[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

说明书

本发明公开了一种基于多种群混合智能算法的AGV避障调度方法，属于自动化立体仓库调度技术领域，为求解多AGV同时工作时，在确保不发生物理碰撞和损伤的条件下，总工作时间最小的数学规划模型，本发明提供了一种蚁群算法和遗传算法相结合的多种群混合智能算法，多种群混合算法能利用两种启发式智能算法的优点，且能在一定程度上防止算法过早陷入早熟。遗传算法和蚁群算法都是比较常用的启发式智能算法，两者的理论都发展得比较成熟，将这两种算法结合起来形成混合算法既具有理论创新性，又能提高对实际问题的求解效率，减少迭代过程的盲目性。

技术领域

本发明属于自动化立体仓库调度技术领域，具体涉及一种基于多种群混合智能算法的AGV避障调度方法。

背景技术

随着现代工业和信息服务业的发展，人力资本愈发珍贵，人们越来越认识到仓储、货运等物流环节对提高产品利润的重要性。据资料显示，物流、运输等环节占整个制造业企业成本的50％以上，因此提高存储、运输的效率，充分发挥场地的性能优势，成为各大企业竞相发展的焦点。

自动化立体仓库是在现代物流系统中的一个重要组成部分，自动化立体仓库的智能化程度对整个物流业的发展有着重要的影响，智能化程度越高，则物流业越发达，合理的调度方案可以显著提高物流效率，从而节约物流成本，提升企业的效益。

在实际工作中，自动化立体库里的各项配套设施往往来自不同的生产厂商，很难在使用过程中直接相互配合地运行。例如，在多辆AGV协同任务时，各 AGV之间互相不具备避让功能，导致无法保证多辆AGV同时有效正常地工作。

蚁群算法(ant colony optimization,ACO)是一种启发式生物智能算法，以蚁群为研究对象，研究其在觅食过程中的群体性行为，并将这种群体智能行为抽象成数学算法，并应用到实际问题的求解过程中。遗传算法是一种模仿生物进化过程中，染色体的复制、交叉、变异等一系列变化过程，并将这种染色体的行为抽象成数学模型，应用到对实际问题的求解过程中。

发明内容

针对现有技术中存在的上述问题，为求解多AGV同时工作时，在确保不发生物理碰撞和损伤的条件下，总工作时间最小的数学规划模型，本发明提供了一种蚁群算法和遗传算法相结合的多种群混合智能算法，多种群混合算法能利用两种启发式智能算法的优点，且能在一定程度上防止算法过早陷入早熟。遗传算法和蚁群算法都是比较常用的启发式智能算法，两者的理论都发展得比较成熟，将这两种算法结合起来形成混合算法既具有理论创新性，又能提高对实际问题的求解效率，减少迭代过程的盲目性。

本发明通过如下技术方案实现：

一种基于多种群混合智能算法的AGV避障调度方法，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；

步骤2：以基于研究对象的三维矩阵对粒子(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。

进一步地，所述编码采用整数编码方式。

进一步地，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；