[发明专利]一种基于改进遗传算法的AGV系统路径规划方法

说明书

本发明公开了一种基于改进遗传算法的AGV系统路径规划方法，包括以下步骤：采用变长度的符号编码方式；对AGV的运行速度进行制约；从起始点出发，随机选取与起始点直接相连的一个点作为下一个节点，如此反复直到找到终点为止；采用Metrolpis接收准则来确定当前解m到新解n转移的概率P_k；采用单点交叉法；随机选取待变异父个体中的两个节点n₁和n₂，按类似初始种群生成法生成一条从n₁到n₂的路径，然后用新生成的N₁到N₂间的路径代替待变异个体中的原路径；交叉和变异算子自适应调整。本发明提高了种群个体的差异性，易于跳出局部最优解；同时，改进了交叉、变异算子自调整策略，提高了算法的收敛速度。

技术领域

本发明属于室内多AGV系统或室内机器人技术领域，具体涉及一种基于改进遗传算法的AGV系统路径规划方法。

背景技术

随着社会经济的不断发展，工业自动化水平也在有了进一步提高，传统的物料输送方式已不能满足现在的生产需求，以AGV为代表的移动机器人运输方式逐渐深入到社会生产的各个方面。

为了提高AGV的运输效率，减少运输过程中安全事故的发生，其路径规划和调度问题已经成为目前急需解决的问题之一。目前常用的路径规划算法有以下几类：第一类是基于图论的遍历算法，如Dijkstra及其改进算法；第二类是启发式搜索算法，如A*及其改进算法；第三类是基于智能仿生的优化算法，如蚁群算法、粒子群算法和遗传算法等。AGV系统的调度问题即是以某种优化指标为依据，研究使用什么策略能够实现运输任务和AGV车辆的最佳匹配问题，目的是为了尽可能提高系统的输送和调度效率，实现已有资源的最大化利用。目前主要有静态调度、动态调度、单一指标调度和复合指标调度。

由于传统的遍历算法和启发式搜索算法存在搜索速度慢、效率低和计算量大等问题，已难以满足较为复杂的工业现场，而智能仿生算法可以很好地弥补前两种算法的缺点。蚁群算法具有并行性和鲁棒性等特点，但是算法进行路径规划耗时长，容易出现搜索停滞和早熟收敛现象。粒子群算法用于解决路径规划问题时，具有简单易行和算法搜索速度快等优点，但全局搜索能力较弱，且易陷于局部最优。与以上两种智能仿生算法相比，遗传算法引入了选择、复制、交叉和变异等操作，以及适者生存的概念，算法简单易行，拥有较强的全局搜索能力和较好的鲁棒性，但仍然存在早熟收敛现象，所以需要进行一些改进操作。

发明内容

本发明的目的是为了解决现有AGV路径规划方法中的不足，提出了一种基于改进遗传算法的AGV系统路径规划方法，通过对遗传算法的改进，提高了算法的搜索速度和搜索质量。

为实现上述目的，本发明采用的技术方案为：

一种基于改进遗传算法的AGV系统路径规划方法，包括以下步骤：

步骤1，对于遗传算法，采用变长度的符号编码方式，即遗传算法的染色体中的每个基因对应地图模型中的节点号；

步骤2，引入AGV负重度和路径曲折度作为规划指标，对AGV的运行速度进行如下制约：

其中，V_t为AGV小车在无规划指标下的运行速度，μ为AGV的负重系数，α为路径曲折度；

采用AGV从起始点到目标点的运行时间作为路径规划的评价依据，在路径长度、转弯时间、车辆负重度和路径曲折度等规划指标下，得到适应度函数为：

式中，Dis(X_ij)为个体M_t中节点i和节点j之间的路径长度，μ_ij为AGV在该段路径中的负重系数，α_ij为该段路径的曲折度，t_ij为节点i到节点j中转弯所耗费的时间；