CN116880424A - 一种基于多目标优化的多机器人调度方法以及装置 - Google Patents
一种基于多目标优化的多机器人调度方法以及装置 Download PDFInfo
- Publication number
- CN116880424A CN116880424A CN202311076923.0A CN202311076923A CN116880424A CN 116880424 A CN116880424 A CN 116880424A CN 202311076923 A CN202311076923 A CN 202311076923A CN 116880424 A CN116880424 A CN 116880424A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- robot
- objective function
- target
- 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 49
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 78
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 4
- 230000008569 process Effects 0.000 abstract description 17
- 238000007599 discharging Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 206010064571 Gene mutation Diseases 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- General Factory Administration (AREA)
Abstract
本申请涉及一种基于多目标优化的多机器人调度机器人方法以及装置,涉及机器人技术领域,该方法包括以下步骤:以各个机器人执行任务所消耗时间构建第一目标函数,以各个机器人执行任务的失败率构建第二目标函数;获取若干个可行性多机器人调度方案;以第一目标函数以及第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;将最优解对应的最优多机器人调度方案发送至相对应的目标机器人,采用本方法通过非支配排序遗传算法对多目标函数优化问题进行求解,并在迭代过程中保证种群中的精英个体数量,最终得到一组帕累托最优解,该帕累托最优解综合考虑所有目标函数而得出的最优解,从而提高了运用多台机器人运送上下料的调度效率。
Description
技术领域
本申请涉及机器人技术领域,具体涉及一种基于多目标优化的多机器人调度方法及装置。
背景技术
在工业场景中,机器人能够完成物料分拣、搬运、上下料等工作,其目标包括替代人工、提升产线自动化程度、提升产品ROI。人机协同是机器人的功能之一,也是应用机器人的重要目标之一,在保障人员安全、稳定生产节拍、生产线系统化管理等方面具有重要价值。然而极端、恶劣环境是工业生产中不可避免的,如高温、高湿、高噪声、强震动、粉尘、有毒化工环境等,降低人员的工作效率、威胁人员的人身安全。在这种极端、恶劣的生产环境中,用机器人替代人工,使原本位于现场的工作人员远离危险的现场环境,通过人机协同工作的方法,完成工业生产的工作,可保障人员安全、提升工作效率。
机器人在工业场景下的典型示范应用包括数控车床的自动上料工作、底盘稳定工作等。目前工业现场普遍采用人工方式完成上下料工作,典型场景为一名工人同时管理数十台数控机床。随着工厂规模的扩大,机床的数量会不断增加,若继续采用人工管理机床的方式,必然引入更多的工人。综合上述讨论,采用机器人进行机床上下料工作是工业场景自动化提升的直接方式。这里以数控车床为工作对象,使用机器人执行物料的上料动作。
机器人任务目标是自动向机床提供毛坯料,工作内容是进行毛坯料的自动上料工作。在这个工作中,机器人将毛坯料放置于自动上下料系统的毛坯托盘在机器人执行机床上下料工作时,工作的成功率与节拍是评价机器人工作的重要指标。在多目标优化的场景下,传统遗传算法在大多数情况下无法求出一组解相对于所有目标函数都为最优,并且会出现算法无法收敛或最终收敛至局部最优解。在很多场景下,解决多目标优化问题的方式是,根据特定权重系数将多目标函数的函数值取平均值,从而将目标函数的向量标量化,进而将多目标优化问题转化为单目标优化问题。标量化的过程可以在很大程度上简化算法的复杂度,但是最终所得结果在很大程度上由标量化时使用的权重系数决定,同时无法获得其他可选择的解。
发明内容
本申请提供一种基于多目标优化的多机器人调度方法及装置,使用非支配排序遗传算法对多目标函数优化问题进行求解,相较于传统的遗传算法,该算法通过非支配排序算法同时考虑多个目标函数,而不是将多个目标函数合并成一个目标函数,综合考虑所有目标函数而得出的最优解,从而提高了运用多台机器人运送上下料的调度效率。为实现上述目的,本申请提供以下方案:
第一方面,本申请提供了一种基于多目标优化的多机器人调度方法,所述方法包括以下步骤:
基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个所述机器人执行任务的失败率构建第二目标函数;
获取若干个可行性多机器人调度方案;
以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;
将所述最优解对应的最优多机器人调度方案发送至相对应的目标机器人,以使所述目标机器人按照所述最优多机器人调度方案执行任务。
进一步的,所述获取若干个可行性多机器人调度方案,包括以下步骤:
在所述第一目标函数的定义域内,计算出全部可行性的多机器人调度方案集;
按照预设间隔值,从所述多机器人调度方案集中选取若干个多机器人调度方案。
进一步的,所述对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组,还包括以下步骤:对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组;按照各个所述个体组的优先级降序排列,依次选择个体组加入下一代种群,直至所述下一代种群中的个体数量与初始种群的个体数量一致;基于所述下一代种群中个体的收敛性,获取最优解。
进一步的,所述对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组,包括以下步骤:获取所述中间种群中各个个体对应的第一目标值与第二目标值;基于所述第一目标值以及所述第二目标值,获取各个所述个体的支配数以及支配解集,再基于所述支配数为0的个体,生成第一体组;基于所述第一体组中支配数为1的个体,生成第二体组;基于第k体组中支配数为k的个体,生成第k体组;直至所述中间种群中的所有个体均被分组,则停止分组。
进一步的,所述按照各个所述个体组的优先级降序排列,依次选择个体组加入下一代种群,直至所述下一代种群中的个体数量与初始种群的个体数量一致,包括以下步骤:按照各个所述个体组的优先级降序排列,依次选择若干目标个体组加入下一代种群中,直至若干个所述目标个体组的个体总量不小于初始种群的个体数量,输出最后加入目标个体组;当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则所述下一代种群为若干所述目标个体组的集合;当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则获取所述最后加入目标个体组中各个个体的拥挤度;将所述目标个体组中各个个体按照所述拥挤度降序排列,并从中依次挑选若干个体加入所述下一代种群,直至所述下一代种群中的个体数量与所述初始种群的个体数量一致。
进一步的,所述基于所述下一代种群中个体的收敛性,获取最优解,包括以下步骤:当所述下一代种群中的上下界停止变化时,则判定所述下一代种群收敛,并输出所述下一代种群中的帕累托最优解。
第二方面,本申请提供了一种基于多目标优化的多机器人调度装置,所述装置包括:
目标函数构建模块,其用于基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个所述机器人执行任务的失败率构建第二目标函数;
可行性方案获取模块,其用于获取若干个可行性多机器人调度方案;
求解模块,其用于以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;
执行模块,其用于将所述最优解集对应的最优多机器人调度方案发送至相对应的目标机器人,以使所述目标机器人按照所述最优多机器人调度方案执行任务。
进一步的,所述可行性方案获取模块包括:
方案集获取子模块,其用于在所述第一目标函数的定义域内,计算出全部可行性的多机器人调度方案集;
选取子模块,其用于按照预设间隔值,从所述多机器人调度方案集中选取若干个多机器人调度方案。
进一步的,所述求解模块包括:
编码方式获取子模块,其用于基于目标函数的定义域以及求解解集的目标精度,获取初始种群的个体的基因编码方式;
初始种群获取子模块,其用于基于所述基因编码方式对所述多机器人调度方案进行编码,获取初始种群;
子种群获取子模块,其用于利用锦标赛算法从所述初始种群中选取至少两个最优个体,再对所述最优个体进行交叉与变异,获取所述初始种群的子种群;
中间种群子模块,其用于重复上述选择、交叉与变异的步骤,直至所述子种群中的个体数量与初始种群中的个体数量一致,将所述初始种群与所述子种群合并形成中间种群。
进一步的,所述求解模块还包括:
分组子模块,其用于对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组;
种群生成子模块,其用于按照各个所述个体组的优先级降序排列,依次选择个体组加入下一代种群,直至所述下一代种群中的个体数量与初始种群的个体数量一致;
最优解获取子模块,其用于基于所述下一代种群中个体的收敛性,获取最优解。
进一步的,所述分组子模块,包括:
目标值获取单元,其用于获取所述中间种群中各个个体对应的第一目标值与第二目标值;
第一体组生成单元,其用于基于所述第一目标值以及所述第二目标值,获取各个所述个体的支配数以及支配解集,再基于所述支配数为0的个体,生成第一体组;
第二体组生成单元,其用于基于所述第一体组中支配数为1的个体,生成第二体组;
第k体组生成单元,其用于基于第k体组中支配数为k的个体,生成第k体组,直至所述中间种群中的所有个体均被分组,则停止分组。
进一步的,所述种群生成模块还包括:
按照各个所述个体组的优先级降序排列,依次选择若干目标个体组加入下一代种群中,直至若干个所述目标个体组的个体总量不小于初始种群的个体数量,输出最后加入目标个体组;
当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则所述下一代种群为若干所述目标个体组的集合;
当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则获取所述最后加入目标个体组中各个个体的拥挤度;
将所述目标个体组中各个个体按照所述拥挤度降序排列,并从中依次挑选若干个体加入所述下一代种群,直至所述下一代种群中的个体数量与所述初始种群的个体数量一致。
进一步的,所述最优解获取子模块,还用于当所述下一代种群中的上下界停止变化时,则判定所述下一代种群收敛,并输出所述下一代种群中的帕累最优解。
本申请提供的技术方案带来的有益效果包括:
本申请中服务器基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个机器人执行任务的失败率构建第二目标函数;获取若干个可行性多机器人调度方案;以第一目标函数以及第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;将最优解对应的最优多机器人调度方案发送至相对应的目标机器人,以使目标机器人按照最优多机器人调度方案执行任务。本方法通过非支配排序遗传算法对多目标函数优化问题进行求解,相较于传统的遗传算法,该算法通过非支配排序算法同时考虑多个目标函数,而不是将多个目标函数合并成一个目标函数在迭代过程中保证种群中的精英个体数量,最终得到一组帕累托最优解,该帕累托最优解综合考虑所有目标函数而得出的最优解,从而提高了运用多台机器人运送上下料的调度效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中提供的基于多目标优化的多机器人调度方法的步骤流程图;
图2为本申请实施例中提供的求解步骤的步骤流程。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图对本申请的实施例作进一步详细说明。
参见图1所示,一种基于多目标优化的多机器人调度方法,该方法包括以下步骤:
S1、基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个机器人执行任务的失败率构建第二目标函数;
在本实施例的应用场景中,机器人的任务目标是自动向机床提供坯料,工作内容是将毛坯料放置于自动上下料系统的毛坯托盘上,而在在机器人执行机床上下料工作时,每一机器人工作的成功率与效率是评价机器人工作完成情况的重要指标,因此可以利用任务执行的失败率、任务执行的时间消耗两个维度来对机器人工作完成情况进行评价。
具体地,服务器根据各机器人执行任务所消耗时间构建第一目标优化函数,再根据各机器人执行任务的失败率构建第二目标优化函数。
S2、获取若干个可行性多机器人调度方案;
其中,多机器人调度方案是指由单个机器人或者多个机器人协作完成的目标任务的调度方案。
具体地,服务器在第一目标函数以及第二目标函数的共同定义域内计算出所有具体可行性的多机器人调度方案,然后按照预设间隔值,从多机器人调度方案集中选取若干个多机器人调度方案。
S3、以第一目标函数以及第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解。
其中,改进后的非支配排序遗传算法是基于NSGA-II算法框架改进的。
该算法流程包括:基于目标函数的定义域以及求解解集的目标精度,获取初始种群的个体的基因编码方式;基于基因编码方式对多机器人调度方案进行编码,获取初始种群;利用锦标赛算法从初始种群中选取至少两个最优个体,再对最优个体进行交叉与变异,获取初始种群的子种群;重复上述选择、交叉与变异的步骤,直至子种群中的个体数量与初始种群中的个体数量一致,将初始种群与子种群合并形成中间种群。
对中间种群进行快速非支配排序,将全新种群中的个体分割为若干优先级不同的个体组;按照各个个体组的优先级降序排列,依次选择个体组加入下一代种群,直至下一代种群中的个体数量与初始种群的个体数量一致;基于下一代种群中个体的收敛性,获取最优解。
S4、将最优解对应的最优多机器人调度方案发送至相对应的目标机器人,以使目标机器人按照所述最优多机器人调度方案执行任务。
服务器将S3根据的最优解对应的多机器人调度方案,向目标机器人发送运行指令,目标机器人接收到运行指令后执行任务。
在本实施例中,通过非支配排序遗传算法对多目标函数优化问题进行求解,相较于传统的遗传算法,该算法通过非支配排序算法同时考虑多个目标函数,而不是将多个目标函数合并成一个目标函数在迭代过程中保证种群中的精英个体数量,最终得到一组帕累托最优解,该帕累托最优解综合考虑所有目标函数而得出的最优解,从而提高了运用多台机器人运送上下料的调度效率。
在一实施例中,如图2所示,步骤S3包括:
S301、基于目标函数的定义域以及求解解集的目标精度,获取初始种群的个体的基因编码方式;
在运行改进后的非支配排序遗传算法之前,首先需要对算法模块进行初始化,初始化过程包括:设置多目标优化问题的目标函数、确定基因的编码方式、设置遗传参数等。
其中,设置多目标优化问题的目标函数可以根据具体的优化问题自由设置,在本算法中,无需对多目标函数进行归一化处理,在迭代过程中将同时考虑所有目标函数的影响,从而保留下帕累托最优解,避免了最终解收敛至某一目标函数的最优解而忽略其余目标函数的情况。
由于个体基因根据待求解的问题进行编码,编码方式会对算法迭代过程中变异、交叉算法的复杂度、编码及解码方式以及最终解的精度等方面产生影响。常见的基因编码方式包括二进制编码、实数编码、格雷码、字符串等。在本实施例中,待求解问题的解属于实数空间,将实数解根据优化问题的约束条件以及解的精度要求转化特定的二进制编码格式,避免了使用原码时数字0的歧义或者使用补码、反码时转换真值较为复杂的问题。基因在编码后便于遗传过程中的交叉、变异操作,同时,基因的编码与解码过程中避免了精度丢失,以确保求解精度。
具体地,假设区间为[a,b],区间长度为L,要求保留d位有效数字,完整区间则需要被均匀切分为L×10d个区间。由于最终需要将实数转换为二进制格式的基因,则基因长度l需要满足:
2l-1<L×10d<2l
因此,区间的最小值的二进制编码对应为<00000......0>,最大值的二进制编码对应为<11111......1>。
在编码过程中,首先将实数转化为十进制正数:
再将十进制正数转化为二进制数:
xbinary=decimal_to_binary(xdecimal)
使用该编码方式避免了正负小数在转化为二进制时需要处理符号位的问题,简化了二进制码的解码过程,便于后序的选择、交叉、变异操作。
S302、基于基因编码方式对多机器人调度方案进行编码,获取初始种群;
S303、利用锦标赛算法从初始种群中选取至少两个最优个体,再对最优个体进行交叉与变异,获取初始种群的子种群;
其中,子种群由其父种群中的个体进行选择、交叉以及变异后组成。选择过程采用锦标赛算法,即选择若干个体(至少两个)作为参赛个体,通过最少次数的比较得出最优个体。
出于确保种群个体多样性的考虑,最优个体指参赛个体拥有最低拥挤度的个体。交叉过程的发生由基因交叉概率控制,避免过多基因交叉导致算法收敛速度缓慢或无法收敛。当基因交叉发生时,两个个体的某一段基因发生交换。变异过程的发生由基因变异概率、发生变异的基因个数以及基因变异强度控制,避免过多基因变异导致算法收敛速度缓慢或无法收敛。当基因变异发生时,个体的某几个基因发生改变,若基因为二进制编码,0变为1,1变为0。
S304、重复上述选择、交叉与变异的步骤,直至子种群中的个体数量与初始种群中的个体数量一致,将初始种群与子种群合并形成中间种群。
当子种群中的个体数量未达到时,重复选择、交叉、变异的过程,直到种群数量等于N,将父种群Pt与子种群Qt结合形成新种群Rt=Pt∪Qt,在此处将父、子种群中的个体全都保留,以确保精英个体不会丢失。新种群Rt中个体数量为2N。
S305、对中间种群进行快速非支配排序,将全新种群中的个体分割为若干优先级不同的个体组;
首先,获取中间种群中各个个体对应的第一目标值与第二目标值;基于第一目标值以及第二目标值,获取各个个体的支配数以及支配解集,再基于支配数为0的个体,生成第一体组;基于第一体组中支配数为1的个体,生成第二体组;基于第k体组中支配数为k的个体,生成第k体组;直至中间种群中的所有个体均被分组,则停止分组。
S306、按照各个个体组的优先级降序排列,依次选择个体组加入下一代种群,直至下一代种群中的个体数量与初始种群的个体数量一致;
按照各个个体组的优先级降序排列,依次选择若干目标个体组加入下一代种群中,直至若干个目标个体组的个体总量不小于初始种群的个体数量,输出最后加入目标个体组;当若干目标个体组的个体总量等于初始种群的个体数量,则下一代种群为若干目标个体组的集合;当若干目标个体组的个体总量等于初始种群的个体数量,则获取最后加入目标个体组中各个个体的拥挤度;将目标个体组中各个个体按照拥挤度降序排列,并从中依次挑选若干个体加入下一代种群,直至下一代种群中的个体数量与初始种群的个体数量一致。
S307、基于下一代种群中个体的收敛性,获取最优解。
当下一代种群中的上下界停止变化或者迭代次数达到迭代上限值时,则判定下一代种群收敛,并输出下一代种群中的帕累最优解。
在本实施例中,通过使用快速非支配排序算法以及个体拥挤度算法,在考虑所有目标函数的同时,将随机生成的初始解收敛至目标问题的非支配区间内,而并非收敛至某一个目标函数的局部最优解。
在一申请实施例中,步骤S305还包括:
S3051、获取中间种群中各个个体对应的第一目标值与第二目标值;
S3052、基于第一目标值以及第二目标值,获取各个个体的支配数以及支配解集,再基于支配数为0的个体,生成第一体组;
具体地,根据各个个体的第一目标值以及第二目标值获取每一个体的支配数np以及支配解集Sp,其中,支配数为中间种群中支配解的总数,支配解集时中间种群中该解所支配的解组成的集合,从中间种群中选取讲支配数为0的个体,组成第一体组,此时第一体组中包含了本轮迭代中所有的非支配解,也可以称为帕累托最优解。
S3053、基于第一体组中支配数为1的个体,生成第二体组;
S3054、基于第k体组中支配数为k的个体,生成第k体组;
S3055、直至中间种群中的所有个体均被分组,则停止分组。
在本实施例中,通过快速非支配排序算法,即可在算法迭代过程中,同时考虑所有目标函数并且将针对该优化问题的帕累托最优解进行保留并将这些解优先加入下一轮迭代,从而实现了最终输出的解都收敛至目标函数的非支配区间内。
在一申请实施例中,步骤S306包括以下步骤:
S3061、按照各个个体组的优先级降序排列,依次选择若干目标个体组加入下一代种群中,直至若干个目标个体组的个体总量不小于初始种群的个体数量,输出最后加入目标个体组;
在完成快速非支配排序后,第一体组中包含了种群Rt中的最优个体,因此这些个体的优先级必须高于其余个体,优先加入下一代种群Pt+1中,由于体组必须完整地添加下一代种群中,所以会导致最后加入的目标个体组后的个体总量超过初始种群的个体数量,因此需要对最后加入的目标个体组内的个体进行筛选。
S3062、当若干目标个体组的个体总量等于初始种群的个体数量,则下一代种群为若干所述目标个体组的集合;
S3063、当若干目标个体组的个体总量大于初始种群的个体数量,则获取最后加入目标个体组中各个个体的拥挤度;
其中,个体拥挤度是指目标解与其相邻解之间的欧氏距离。
S3064、将目标个体组中各个个体按照拥挤度降序排列,并从中依次挑选若干个体加入下一代种群,直至下一代种群中的个体数量与初始种群的个体数量一致。
在本实施例中,尽可能将个体拥挤度低的解加入下一轮迭代,以确保解的多样性。
需要说明的是,本申请实施例中的各步骤的步骤标号,其并不限制本申请技术方案中各操作的前后顺序。
第二方面,基于与基于多目标优化的多机器人调度方法实时例相同的发明构思,本申请实施例提供一种基于多目标优化的多机器人调度装置,该装置包括:
目标函数构建模块,其用于基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个所述机器人执行任务的失败率构建第二目标函数;
可行性方案获取模块,其用于获取若干个可行性多机器人调度方案;
求解模块,其用于以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;
执行模块,其用于将所述最优解集对应的最优多机器人调度方案发送至相对应的目标机器人,以使所述目标机器人按照所述最优多机器人调度方案执行任务。
需要说明的是,本申请实施例提供的基于多目标优化的多机器人调度装置,其对应的技术问题、技术手段以及技术效果,从原理层面与基于多目标优化的多机器人调度方法的原理类似。
需要说明的是,在本申请中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多目标优化的多机器人调度方法,其特征在于,所述方法包括以下步骤:
基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个所述机器人执行任务的失败率构建第二目标函数;
获取若干个可行性多机器人调度方案;
以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;
将所述最优解对应的最优多机器人调度方案发送至相对应的目标机器人,以使所述目标机器人按照所述最优多机器人调度方案执行任务。
2.如权利要求1所述基于多目标优化的多机器人调度方法,其特征在于,所述获取若干个可行性多机器人调度方案,包括以下步骤:
在目标函数的定义域内,计算出全部可行性的多机器人调度方案集;
按照预设间隔值,从所述多机器人调度方案集中选取若干个多机器人调度方案。
3.如权利要求1所述基于多目标优化的多机器人调度方法,其特征在于,所述以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解,包含以下步骤:
基于目标函数的定义域以及求解解集的目标精度,获取初始种群的个体的基因编码方式;
基于所述基因编码方式对所述多机器人调度方案进行编码,获取初始种群;
利用锦标赛算法从所述初始种群中选取至少两个最优个体,再对所述最优个体进行交叉与变异,获取所述初始种群的子种群;
重复上述选择、交叉与变异的步骤,直至所述子种群中的个体数量与初始种群中的个体数量一致,将所述初始种群与所述子种群合并形成中间种群。
4.如权利要求3所述基于多目标优化的多机器人调度方法,其特征在于,所述对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组,还包括以下步骤:
对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组;
按照各个所述个体组的优先级降序排列,依次选择个体组加入下一代种群,直至所述下一代种群中的个体数量与初始种群的个体数量一致;
基于所述下一代种群中个体的收敛性,获取最优解。
5.如权利要求4所述基于多目标优化的多机器人调度方法,其特征在于,所述对所述中间种群进行快速非支配排序,将所述全新种群中的个体分割为若干优先级不同的个体组,包括以下步骤:
获取所述中间种群中各个个体对应的第一目标值与第二目标值;
基于所述第一目标值以及所述第二目标值,获取各个所述个体的支配数以及支配解集,再基于所述支配数为0的个体,生成第一体组;
基于所述第一体组中支配数为1的个体,生成第二体组;
基于第k体组中支配数为k的个体,生成第k体组;
直至所述中间种群中的所有个体均被分组,则停止分组。
6.如权利要求4所述基于多目标优化的多机器人调度方法,其特征在于,所述按照各个所述个体组的优先级降序排列,依次选择个体组加入下一代种群,直至所述下一代种群中的个体数量与初始种群的个体数量一致,包括以下步骤:
按照各个所述个体组的优先级降序排列,依次选择若干目标个体组加入下一代种群中,直至若干个所述目标个体组的个体总量不小于初始种群的个体数量,输出最后加入目标个体组;
当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则所述下一代种群为若干所述目标个体组的集合;
当若干所述目标个体组的个体总量等于所述初始种群的个体数量,则获取所述最后加入目标个体组中各个个体的拥挤度;
将所述目标个体组中各个个体按照所述拥挤度降序排列,并从中依次挑选若干个体加入所述下一代种群,直至所述下一代种群中的个体数量与所述初始种群的个体数量一致。
7.如权利要求3所述基于多目标优化的多机器人调度方法,其特征在于,所述基于所述下一代种群中个体的收敛性,获取最优解,包括以下步骤:
当所述下一代种群中的上下界停止变化时,则判定所述下一代种群收敛,并输出所述下一代种群中的帕累最优解。
8.一种基于多目标优化的多机器人调度装置,其特征在于,所述装置包括:
目标函数构建模块,其用于基于各个机器人执行任务所消耗时间构建第一目标函数,再基于各个所述机器人执行任务的失败率构建第二目标函数;
可行性方案获取模块,其用于获取若干个可行性多机器人调度方案;
求解模块,其用于以所述第一目标函数以及所述第二目标函数为优化目标,利用改进后的非支配排序遗传算法求解出最优解;
执行模块,其用于将所述最优解集对应的最优多机器人调度方案发送至相对应的目标机器人,以使所述目标机器人按照所述最优多机器人调度方案执行任务。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076923.0A CN116880424A (zh) | 2023-08-24 | 2023-08-24 | 一种基于多目标优化的多机器人调度方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076923.0A CN116880424A (zh) | 2023-08-24 | 2023-08-24 | 一种基于多目标优化的多机器人调度方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116880424A true CN116880424A (zh) | 2023-10-13 |
Family
ID=88268378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311076923.0A Pending CN116880424A (zh) | 2023-08-24 | 2023-08-24 | 一种基于多目标优化的多机器人调度方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880424A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151428A (zh) * | 2023-10-27 | 2023-12-01 | 泉州装备制造研究所 | 一种基于nsga-ii的经编机备料规划方法 |
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
CN117841006B (zh) * | 2024-03-06 | 2024-05-28 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
-
2023
- 2023-08-24 CN CN202311076923.0A patent/CN116880424A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151428A (zh) * | 2023-10-27 | 2023-12-01 | 泉州装备制造研究所 | 一种基于nsga-ii的经编机备料规划方法 |
CN117151428B (zh) * | 2023-10-27 | 2024-03-01 | 泉州装备制造研究所 | 一种基于nsga-ii的经编机备料规划方法 |
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
CN117841006B (zh) * | 2024-03-06 | 2024-05-28 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320057B (zh) | 一种基于有限制稳定配对策略的柔性作业车间调度方法 | |
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN110070235B (zh) | 一种多移动机器人的柔性调度方法 | |
CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN107065803B (zh) | 基于可变重调度区间的柔性作业车间动态调度方法 | |
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 | |
CN111079987A (zh) | 基于遗传算法的半导体车间生产调度方法 | |
CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
Zhang et al. | Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
Mahmudy et al. | Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms-part 1: Modelling and representation | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
CN109669423B (zh) | 基于改进多目标灰狼算法获得零件加工最优调度方案的方法 | |
CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
CN112381343A (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
CN113159506A (zh) | 人机协作生产单元任务分配与作业调度集成决策方法 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
CN115981262A (zh) | 基于imoea的液压缸零部件车间生产调度方法 | |
CN115034143A (zh) | 一种多资源协同的智能车间设备配置优化方法 | |
CN116070826A (zh) | 一种铁路货车车身喷涂作业并行机调度方法 |
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 |