[发明专利]基于图卷积神经网络的多AGV调度方法及装置、电子设备

权利要求书

1.一种基于图卷积神经网络的多AGV调度方法，其特征在于，包括：

根据路径拓扑地图，为每辆AGV分配不同的移动任务，所述移动任务用于触发AGV从起始位置向目标位置移动；

获取AGV执行移动任务的运行日志数据集，所述运行日志数据集由多组样本构成，每个样本由所有AGV在某一时刻的运行状态组成，所述运行状态包括所有AGV所处的当前位置、所有AGV的目标位置、所有AGV的正在执行的移动任务以及完成正在执行的移动任务的实际完成时间；

针对所有AGV的当前位置和目标位置均相同的那些样本，保留其中所有AGV移动到各自目标位置所花费时间之和最少的样本；

将剩余样本的所有AGV的所处的当前位置和所有AGV的目标位置作为图卷积神经网络的训练输入，将该样本的下一个时刻所有AGV的所处的当前位置作为图卷积神经网络的训练输出，对图卷积神经网络进行反向传播训练；

将运行状态输入到训练好的图卷积神经网络中，选取图卷积神经网络的输出作为最优调度决策方案。

2.根据权利要求1所述的方法，其特征在于，在AGV从起始位置向目标位置移动后，还包括：

随机给到达所述目标位置的AGV分配新的移动任务；

继续获取AGV执行新的移动任务的运行日志数据集。

3.根据权利要求1所述的方法，其特征在于，所述AGV以最大行驶速度从所述起始位置运行到所述目标位置。

4.根据权利要求1所述的方法，其特征在于，所述目标位置为当AGV运行到某一位置后，在路径拓扑地图中随机指定一个节点作为目标位置。

5.根据权利要求1所述的方法，其特征在于，在获取AGV执行移动任务的运行日志数据集的过程中，还包括：

随机停用一辆或多辆AGV，以模拟现场车辆出现故障停用的情况，且停用时间长度随机确定。

6.根据权利要求1所述的方法，其特征在于，针对所有AGV的当前位置和目标位置均相同的那些样本，保留其中所有AGV移动到各自目标位置所花费时间之和最少的样本，包括：

对于某一时刻，计算各个AGV从当前位置移动到目标位置实际完成时间，计算所有AGV完成各自当前移动任务所花时间总和，其中，为完成正在执行的移动任务的实际完成时间，为AGV正在执行的移动任务，，n为AGV数量；

遍历运行日志数据集中的所有样本，若存在某两个或两个以上的时刻所有AGV的当前位置与目标位置均完全相同的样本，仅保留值最小的样本。

7.根据权利要求1所述的方法，其特征在于，所述图卷积神经网络主要由多个图卷积层、多层感知机以及SOFTMAX层构成。

8.一种基于图卷积神经网络的多AGV调度装置，其特征在于，包括：

分配模块，用于根据路径拓扑地图，为每辆AGV分配不同的移动任务，所述移动任务用于触发AGV从起始位置向目标位置移动；

获取模块，用于获取AGV执行移动任务的运行日志数据集，所述运行日志数据集由多组样本构成，每个样本由所有AGV在某一时刻的运行状态组成，所述运行状态包括所有AGV所处的当前位置、所有AGV的目标位置、所有AGV的正在执行的移动任务以及完成正在执行的移动任务的实际完成时间；

重复剔除模块，用于针对所有AGV的当前位置和目标位置均相同的那些样本，保留其中所有AGV移动到各自目标位置所花费时间之和最少的样本；

训练模块，用于将剩余样本的所有AGV的所处的当前位置和所有AGV的目标位置作为图卷积神经网络的训练输入，将该样本的下一个时刻所有AGV的所处的当前位置作为图卷积神经网络的训练输出，对图卷积神经网络进行反向传播训练；

选取模块，用于将运行状态输入到训练好的图卷积神经网络中，选取图卷积神经网络的输出作为最优调度决策方案。