CN116644936A - 一种多agv的路径规划和调度方法 - Google Patents
一种多agv的路径规划和调度方法 Download PDFInfo
- Publication number
- CN116644936A CN116644936A CN202310737708.4A CN202310737708A CN116644936A CN 116644936 A CN116644936 A CN 116644936A CN 202310737708 A CN202310737708 A CN 202310737708A CN 116644936 A CN116644936 A CN 116644936A
- Authority
- CN
- China
- Prior art keywords
- agv
- feeding
- agvs
- grid
- channel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims abstract description 5
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000037361 pathway Effects 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 description 16
- 239000000047 product Substances 0.000 description 7
- 208000037516 chromosome inversion disease Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000032258 transport Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000016718 Chromosome Inversion Diseases 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
Abstract
本申请提供一种多AGV路径规划和调度方法,通过实际车间环境设置栅格地图,并根据客户订单需求和流水线物料数据信息确定送料点的需求和位置;利用K‑Means聚类方法对所有需上料的送料点进行聚类操作;利用聚类遗传算法进行多AGV的路径规划和调度优化,得到路径分配方案;结合时间窗方法,调整各辆AGV的送料顺序和路径;利用二元锦标赛选择策略,选取父代种群中较优秀的一半个体直接作为子代种群的一部分,子代种群的另一部分通过三类变异操作而产生;若子代得到的当前解比父代的最优解更好则用当前解取代;若未达到则继续进行调度优化。相比于现有技术,本申请提出聚类遗传算法避免AGV绕路问题,同时采用时间窗方法可避免多AGV的碰撞死锁等问题。
Description
技术领域
本发明涉及生产车间的智能物流技术领域,特别涉及一种多AGV的路径规划和调度方法。
背景技术
AGV(Automated Guided Vehicle,自动导向车)是现代IA(Industry Automation,工业自动化)物流系统中的关键设备之一,能够保证IA物流系统在不需要人工引航的情况下就能够沿预定的路线自动行驶,将货物或物料从起始点自动运送到目的地。而且,AGV的行驶路径可以根据仓储要求、生产工艺流程等改变而灵活改变。
在现有技术中,合理、高效的AGV任务分配、路径规划和调度方案可以大大提高物流系统的效率,为智能物流提供技术支撑。然而,对于多通道多点送料的工厂车间,现有的路径规划与调度方法中,传统遗传算法的随机变异使路径规划地图内不同通道的送料点随机排序,从而导致AGV绕路长度居高不下,运输效率低、运输成本加剧。此外,在多AGV同向或反向行驶的过程中,若发现同一时间占据了同一块栅格或者同一段路径,还可能发生冲突、拥堵、碰撞死锁等问题。因此AGV利用率还有进一步优化的空间,采取更优化的路径规划与调度方案,AGV运输成本还可变得更加经济。
发明内容
针对现有技术的上述缺陷,本申请提供了一种多AGV的路径规划和调度方法,适用于多通道多点送料的车间,其中所述方法按照如下步骤进行:
S1.通过实际车间环境设置栅格地图,确定地图大小以及栅格类型,并根据客户订单需求和流水线物料数据信息,确定送料点的需求和位置;
S2.利用K-Means聚类方法对所有需要上料的送料点进行聚类操作,对于有送料点需求的通道,根据送料点坐标在该通道中排序,而对于没有送料点需求的通道,将该通道设置为空;
S3.利用聚类遗传算法进行多AGV的路径规划和调度优化,根据AGV的送料方案,采用A*补偿算法进行栅格地图间的路径规划,得到每辆AGV的路径分配方案;
S4.结合时间窗方法,调整各辆AGV的送料顺序和路径,避免通道内的AGV碰撞;
S5.利用二元锦标赛选择策略,选取父代种群中较优秀的一半个体直接作为子代种群的一部分,子代种群的另一部分则通过把剩下的父代个体进行逆转、交换和滑动三类变异操作而产生,若子代得到的当前解比父代的最优解更好的情况则用当前解取代;
S6.若未达到终止条件,则跳转至S3继续进行调度优化。
在其中的一实施例,根据步骤S1,将实际场景中的车间地形划分为大小相等而相互独立的正方形栅格,用数字地图来表示,其中根据产线设置将栅格分为可行栅格和不可行栅格,可行栅格的值设置为数字0,表示AGV可进入此栅格;不可行栅格的值设置为数字1,表示AGV无法进入此栅格。
在其中的一实施例,根据步骤S2,采用K-Means聚类算法使得AGV对于送料点的选择和排序转化为对栅格地图中通道的选择和排序,K-Means聚类算法通过对象与聚类中心之间的距离进行聚类,并将距离比较相近的对象组成簇,从而得到紧凑而独立的不同的簇,具体包括步骤:
步骤1:从混合样本中随机选取c个样本作为初始聚类中心;
步骤2:计算每个样本到每个聚类中心的距离,根据距离将样本归于离它最近的聚类中心的一簇;
步骤3:根据每个样本所属的簇,更新簇类的均值向量,确定新的聚类中心;
步骤4:对所有聚类中心和上次分类后中心比较,若两者不相同则返回步骤2,若两者相同则结束。
在其中的一实施例,根据步骤S3,得到多个送料点位置簇之后,按照簇的随机排序与送料点排序方向重新排列后得到送料点初始分配集合,将送料点各自需求量与AGV规定载荷进行比较统计,按照AGV载荷进行分割,形成每辆AGV的送料方案。
在其中的一实施例,根据步骤S4,AGV在途径通道时,于通道进出口留下时间记录,同一时间只能允许单独一辆AGV进行通行。
在其中的一实施例,步骤S4还包括:设立等待检测机制,保持先进入通道的AGV时间窗不变,后进入通道的AGV若与前AGV同向,时间窗无需改变;后进入通道的AGV若与前AGV反向,后AGV则需要在通道外进行等待,在前AGV离开后再进入该通道,时间窗则相应延后。
采用本申请的多AGV路径规划和调度方法,首先通过实际车间环境设置栅格地图,确定地图大小以及栅格类型,并根据客户订单需求和流水线物料数据信息,确定送料点的需求和位置;然后利用K-Means聚类方法对所有需要上料的送料点进行聚类操作,对于有送料点需求的通道,根据送料点坐标在该通道中排序,而对于没有送料点需求的通道,将该通道设置为空;接着利用聚类遗传算法进行多AGV的路径规划和调度优化,根据AGV的送料方案,采用A*补偿算法进行栅格地图间的路径规划,得到每辆AGV的路径分配方案;然后结合时间窗方法,调整各辆AGV的送料顺序和路径,避免通道内的AGV碰撞;接着利用二元锦标赛选择策略,选取父代种群中较优秀的一半个体直接作为子代种群的一部分,子代种群的另一部分则通过把剩下的父代个体进行逆转、交换和滑动三类变异操作而产生,若子代得到的当前解比父代的最优解更好的情况则用当前解取代;最后判断是否达到预先设定的终止条件。若未达到终止条件,则跳转至前面的步骤从而利用聚类遗传算法继续进行调度优化。
相比于现有技术,本申请针对实际生产车间环境下的多产线送料情况,采用了栅格地图对实际车间环境进行了建模,为了避免由于传统遗传算法的随机变异使得地图内不同通道的送料点随机排序导致绕路长度居高不下,提出了聚类遗传算法来避免绕路问题,同时采用时间窗方法避免多AGV的碰撞死锁等问题。此外本申请可使企业或工厂在给定车间生产环境和产线布局的条件下,针对多通道多送料点的情况制定车间内多AGV的路径规划和调度策略,提高AGV的送料效率和利用率,节省AGV运输成本。
附图说明
读者在参照附图阅读了本申请的具体实施方式以后,将会更清楚地了解本申请的各个方面。其中:
图1示出依据本申请的一实施方式,用于多通道多点送料的车间内的多AGV路径规划和调度方法的流程框图;
图2示出有送料需求的通道聚类后按簇分类的示意图;
图3示出单AGV的路径规划示意图;
图4为根据不同规模算例的三种算法收敛曲线的比较示意图。
具体实施方式
为了使本申请所揭示的技术内容更加详尽与完备,可参照附图以及本申请的下述各种具体实施例,附图中相同的标记代表相同或相似的组件。然而,本领域的普通技术人员应当理解,下文中所提供的实施例并非用来限制本申请所涵盖的范围。此外,附图仅仅用于示意性地加以说明,并未依照其原尺寸进行绘制。
下面参照附图,对本申请各个方面的具体实施方式作进一步的详细描述。
图1示出依据本申请的一实施方式,用于多通道多点送料的车间内的多AGV路径规划和调度方法的流程框图。图2示出有送料需求的通道聚类后按簇分类的示意图。图3示出单AGV的路径规划示意图。
参照图2,类似于进度条形状的长方形1-6分别代表有送料需求的6个通道,即通道1、通道2、通道3、通道4、通道5以及通道6。而通道7与通道8无送料需求,因此显示7簇与8簇为空。由于所有送料点的需求必须根据AGV的容量来分配,如果通道的送料需求超过了第一辆AGV的负载量,该AGV就装不下了,此时就要开始给第二辆AGV继续分配送料需求。如图2所示,根据AGV容量进行送料需求分配时,AGV1对应于通道1、通道2以及通道3的一部分,这时已达到AGV1的最大负载量;AGV2对应于通道3的另一部分、通道4以及通道5的一部分,这时已达到AGV2的最大负载量;AGV3对应于通道5的一部分以及通道6。此外,再参照图3,其中的部分栅格表示送料点,黑色的栅格区块表示障碍物,其他的大多数栅格则对应于AGV送料时的路径规划。
首先对实际生产车间环境下的多产线送料区域进行建模。建立的数学模型如下:
在长为X、宽为Y的栅格地图上存在着多条流水线,各条流水线上都存在着不同的工位,这些工位所需的物料取自各自匹配的送料点。载重量为L的多辆AGV为了满足客户订单而产生的物料需求,装好所需物料从仓库起点出发,按照路径规划遍历各个有需求的送料点完成送料,最后AGV卸货完成后返回仓库终点。运输物料的AGV的数量N以及每辆AGV需要负责的送料点M均动态地根据客户订单需求变化而变化。定义符号变量:
Pj,t|(x,y) 第j辆AGV在t时刻在栅格地图上的位置,栅格地图横轴坐标x∈[1,X],纵轴坐标y∈[1,Y]。在t+1时刻AGV行驶到下一个位置,以此类推。
M 所有需要补充物料的送料点集合。
Nj AGV集合N中的第j辆,共n辆AGV,其中j∈{1,2...n}。
Pathj 第j辆AGV的路径,Pathj中包含该辆AGV从起点到终点经过的每一个栅格点。其长度为len(Pathj)。
Mj 第j辆AGV需途径的送料点集合,该AGV共为m个送料点运送物料。
Gj 第j辆AGV所装载物料的重量。
Wj 第j辆AGV的等待时间。
V AGV统一的行驶速度。
L AGV统一的载荷。
[TT,PT]j第j辆AGV路径代表的时间窗,代表TT时刻t的AGV所处PT位置p,t∈[1,T]。
定义决策变量:
Rx,y 0-1变量,栅格地图中若栅格(x,y)为可通行即为1,否则为0。x∈[1,X],y∈[1,Y]。
Si,j 0-1变量,第j辆AGV为第i个送料点补充了物料则为1,否则为0。i∈Mj
Ft,j1,j2 0-1变量,若第j1辆AGV和第j2辆AGV在同一时刻t所处的位置p相同则为1,否则为0。
优化目标可以表示如下:
约束条件如下:
Pathj={Pstart,P1,......,Pend} (2)
Pj,t+1|x-Pj,t|x=|1|,Pj,t+1|y-Pj,t|y=|1| (3)
Pj,t+2≠Pj,t (4)
式(1)表示多AGV停留在车间的运输时间最短的路径规划和调度方案。
式(2)表示第n辆AGV的路径均以仓库起点Pstart开始,以终点Pend结束。
式(3)表示AGV只能向相邻1格的栅格移动(每次只能向上下左右方向移动一格)。
式(4)表示AGV不能前进后原地掉头返回。
式(5)表示AGV路径的每一步均在可行栅格上。
式(6)表示每一辆AGV的运载量均小于统一的载荷。
式(7)表示每一个送料点都有且仅有一辆AGV为其补充物料。
式(8)表示任意两辆AGV在同一时刻T不能处在同一个栅格内。
在该实施例中,用于多通道多点送料的车间内的多AGV路径规划和调度方法通过步骤S1~步骤S6予以实现。
步骤S1.将实际车间环境建模为对栅格地图,根据客户订单需求和流水线物料数据信息,确定送料点的需求和栅格地图上的位置,并得到聚类的数量,由于送料点都分布在各通道上,初始聚类中心必然也在各通道上。由于栅格地图上的通道呈现横向分布,单通道上的送料点纵坐标相同,横坐标不同;而多通道上的送料点横纵坐标均不同。
步骤S2.利用K-Means聚类方法对所有需要上料的送料点进行聚类,对于有送料点需求的通道(簇),可以根据送料点坐标在该簇中进行排序,而对于没有送料点需求的通道(簇),可以将该簇设置为空。具体而言,例如,可以将送料点的纵坐标设定为隶属度函数,从而使得聚类中心不会因为簇中添加了新的样本点而变化,节省了重新确定聚类中心的时间。按照上述过程将所有送料点分成数个簇,首先对所有的簇进行随机排序,得到初步的送料点顺序;随后再对各簇中的送料点进行分配,将每个簇中的送料点按照横坐标大小进行排序。由于AGV载荷L均相同,当簇中送料点的需求总和小于L时,表示该通道中所有送料点均可由一辆AGV运输;当簇中送料点的需求总和大于L时,表示该通道中送料点需要由多辆AGV进行输送,从而得到初始送料方案。
具体而言,采用K-Means聚类算法使得AGV对于送料点的选择和排序转化为对栅格地图中通道的选择和排序,K-Means聚类算法通过对象与聚类中心之间的距离进行聚类,并将距离比较相近的对象组成簇,从而得到紧凑而独立的不同的簇,具体包括:
步骤1:从混合样本中随机选取c个样本作为初始聚类中心;
步骤2:计算每个样本到每个聚类中心的距离,根据距离将样本归于离它最近的聚类中心的一簇;
步骤3:根据每个样本所属的簇,更新簇类的均值向量,确定新的聚类中心;
步骤4:对所有聚类中心和上次分类后中心比较,若两者不相同则返回步骤2,若两者相同则结束。
步骤S3.利用聚类遗传算法(COGA)进行多AGV的路径规划和调度优化,根据AGV的送料方案,采用A*补偿算法进行栅格地图间的路径规划,得到每辆AGV的路径组合方案。
需要指出的是,在该示意性的实施例中,此栅格地图中存在着大量狭长通道,由于本车间在生产活动中出于安全考虑,AGV不能在对应栅格地图中斜向两个栅格直接行驶,只能在栅格上、下、左、右行驶,导致不同通道内起点到终点的实际距离和直线距离不符,因此加入补偿函数修正误差。根据通道内起点到终点的距离和通道总长度的相互关系确定不同的补偿函数。
步骤S4.对AGV路径组合进行时间窗分析,调整各AGV的送料顺序和路径,通过在通道外进行等待来避免通道内的碰撞及死锁情况。在此,建立时间窗是指记录多辆AGV经过不同栅格的时间段。在得到所有AGV对应栅格的时间窗后,就可以清晰地描述路径资源随着时间变化的占用情况。在多AGV同时行驶的过程中,若发现同一时间占据了同一块栅格或者同一段路径,则确定发生了重复占用的问题。对时间窗进行相应地调整和重新设计,从而能解决冲突、拥堵、碰撞等问题。
详细而言,当送料过程中某条通道出现相向冲突时,获取此通道两侧栅格坐标,将其作为此通道进出口检测点。由于AGV在途径通道时,会在各个AGV的时间窗上留下两条经过通道进出口检测点的记录。遍历所有AGV时间窗检测点记录,按照通道数和进出通道方向分组,便得到各通道的单向拥挤时间段。较佳地,如果实际车间环境的通道狭窄,同一时间只能允许单独一辆AGV进行通行,还可设立等待检测机制,保持先进入通道的AGV时间窗不变。后进入通道的AGV若与前AGV同向,时间窗无需改变;若与前AGV反向,后AGV则需要在通道外进行等待,等待前AGV离开这个通道后再进入,时间窗则相应延后。如此一来,采用上述时间窗方法,可以合理分配多AGV的行驶顺序和等待时间,避免多辆AGV在通道内发生碰撞。调整之后,可以得到所有AGV的总等待时间,结合路径长度,即得到适应度函数值。
步骤S5.利用二元锦标赛选择策略,选取父代种群中较优秀的一半个体直接作为子代种群的一部分,子代种群的另一部分则通过把剩下的父代个体进行逆转、交换和滑动三类变异操作而产生,具体过程如表1的逆转操作、表2的交换操作、表3的滑动操作所示。其中顺序编号为原染色体的各个基因位。
表1逆转操作
染色体逆转操作如下:首先在该染色体内顺序编号中随机选择两个数(1,4),将这两个随机数代表的染色体之间基因[A1,B1,C1,A2]均进行翻转,将新的基因[A2,C1,B1,A1]重新填入原有的位置中,得到新的染色体[A2,C1,B1,A1,B2,A3]。
表2交换操作
染色体交换操作如下:首先在该染色体内顺序编号中随机选择两个数(3,6),将这两个随机数代表的染色体的基因[A3]和[C1]进行交换,得到新的染色体[A1,B1,A3,A2,B2,C1]。
表3滑动操作
染色体滑动操作如下:首先需要将初始染色体复制一份,构成首尾相连的新染色体,即[A1,B1,C1,A2,B2,A3,A1,B1,C1,A2,B2,A3],其次在该染色体内顺序编号中随机选择某个数(3),让新染色体从该位开始往后根据初始染色体长度重新计算,便得到了新的染色体[C1,A2,B2,A3,A1,B1]。若子代得到的当前解比父代的最优解更好的情况则用当前解取代;若未达到终止条件,则返回步骤S3继续优化。直至最终得到合理的多AGV调度方案和送料路径。
图4为根据不同规模算例的三种算法收敛曲线的比较示意图。为了通过比较测试算法的性能,分别对聚类遗传算法(COGA)、遗传退火算法(GASA)和改进遗传算法(IGA),在不同规模的送料点的需求情况下,重复多次进行模拟,进行多组仿真对比。按照每批次订单生产的产品数量将其分成不同的规模,因为车间一共可以生产30种不同的产品,但是每批次订单只需要生产其中数种,根据订单需要生产产品的规模构成数据集,根据产品种类分成规模5,规模10,规模15,规模20,规模25,规模30,每种规模下随机生产各自对应数量产品若干(数量限制在50以内)。对每类算例,用上述三种算法分别得到满足其送料点的物料总需求,制定AGV调度计划以及路径规划,进行性能对比。
如图4所示,COGA算法由于对初始种群采取了处理,初始解的适应度函数比起GASA算法以及IGA算法更加的优秀,如(c)中COGA算法与GASA算法的初始解几乎相同,同时比IGA算法的初始解更优,而在(a)和(e)中COGA算法在更早迭代出了比GASA算法及IGA算法更加优秀的最优解。因为COGA算法对于染色体在基因变异初期有着较为明显的约束,在获取较为稳定的少绕行的路径规划时,牺牲了一部分的初期探索效率。从图4中可以看出,大部分例子中COGA算法迭代到其设置迭代的一半时,基本已经得到了最优解((f)得到最优解迭代次数相对较多),收敛速度和效率明显快于其他两种算法。因此相对于其他算法,COGA算法具有更好的解决多通道车间中多AGV的路径规划和调度问题的能力,其稳定性和收敛能力均较优,且由于COGA算法对染色体的基因变异进行了改进,因此具有较优的初始解选取能力和全局搜索能力。
本实验选择算法的相对百分比偏差最优值(BRPD)进行评估,实验结果如表4所示,同算例情况下的最优值加粗表示。BRPD的计算公式如下:
其中ck表示算法的第k次的运算结果,c*表示同样条件下三种算法得到的最优值。
表4多规模的测试数据集的不同算法性能对比表
从表中的数据可以看出,COGA算法初始解BRPD的平均值为0.07,GASA算初始解BRPD的平均值为1.18,IGA初始解BRPD的平均值为1.21。另外,COGA最优解BRPD的平均值为0.00,GASA最优解BRPD的平均值为1.22,IGA最优解BRPD的平均值为1.26。如表4所示,在不同规模的情况中,COGA算法几乎都得出了最小的初始解BRPD值以及是最小的最优解BRPD值,由此可说明COGA算法相较于其他两种算法更能得出较优解。同时可以看出,IGA算法无论是初始解BRPD值或最优解BRPD值均在三种算法中最大,这也体现了COGA算法的有效性与可靠性。由此可见本发明的方法和系统性能良好,可以为多通道多点送料的多AGV的路径规划和调度提供一种可行且有效的方案。
相比于现有技术,本申请针对实际生产车间环境下的多产线送料情况,采用了栅格地图对实际车间环境进行了建模,为了避免由于传统遗传算法的随机变异使得地图内不同通道的送料点随机排序导致绕路长度居高不下,提出了聚类遗传算法来避免绕路问题,同时采用时间窗方法避免多AGV的碰撞死锁等问题。此外本申请可使企业或工厂在给定车间生产环境和产线布局的条件下,针对多通道多送料点的情况制定车间内多AGV的路径规划和调度策略,提高AGV的送料效率和利用率,节省AGV运输成本。
上文中,参照附图描述了本申请的具体实施方式。但是,本领域中的普通技术人员能够理解,在不偏离本申请的精神和范围的情况下,还可以对本申请的具体实施方式作各种变更和替换。这些变更和替换都落在本申请权利要求书所限定的范围内。
Claims (6)
1.一种多AGV的路径规划和调度方法,适用于多通道多点送料的车间,其特征在于,所述方法按照如下步骤进行:
S1.通过实际车间环境设置栅格地图,确定地图大小以及栅格类型,并根据客户订单需求和流水线物料数据信息,确定送料点的需求和位置;
S2.利用K-Means聚类方法对所有需要上料的送料点进行聚类操作,对于有送料点需求的通道,根据送料点坐标在该通道中排序,而对于没有送料点需求的通道,将该通道设置为空;
S3.利用聚类遗传算法进行多AGV的路径规划和调度优化,根据AGV的送料方案,采用A*补偿算法进行栅格地图间的路径规划,得到每辆AGV的路径分配方案;
S4.结合时间窗方法,调整各辆AGV的送料顺序和路径;
S5.利用二元锦标赛选择策略,选取父代种群中较优秀的一半个体直接作为子代种群的一部分,子代种群的另一部分则通过把剩下的父代个体进行逆转、交换和滑动三类变异操作而产生,若子代得到的当前解比父代的最优解更好的情况则用当前解取代;
S6.若未达到终止条件,则跳转至S3继续进行调度优化。
2.根据权利要求1所述的方法,其特征在于,根据步骤S1,将实际场景中的车间地形划分为大小相等而相互独立的正方形栅格,用数字地图来表示,其中根据产线设置将栅格分为可行栅格和不可行栅格,可行栅格的值设置为数字0,表示AGV可进入此栅格;不可行栅格的值设置为数字1,表示AGV无法进入此栅格。
3.根据权利要求1所述的方法,其特征在于,根据步骤S2,采用K-Means聚类算法使得AGV对于送料点的选择和排序转化为对栅格地图中通道的选择和排序,K-Means聚类算法通过对象与聚类中心之间的距离进行聚类,并将距离比较相近的对象组成簇,从而得到紧凑而独立的不同的簇,具体包括步骤:
步骤1:从混合样本中随机选取c个样本作为初始聚类中心;
步骤2:计算每个样本到每个聚类中心的距离,根据距离将样本归于离它最近的聚类中心的一簇;
步骤3:根据每个样本所属的簇,更新簇类的均值向量,确定新的聚类中心;
步骤4:对所有聚类中心和上次分类后中心比较,若两者不相同则返回步骤2,若两者相同则结束。
4.根据权利要求1所述的方法,其特征在于,根据步骤S3,得到多个送料点位置簇之后,按照簇的随机排序与送料点排序方向重新排列后得到送料点初始分配集合,将送料点各自需求量与AGV规定载荷进行比较统计,按照AGV载荷进行分割,形成每辆AGV的送料方案。
5.根据权利要求1所述的方法,其特征在于,根据步骤S4,AGV在途径通道时,于通道进出口留下时间记录,同一时间只能允许单独一辆AGV进行通行。
6.根据权利要求5所述的方法,其特征在于,步骤S4还包括:设立等待检测机制,保持先进入通道的AGV时间窗不变,后进入通道的AGV若与前AGV同向,时间窗无需改变;后进入通道的AGV若与前AGV反向,后AGV则需要在通道外进行等待,在前AGV离开后再进入该通道,时间窗则相应延后。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737708.4A CN116644936A (zh) | 2023-06-20 | 2023-06-20 | 一种多agv的路径规划和调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737708.4A CN116644936A (zh) | 2023-06-20 | 2023-06-20 | 一种多agv的路径规划和调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644936A true CN116644936A (zh) | 2023-08-25 |
Family
ID=87618925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310737708.4A Pending CN116644936A (zh) | 2023-06-20 | 2023-06-20 | 一种多agv的路径规划和调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644936A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078149A (zh) * | 2023-10-12 | 2023-11-17 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117314283A (zh) * | 2023-10-16 | 2023-12-29 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
-
2023
- 2023-06-20 CN CN202310737708.4A patent/CN116644936A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078149A (zh) * | 2023-10-12 | 2023-11-17 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117078149B (zh) * | 2023-10-12 | 2024-02-02 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117314283A (zh) * | 2023-10-16 | 2023-12-29 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
CN117314283B (zh) * | 2023-10-16 | 2024-04-19 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116644936A (zh) | 一种多agv的路径规划和调度方法 | |
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 | |
CN108550007A (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
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 | |
CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
CN110543171B (zh) | 一种基于改进bp神经网络的仓储多agv路径规划方法 | |
CN111027911B (zh) | 一种自动化物流仓储运输调度系统 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
Guney et al. | Dynamic prioritized motion coordination of multi-AGV systems | |
CN112488386B (zh) | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 | |
CN111199375B (zh) | 一种智能化物流运输系统 | |
CN116203959A (zh) | 基于hac算法的机器人路径规划方法及系统 | |
CN113673922A (zh) | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 | |
Hu et al. | Conflict-free scheduling of large-scale multi-load AGVs in material transportation network | |
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
Wang et al. | Simulation-based optimisation of logistics distribution system for an assembly line with path constraints | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN111368999A (zh) | 一种物流调度系统 | |
CN113780676A (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
Luo et al. | An efficient simulation model for layout and mode performance evaluation of robotic mobile fulfillment systems | |
CN112989696A (zh) | 一种基于移动机器人的自动拣选系统货位优化方法及系统 | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
CN112836846B (zh) | 一种卷烟发货多库点多方向联运调度双层优化算法 | |
CN115358455A (zh) | 考虑电池更换和混合时间窗约束的电动车路径优化方法 | |
Liu et al. | Mixed-integer programming model and hybrid immune clone select algorithm for multi-objective double floor corridor allocation problem with vertical conveyor |
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 |