为头狼。

6.根据权利要求5所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.1中，确定所述人工狼群中探狼和猛狼的具体方法为：

除去头狼，在所有人工狼群中选出适应度值排序的前S_-num个人工狼作为探狼；

其中，探狼的数量S_-num为整数，且满足

所述人工狼群中除头狼和探狼外，其他的人工狼均为猛狼。

7.根据权利要求6述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.2中，探狼进行游走行为寻找猎物具体为：

探狼在第d维变量空间向h个不同方向进行游走寻找猎物，探狼根据以下公式进行游走行为并寻找猎物：

其中，x_sd为探狼在第d维变量空间的位置，d为空间维度，满足d∈[1,2,3,...,D]；

为探狼在向第p个方向搜索后，在第d维变量空间的位置，满足p∈(1,2,3,...,h)，h为探狼可搜索的方向；

为探狼在第d维变量空间游走的步长；rand为第一随机数；x_lead为头狼在第d维空间的位置。

8.根据权利要求7所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.3中，猛狼进行奔袭行为，判断奔袭行为中的猛狼和头狼之间的距离，当猛狼奔袭到与头狼间的距离小于预设的临界距离时，猛狼通过召唤行为召唤人工狼群，人工狼群进行围攻行为，否则猛狼继续进行奔袭行为，具体为：

猛狼根据以下公式进行奔袭行为：

其中，

为猛狼在第k次迭代时，在第d维变量空间的位置；

为猛狼在第k+1次迭代时，在第d维变量空间的位置；

为第k代狼群在第d维中的位置；

为猛狼在第d维空间中行走的步长；ε为第二随机数，μ为随机整数；

根据以下公式判断奔袭行为中的猛狼和头狼之间的距离：

其中，d_min为待寻优变量在第d维变量空间的最小值，d_max为待寻优变量在第d维变量空间的最大值；

人工狼群根据以下公式进行围攻行为：

其中，

为人工狼群在第d维空间中的围攻步长，λ为第三随机数。

9.根据权利要求8所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S2.4中，更新人工狼群，获取更新后人工狼群中的头狼信息的具体方法为：

获取所有人工狼群新的适应度值并重新排序，将新的适应度值最大的人工狼作为头狼；

根据以下公式更新探狼的比例因子：

其中，α^k为第k次迭代探狼的比例因子，α^k-1为第k-1次迭代探狼的比例因子，k为人工狼群的迭代次数；

将新的适应度值排序中的后R个人工狼个体去除，再随机生成R匹人工狼，完成人工狼群的更新；

其中，去除人工狼的数量R为整数，且满足

10.根据权利要求1所述的一种同时送货和取货的机器人物流调度优化方法，其特征在于，所述步骤S3中，将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，计算机器人物流调度的最终最优解，具体方法为：

所述混沌技术具体为Logistic混沌映射算法；

S3.1：初始化结合混沌技术的禁忌搜索算法的相关参数，所述相关参数包括禁忌表和禁忌长度；

S3.2：将所述机器人物流调度初始最优解作为结合混沌技术的禁忌搜索算法的初始值，判断禁忌搜索算法的初始值是否满足预设的禁忌搜索算法终止准则，当满足预设的禁忌搜索算法终止准则时，将禁忌搜索算法的初始值作为机器人物流调度的最终最优解；否则将禁忌搜索算法的初始值作为Logistic混沌映射算法的初始解；

S3.3：利用Logistic混沌映射算法产生若干禁忌搜索算法的邻域解，并在所有邻域解中选出禁忌搜索算法的候选解；

S3.4：判断禁忌搜索算法的候选解是否满足预设的藐视准则；当候选解满足藐视准则时，将候选解加入禁忌表中，作为机器人物流调度的当前解；否则将非禁忌的最佳候选解加入禁忌表中，作为机器人物流调度的当前解；

S3.5：判断机器人物流调度的当前解是否满足预设的禁忌搜索算法终止准则；当不满足预设的禁忌搜索算法终止准则时，重复步骤S3.2～S3.4；否则，将机器人物流调度的当前解作为机器人物流调度的最终最优解。

Images