[发明专利]一种基于多种群混合智能算法的AGV避障调度方法

权利要求书

1.一种基于多种群混合智能算法的AGV避障调度方法，其特征在于，具体步骤如下：

步骤1：以AGV小车和地标二维码为研究对象，并以AGV完成输送任务所花费的总工作时间最小作为避障调度的目标，构造AGV避障优化问题数学模型；

所述步骤1具体包括以下步骤：

第一步：初始化各项参数：把地面上的二维码坐标按照平面直角坐标系逐一标定坐标值、蚁群算法每阶段的迭代次数N₁、遗传算法每阶段的迭代次数N₂、蚁群算法的蚂蚁个数为m、遗传算法的染色体数目为m、计数标志N；

第二步：计算出每个坐标的禁忌位置坐标，并纳入禁忌表P_J，并且禁忌表P_J是随着时间不断变化的，当第k_i辆AGV小车开始运行时，其在某时刻t_i禁止在时刻t_i对应的禁忌表P_J，i所包含的坐标内运行；

第三步：初始化AGV小车总个数k，AGV加速时的加速度a₊，AGV减速时的加速度a_-，转弯调整时间T₀，装卸货的固定时间T_D，加速时间T₊，减速时间T-，匀速运行时间T_Y，转弯次数z；

第四步：运行蚁群算法求解第1辆AGV的运行路径，并找到AGV小车的转弯位置，然后计算搬运第1个货物的总消耗时间，T_k1＝T₊+T_Y+T_-+z*T₀+T_D；

第五步：按照第四步逐一计算出第k辆AGV的运行路径，并记录下每一代的最优解，若最优解的路径中包含禁忌表中的元素，则返回找到上一代的最优解，直至AGV的路径中不包含禁忌表中的元素，计算出第k个货物的运行时间；

第六步：运行遗传算法并迭代N₁次，输出M₁个最优解，并找到经过N₁次迭代之后的M₂个劣解，保留运算过程中产生的各项数据，等待下一步蚁群算法的计算结果；

第七步：将第六步中遗传算法产生的M₁个最优解与蚁群算法产生的最优解进行数据转换，增强并更新蚁群算法中的某些路径的信息素浓度值；然后进行蚁群算法的迭代计算，经过N₂次迭代之后，输出M₂个最优解，保留运算过程中产生的各项数据，等待下一步运算的结果；

第八步：将第七步中蚁群算法经过N₂次迭代后产生的M₂个最优解，与第六步中遗传算法经过N₁次迭代后找出的M₂个最差解组成一个新的种群，然后进行选择操作得到M₂条染色体，用这M₂条染色体代替遗传算法中最劣的M₂条染色体，并更新遗传算法中的染色体种群；最后判断两种算法是否分别达到各自的终止条件，若程序未达到终止条件，则返回第四步；否则，终止程序；

第九步：输出k个货物的调度方案，确保运行中不发生碰撞，并计算目标函数；

步骤2：以基于研究对象的三维矩阵对AGV的平面位置和转弯时刻进行编码，并运用基于蚁群算法、遗传算法及多种群混合智能算法对多AGV协调避障问题数学模型进行求解，得到给定任务量下多AGV的最优避障调度方案。

2.如权利要求1所述的一种基于多种群混合智能算法的AGV避障调度方法，其特征在于，所述编码采用整数编码方式。

3.如权利要求1所述的一种基于多种群混合智能算法的AGV避障调度方法，其特征在于，

所述AGV避障优化问题数学模型表示为：

min{T₁+T₂+...+T_k+...+T_n} (1)

其中，J(t)为禁忌表，表示时刻t已经被其他AGV占用或者由于AGV转弯而被锁死的位置；

T_k,j表示第k辆AGV的第j阶段运动时间；

T_k表示第k辆AGV的总运动时间；

a₁表示AGV小车加速的加速度；

a₂表示AGV小车减速的加速度；

T₀表示AGV转动过程中的转动时间；

L₀表示两个相邻地标二维码之间的距离；

n_j表示AGV小车在前后两次转弯过程中所经过的二维码段数；

n表示AGV小车索要记过的总二维码段数；

V_m表示AGV小车的最大运行速度；

T_D表示AGV小车工作时准备、装货、卸货等各阶段所需的固定时间；

z_s为决策变量，z_s＝1表示AGV小车在状态步骤S处发生了转弯；

P_i,t,x表示第i个货物在时刻t的横坐标；

P_i,t,y表示第i个货物在时刻t的纵坐标；

P_i,t表示第i个货物在时刻t的位置；

S_i,s,x表示第i个货物经过第s次移动后的横坐标；

S_i,s,y表示第i个货物经过第s次移动后的纵坐标；

S_i,s表示第i个货物经过第s次移动后的位置；

X_m表示地标二维码的横坐标最大值；

Y_m表示地标二维码的纵坐标最大值。