[发明专利]一种AGV无人仓库设备优化配置方法

权利要求书

1.一种AGV无人仓库设备优化配置方法，AGV无人仓库包括AGV小车、AGV小车停放区、存储货架、拣选台、拣选工人、RCS控制系统和仓储管理系统(WMS)；无人仓库平面为矩形平面，货架布置在仓库中心位置，拣选台布置在仓库周边；其中，AGV小车负责搬运目标货架，每个拣选台配有一名拣选工人，执行目标货架的拣选任务；

拣选台的位置布置在货架外圈，拣选工人正对拣选的货架进行拣选工作，待拣选货架排列在拣选工人右侧等待拣选，拣选完毕之后从拣选工人的左侧离开拣选队列；多个拣选台之间可以进行并行作业；

无人仓库作业流程是：当系统接收到一组出库任务后，系统将任务分配给各个AGV小车；AGV小车搬运该任务所对应的货架就近前往拣选台处，随后进行拣选操作；拣选完成之后由AGV小车搬运货架前往存储区；

包括如下步骤：

S1：AGV无人仓库设备任务-调度数学模型构建，将设备-任务调度问题转化为一个流水线并行作业问题，构建任务-调度混合整数规划模型，具体为：

步骤11：建立AGV无人仓库设备任务-调度数学模型，设备的调度指的是AGV和拣选台；AGV小车的任务分配、执行任务的顺序、AGV小车的数量配置和拣选台的布局位置、分配和数量配置，都会影响无人仓库的运营效率和运营成本；合理的任务调度不仅能提高无人仓库的拣选效率，还能减少AGV和拣选台的数量；

步骤12：将无人仓库的设备-任务调度模型通过迭代思想转化为一个并行流水线作业模式；

步骤13：系统接收任务，而AGV根据任务要求需要进行出库作业；每辆AGV分配任务数量不同，分配的任务类型也不同，则对任务最终所需时间有影响；故模型的目标就是确定AGV无人仓库的任务调度目标为最小化最大任务完成时间，其目标函数如下：

其中FT_qk为AGV k结束任务q的时间；

步骤14：为保证每个复合作业单元的各设备执行顺序和时间的合法性建立混合整数规划模型的约束条件；

步骤14.1：对AGV整个作业过程进行定义，包括：1.将作业任务分配给具体AGV和拣选台进行作业；2.确定AGV的初始位置和作业任务的前后关系，将具体为：

(1)将任务分配给AGV，对AGV对应的任务进行规定，表达式如下：

(2)对任务由哪一台拣选台处理进行规定，表达式如下：

(3)确定AGV的任务q的结束为止为下一任务q’的初始位置，表达式如下：

(4)规定q与q’是前后作业任务的关系，表达式如下：

步骤14.2：任务作业开始时间的约束，具体为：

(1)确保每个任务仅能由一辆AGV小车执行，表达式如下：

(2)表示每辆AGV小车第一次执行任务的开始时间，其中o表示AGV的初始点，表达式如下：

(3)表示AGV小车前后连续任务的开始时间的约束，即仅当之前任务结束时，AGV才能执行后续任务，表达式如下：

(4)表示每辆AGV小车在执行每一个任务之前和之后最多只能执行一个任务，保证AGV不会同时接收多个任务，表达式如下：

(5)确保每个任务仅能由一个拣选台负责拣选作业，表达式如下：

(6)表示同一个拣选台前后连续任务开始时间的约束，表达式如下：

(7)表示拣选台在执行每一个任务之前和之后最多只能执行一个任务，保证拣选台的前后任务关系，表达式如下：

(8)表示同一任务下AGV开始执行该任务的时间与拣选台开始执行该任务的时间的约束，表达式如下：

(9)表示同一任务下拣选台开始执行该任务的时间与AGV结束该任务的时间的关系，表达式如下：

(10)对各个变量的取值范围定义，表达式如下：

S2：设备配置组合问题可以转化为一个多重背包问题，构建设备最优配置和布局模型，具体为：

步骤21：首先定义拣选台的工作位置，表达式如下：

步骤22：无人仓库的设备最优配置是指根据其订单到达率而需要确定合适的AGV和拣选台数量，并使搬运总成本最低；给定AGV和拣选台的配置目标，以及无人仓库中设备运营成本最低的目标函数，具体如下：

Min K (19)

步骤23：在考虑出库效率等因素的情况下，对AGV和拣选台进行资源约束模型建立；

步骤23.1：对实际任务的总完成时间及出库效率进行考虑，实际任务总完成时间需要满足出库效率，具体表达式如下：

步骤23.2：考虑AGV和拣选台的资源约束，AGV和拣选台需求数量不能超过实际数量，表达式如下：

步骤23.3：为变量定义取值范围，具体如下：

u_oqk,z_oqh∈{0,1} (25)

S3：设计改进的双层遗传算法对步骤S1所述的AGV无人仓库任务-调度数学模型和步骤S2所述的设备最优配置和布局模型进行求解，并得到最优任务调度方案、设备配置及仓库的布局位置，具体为：

步骤31:基于两模型之间的相互联系，设计一种双层遗传算法对该问题进行求解；该算法由外层的主控程序和内层的任务-调度算法两部分组成；外层的主控程序用于搜索AGV和拣选台的合理配置组合和拣选台的布局方案，内层的任务调度算法用于在主控程序中的设备配置的基础上获得设备-任务的调度方案，然后将结果反馈到主控程序中，继而影响主控程序的搜索过程；对所述步骤S2的AGV无人仓库任务-调度数学模型进行求解，设计拣选台位置搜索程序，具体为：

首先选定当前AGV和拣选台最小配置组合方案，具体的AGV和拣选台配置组合由运算得出；随后进行拣选台布局位置搜索程序；拣选台布局位置搜索程序是为了确定每个拣选台的位置，使得在确定拣选台数量的条件下获得系统最优拣选台布置情况，使得最小的拣选台数量保证拣选需求，提高效率；最后利用改进的双层基本遗传算法进行求解；

步骤31.1：设计编码表达方式，确定每个拣选台的布局位置，即拣选台的可选布局位置的组合优化，以基因数表示拣选台数量，基因位上的值代表选择的布局位置；例如基因位：2,5,7对应3个拣选台，且分别对应三个拣选位置，拣选位置预先设定；

步骤31.2：确定合适的适应度函数值，拣选台布局位置搜索算法的适应度函数即是内层任务调度算法的结果的多次平均值；

步骤31.3：简述算法步骤；

(1)获取算法参数：最大迭代次数、种群规模、交叉概率、变异概率，并根据编码方案随机初始化种群；

(2)计算适应度：判断种群中的个体是否与历代表中重复；若不重复，则进行内层算法运算，获得内层算法的适应度的多次平均值；

(3)设计遗传操作：采用轮盘赌的选择方式从父代选取个体生成下一代，交叉方式采用单点交叉，变异方式采用均匀变异；由于交叉和变异过程中可能会生成非法解，即出现基因值重复，则去掉非法解并按照编码方案重新生成，以保证种群规模不变；

(4)确定方法采用的终止条件：在迭代过程中，达到最大迭代次数时，终止迭代并输出；

步骤32：对所述步骤S3的设备最优配置和布局模型进行求解，设计设备-任务调度程序，具体为：

步骤32.1:设计编码与解码；问题由任务的排序方案、AGV指派方案和拣选台指派方案共同构成，因此本方法采用多段编码，即3行Q列的矩阵式编码，其中Q表示任务的总数；每个染色体组的第一行表示处理的任务队列，第二行表示每个任务的AGV分配，第三行表示每个任务的拣选台分配；

步骤32.2:确定适应度函数；GA-TS算法的优化目标是在一定的设备组合配置下完成所有订单任务的拣选用时最小，假设一批任务数量为Q，AGV数量为K，则适应度函数为：

式中FT_qk为AGV k结束任务q的时间；

步骤32.3：设计遗传算子内部的选择、交叉、变异算子；

(1)设计选择算子：选择操作采用基于精英保留策略的锦标赛选择法；精英保留策略是在进化过程中，保证迄今出现的最优个体不会被选择、交叉和变异操作所丢失和破坏；锦标赛选择在一定程度上，也能避免过早收敛和停滞现象的发生；

(2)设计交叉算子：交叉算子通过在两个染色体之间交换更好的基因，从而在父群体的基础上获得更好的解；为了保证解的可行性，获得高质量的后代群体，在交叉过程中使用了两种不同的交叉算子；任务向量行采用随机位置交叉(PBX)操作；将AGV向量行和拣选台向量行结合，采用随机概率交叉(RPX)操作；

(3)设计变异算子：用模拟退火算法代替传统遗传算法的变异算子，模拟退火算法以一定的概率接受较差的解，能有效地提高算法的局部探索能力，而对于邻域结构的选择利用变邻域搜索完成，具体体现在以下三个方面；

1)构造邻域结构NS1：采用插入变异的方式构造邻域结构，以改变X_task向量：在区间[1，n]之间随机产生两个整数x和y，将X_task(x)插入到X_task(y)前面；

2)构造邻域结构NS2：采用任务数均衡的方式调整X_agv向量：首先计算每台AGV所需要执行的任务数，从具有最多任务数的AGV中，随机选择一个任务，将任务分配给最小任务数的AGV上；

3)构造邻域结构NS3：釆用基于设备负载的方式调整X_{p_sta}向量：首先计算每台机器的负载，从具有最大机器负载的机器上选择一道工序，将其分配到具有最小机器负载的机器上；若具有最小机器负载的机器不可用于该道工序的加工，则为该道工序随机分配一台可选机器；

步骤32.4：构建算法步骤：

(T1)设定初始参数，包括最大迭代次数、种群规模、交叉概率、变异概率、初始温度、终止温度、降温速度；获取系统参数，包括订单到达率、AGV数量和拣选台数量和位置，运用Dijkstra算法离线计算得出各任务目标货架至每个拣选台位置的最短运行路径和距离；根据编码方案随机初始化种群；

(T2)计算种群中各个体的适应度值，最优并获得其中适应度值的个体，记录其适应度值；

(T3)执行基于精英保留策略的锦标赛选择操作，产生下一代种群；

(T4)获得种群中满足交叉概率的个体，对其任务行向量进行PBX交叉，对AGV行向量和拣选台行向量执行RPX交叉；

(T5)对交叉得到的种群个体执行基于变邻域的模拟退火搜索策略；

(T6)判断是否达到最大迭代次数，若达到则输出当前最优解个体和最优解，否则转至步骤(T2)。