[发明专利]一种多AGV的路径规划和调度方法

说明书

本申请提供一种多AGV路径规划和调度方法，通过实际车间环境设置栅格地图，并根据客户订单需求和流水线物料数据信息确定送料点的需求和位置；利用K‑Means聚类方法对所有需上料的送料点进行聚类操作；利用聚类遗传算法进行多AGV的路径规划和调度优化，得到路径分配方案；结合时间窗方法，调整各辆AGV的送料顺序和路径；利用二元锦标赛选择策略，选取父代种群中较优秀的一半个体直接作为子代种群的一部分，子代种群的另一部分通过三类变异操作而产生；若子代得到的当前解比父代的最优解更好则用当前解取代；若未达到则继续进行调度优化。相比于现有技术，本申请提出聚类遗传算法避免AGV绕路问题，同时采用时间窗方法可避免多AGV的碰撞死锁等问题。

技术领域

本发明涉及生产车间的智能物流技术领域，特别涉及一种多AGV的路径规划和调度方法。

背景技术

AGV(Automated Guided Vehicle，自动导向车)是现代IA(Industry Automation，工业自动化)物流系统中的关键设备之一，能够保证IA物流系统在不需要人工引航的情况下就能够沿预定的路线自动行驶，将货物或物料从起始点自动运送到目的地。而且，AGV的行驶路径可以根据仓储要求、生产工艺流程等改变而灵活改变。

在现有技术中，合理、高效的AGV任务分配、路径规划和调度方案可以大大提高物流系统的效率，为智能物流提供技术支撑。然而，对于多通道多点送料的工厂车间，现有的路径规划与调度方法中，传统遗传算法的随机变异使路径规划地图内不同通道的送料点随机排序，从而导致AGV绕路长度居高不下，运输效率低、运输成本加剧。此外，在多AGV同向或反向行驶的过程中，若发现同一时间占据了同一块栅格或者同一段路径，还可能发生冲突、拥堵、碰撞死锁等问题。因此AGV利用率还有进一步优化的空间，采取更优化的路径规划与调度方案，AGV运输成本还可变得更加经济。

发明内容

针对现有技术的上述缺陷，本申请提供了一种多AGV的路径规划和调度方法，适用于多通道多点送料的车间，其中所述方法按照如下步骤进行：

S1.通过实际车间环境设置栅格地图，确定地图大小以及栅格类型，并根据客户订单需求和流水线物料数据信息，确定送料点的需求和位置；

S2.利用K-Means聚类方法对所有需要上料的送料点进行聚类操作，对于有送料点需求的通道，根据送料点坐标在该通道中排序，而对于没有送料点需求的通道，将该通道设置为空；

S3.利用聚类遗传算法进行多AGV的路径规划和调度优化，根据AGV的送料方案，采用A*补偿算法进行栅格地图间的路径规划，得到每辆AGV的路径分配方案；

S4.结合时间窗方法，调整各辆AGV的送料顺序和路径，避免通道内的AGV碰撞；

S5.利用二元锦标赛选择策略，选取父代种群中较优秀的一半个体直接作为子代种群的一部分，子代种群的另一部分则通过把剩下的父代个体进行逆转、交换和滑动三类变异操作而产生，若子代得到的当前解比父代的最优解更好的情况则用当前解取代；

S6.若未达到终止条件，则跳转至S3继续进行调度优化。

在其中的一实施例，根据步骤S1，将实际场景中的车间地形划分为大小相等而相互独立的正方形栅格，用数字地图来表示，其中根据产线设置将栅格分为可行栅格和不可行栅格，可行栅格的值设置为数字0，表示AGV可进入此栅格；不可行栅格的值设置为数字1，表示AGV无法进入此栅格。

在其中的一实施例，根据步骤S2，采用K-Means聚类算法使得AGV对于送料点的选择和排序转化为对栅格地图中通道的选择和排序，K-Means聚类算法通过对象与聚类中心之间的距离进行聚类，并将距离比较相近的对象组成簇，从而得到紧凑而独立的不同的簇，具体包括步骤：

步骤1：从混合样本中随机选取c个样本作为初始聚类中心；