一種物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo)引車(chē)路徑規(guī)劃方法
【專(zhuān)利摘要】本發(fā)明涉及一種物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo)引車(chē)(Automatic Guided Vehicle，簡(jiǎn)稱(chēng)AGV)路徑規(guī)劃方法，通過(guò)物流存儲(chǔ)系統(tǒng)中多AGV到達(dá)、離開(kāi)各路段、節(jié)點(diǎn)的時(shí)刻分析，計(jì)算路段、節(jié)點(diǎn)上AGV行駛重疊次數(shù)；本發(fā)明結(jié)合干涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，建立帶預(yù)防干涉約束的多AGV最短路徑規(guī)劃模型；本發(fā)明以蟻群算法為框架，保留信息素因子，去除可見(jiàn)度因子，增加A*因子、誘導(dǎo)因子，設(shè)計(jì)一種求解物流存儲(chǔ)系統(tǒng)防干涉的多AGV路徑規(guī)劃誘導(dǎo)蟻群?粒子群融合方法。本發(fā)明結(jié)合碼頭、倉(cāng)庫(kù)、配送中心、集裝箱場(chǎng)站以及各類(lèi)堆場(chǎng)等典型物流存儲(chǔ)系統(tǒng)的道路特征，提出多AGV路徑規(guī)劃方法，既能有效規(guī)避干涉，又能使AGV盡量按照各自的最短路徑達(dá)到目的地，從而提高物流存儲(chǔ)系統(tǒng)作業(yè)效率和安全性。
【專(zhuān)利說(shuō)明】
一種物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo)引車(chē)路徑規(guī)劃方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種路徑規(guī)劃方法，具體涉及一種物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo) 引車(chē)路徑規(guī)劃方法。
【背景技術(shù)】
[0002] 在碼頭、倉(cāng)庫(kù)、配送中心、集裝箱場(chǎng)站、廠內(nèi)車(chē)間以及各類(lèi)堆場(chǎng)等典型物流存儲(chǔ)系 統(tǒng)中，自動(dòng)化機(jī)械使用得越來(lái)越多。其中，AGV是當(dāng)前使用廣泛的水平運(yùn)輸設(shè)備，負(fù)責(zé)將貨 物/集裝箱由一處搬運(yùn)到另一處。相對(duì)于傳統(tǒng)水平運(yùn)輸方式（比如，集卡），AGV在自動(dòng)化程 度、智能化升級(jí)等方面具有優(yōu)勢(shì)，且大大節(jié)省了人力資源成本，有效解決了集卡帶來(lái)的內(nèi)燃 機(jī)廢氣排放和噪聲污染。
[0003] 單AGV路徑規(guī)劃是一個(gè)最短路徑問(wèn)題。在實(shí)際情況下，往往是多輛AGV同時(shí)行駛。由 于物流存儲(chǔ)系統(tǒng)中道路空間的有限性，多輛AGV同時(shí)行駛必然存在以排隊(duì)、延遲、擁堵、自鎖 甚至碰撞等為主要特征的干涉問(wèn)題。隨著時(shí)間推移，延遲、碰撞、自鎖會(huì)演化為排隊(duì)，甚至擁 堵;擁堵會(huì)增加碰撞的概率，造成干涉空間的擴(kuò)大，加重干涉的程度，影響后續(xù)作業(yè)計(jì)劃和 安全性。加上人的智能決策的減少，當(dāng)前物流存儲(chǔ)系統(tǒng)多AGV最短路徑規(guī)劃凸顯的問(wèn)題是干 涉導(dǎo)致的作業(yè)效率和安全性等方面難以達(dá)到設(shè)計(jì)目標(biāo)。因此，迫切需要研究既能有效規(guī)避 干涉，又能縮短作業(yè)任務(wù)完成時(shí)間的物流存儲(chǔ)系統(tǒng)中多AGV最短路徑規(guī)劃方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo)引車(chē)路徑規(guī)劃方法，其結(jié)合干 涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，建立帶預(yù)防干涉約束的多AGV最短路徑規(guī)劃模型，設(shè)計(jì) 一種誘導(dǎo)蟻群-粒子群融合方法，既能誘導(dǎo)螞蟻有效規(guī)避路段、節(jié)點(diǎn)干涉，又能使AGV盡量 按照各自的最短路徑達(dá)到目的地，從而提高物流存儲(chǔ)系統(tǒng)作業(yè)效率和安全性。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)下述技術(shù)方案解決上述技術(shù)問(wèn)題的：一種物流存 儲(chǔ)系統(tǒng)預(yù)防干涉的多自動(dòng)導(dǎo)引車(chē)路徑規(guī)劃方法，其特征在于，其包括以下步驟：
[0006] S1、通過(guò)物流存儲(chǔ)系統(tǒng)中多AGV到達(dá)、離開(kāi)各路段、節(jié)點(diǎn)的時(shí)刻分析，計(jì)算路段、節(jié) 點(diǎn)上AGV行駛重疊次數(shù)；
[0007] S2、結(jié)合干涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，建立帶預(yù)防干涉約束的多AGV最短 路徑規(guī)劃模型；
[0008] S3、以蟻群算法為框架；
[0009] S4、設(shè)計(jì)一種求解物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多AGV路徑規(guī)劃誘導(dǎo)蟻群-粒子群融合 方法。
[0010] 優(yōu)選地，所述步驟Sl物流存儲(chǔ)系統(tǒng)中多AGV到達(dá)、離開(kāi)各路段、節(jié)點(diǎn)時(shí)刻的分析包 含：
[0011] 將AGV所在物流存儲(chǔ)系統(tǒng)的路網(wǎng)用一個(gè)包含N個(gè)節(jié)點(diǎn)Ai(KiSN)、B條邊的圖表 示。AGV共有P輛，第p輛AGV (用AGVp表示，p = 1，2，…，P)的起點(diǎn)、終點(diǎn)分別為Sp、Ep ^GVp的行 駛速度為Vp。
[0012] 假設(shè)AGVt^過(guò)路段(Ak，Al)，節(jié)點(diǎn)Ak、Al分別為AGVt^過(guò)的第i、i+1個(gè)節(jié)點(diǎn)（以起點(diǎn)S p 為第一個(gè)節(jié)點(diǎn)）。節(jié)點(diǎn)AhA1之間的距離用C+,表示。
[0013] 令A(yù)GVt^過(guò)路段(Ak，A〇的時(shí)間段為G。在TS時(shí)間段內(nèi)，可能有其他AGV同時(shí)行駛 在路段(A kJ1)的上。若同時(shí)行駛在路段(AkJ1)上的AGV數(shù)量過(guò)多，就可能出現(xiàn)以擁堵、碰撞 等為主要特征的干涉問(wèn)題，降低AGV的行駛速度，影響物流存儲(chǔ)系統(tǒng)的整體運(yùn)行效率。
[0014] 為避免路段(Ak，A〇上的干涉，AGVp可以選擇繞行。但如果繞行造成行駛距離及行 駛時(shí)間過(guò)長(zhǎng)，AGV p可能還不如在節(jié)點(diǎn)Ak前(通過(guò)減速或停止)等待一段時(shí)間，等路段(Ak，A〇 上部分AGV駛離使得AGV數(shù)量減少之后，AGV p再進(jìn)入路段(Ak，Αι)。
[0015] 為此，取AGVp在節(jié)點(diǎn)Ak之前的等待時(shí)間為 <，則AGVp實(shí)際經(jīng)過(guò)節(jié)點(diǎn)Ak的時(shí)刻為：
[0016]
(1)
[0017] AGVt^過(guò)路段(Ak，A1)的時(shí)間段％為：
[0018] Tm Jf) (2)
[0019] 優(yōu)選地，所述步驟Sl計(jì)算路段上AGV行駛重疊次數(shù)包含：
[0020] 物流存儲(chǔ)系統(tǒng)的路段(Ak，A〇上同一時(shí)間行駛的AGV數(shù)量過(guò)多，可能會(huì)造成路段干 涉。其他AGV是否經(jīng)過(guò)路段(Ak，Ai)，有三種情況，這里以第q輛AGV(AGV q)為例來(lái)說(shuō)明：
[0021] 第一種情況，AGVt^過(guò)路段(Ak，A〇,與AGV p同向，由式⑵可知
[0022] 第二種情況，AGVt^過(guò)路段(A1Jk)，與AGVp反向，由式(2)可知苽=(?);
[0023] 第三種情況，AGVq不經(jīng)過(guò)路段(AhA1),也不經(jīng)過(guò)路段(A 1,Ak)，G =? =0。
[0024] 由于多AGV最短路徑規(guī)劃問(wèn)題中，AGV不會(huì)重復(fù)走同一條路段。因此，這里不考慮同 一輛AGV既經(jīng)過(guò)路段(A1^A 1)，又經(jīng)過(guò)路段(A1,Ak)的情況。即，上述第一種情況中，$ =0 ; 上述第二種情況中，73=0。
[0025] 根據(jù)％、^、： g的相互關(guān)系，可以判斷AGVAAGVq是否同時(shí)經(jīng)過(guò)路段(A1^A1)。 若C n(gU〇0，AGVd AGVq沒(méi)有同時(shí)經(jīng)過(guò)路段（Ak ,A1)，?。? =〇;若 切門(mén)(? U C0，AGVt^AGVq同時(shí)經(jīng)過(guò)了路段(Ak，A1)，取喂 ? = 1。
[0026] 在的基礎(chǔ)上，可以統(tǒng)計(jì)出與AGVp同時(shí)經(jīng)過(guò)路段(Ak，Ai)的AGV數(shù)(不包括AGV p) NK ··
[0027] ^
(3)
[0028] 其中q辛p。進(jìn)而可以得到路段(Ak，Ai)上同時(shí)經(jīng)過(guò)的最大AGV數(shù)Mffk,1:
[0029]
(4)
[0030] 為避免物流存儲(chǔ)系統(tǒng)中的路段干涉，取單位距離上的最大允許AGV數(shù)為Ha，要求 任意路段(Ak，Αι)都滿(mǎn)足：
[0031]
(5)
[0032] 優(yōu)選地，所述步驟Sl計(jì)算節(jié)點(diǎn)上AGV行駛重疊次數(shù)包含：
[0033] 當(dāng)很多輛AGV同時(shí)經(jīng)過(guò)物流存儲(chǔ)系統(tǒng)中某個(gè)節(jié)點(diǎn)時(shí)，則會(huì)造成節(jié)點(diǎn)干涉。
[0034] 若AGVP、AGVq都經(jīng)過(guò)節(jié)點(diǎn)Ak，它們經(jīng)過(guò)Ak時(shí)刻為<、《。實(shí)際情況下，AGV有一定的 長(zhǎng)度，AGV經(jīng)過(guò)節(jié)點(diǎn)Ak需要一定的時(shí)間。因此，若if、縿很接近，AGVp、AGVP基本上同時(shí)經(jīng)過(guò)節(jié) 點(diǎn)Ak。這里取一個(gè)時(shí)間閾值Ht，若I |< /Z1，則認(rèn)為AGVp、AGVp基本上同時(shí)經(jīng)過(guò)節(jié)點(diǎn)Ak，取 2廠=1;否則，取Zf" =0。在此基礎(chǔ)上，可以統(tǒng)計(jì)出與AGVp基本同時(shí)經(jīng)過(guò)節(jié)點(diǎn)Ak的AGV數(shù)(不 包括AGVp)鮮、·
[0035]
(6)
[0036] 其中q辛p。進(jìn)而可以得到基本同時(shí)經(jīng)過(guò)節(jié)點(diǎn)Ak的最大AGV數(shù)MZk:
[0037]
(7)
[0038]為避免節(jié)點(diǎn)干涉，取節(jié)點(diǎn)上最大允許"基本同時(shí)經(jīng)過(guò)的AGV數(shù)量"為Hb，要求任意節(jié) 點(diǎn)Ak都滿(mǎn)足：
[0039] MZkSHb (8)
[0040] 優(yōu)選地，所述步驟S2結(jié)合干涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，建立帶預(yù)防干涉 約束的多AGV最短路徑規(guī)劃模型包含：
[00411 令A(yù)GVp經(jīng)過(guò)的節(jié)點(diǎn)數(shù)量為Np (包括起點(diǎn)Sp、終點(diǎn)Ep)。由式（1)可知，AGVp從起點(diǎn)到達(dá) 終點(diǎn)的時(shí)間為：
[0042；
[0043]期望各AGV都能以最短時(shí)間達(dá)到終點(diǎn)，目標(biāo)函數(shù)即為：
[0044：
(10)
[0045] 式(5)、（8)是多AGV最短路徑規(guī)劃模型的兩個(gè)預(yù)防干涉約束。
[0046] 優(yōu)選地，所述步驟S3包含以下具體步驟:S3.1將蟻群算法與粒子群優(yōu)化算法融合， S3.2保留信息素因子，去除可見(jiàn)度因子，S3.3增加 A*因子，S3.4增加誘導(dǎo)因子，S3.5重構(gòu)新 的轉(zhuǎn)移概率及狀態(tài)轉(zhuǎn)移規(guī)則，S3.6進(jìn)行路徑?jīng)Q策和節(jié)點(diǎn)前等待時(shí)間決策，S3.7更新信息素， S3.8運(yùn)用粒子群優(yōu)化算法優(yōu)化節(jié)點(diǎn)前等待時(shí)間八個(gè)具體步驟。
[0047] 優(yōu)選地，所述步驟S3.1將蟻群算法與粒子群優(yōu)化算法融合包含：
[0048] 多AGV最短路徑規(guī)劃包含兩個(gè)決策問(wèn)題:一是路徑?jīng)Q策，一是節(jié)點(diǎn)前的等待時(shí)間決 策。前者是離散的路徑優(yōu)化問(wèn)題，后者是連續(xù)的實(shí)數(shù)優(yōu)化問(wèn)題?？紤]到蟻群算法、粒子群優(yōu) 化算法分別是路徑優(yōu)化領(lǐng)域、連續(xù)優(yōu)化領(lǐng)域的經(jīng)典算法，本發(fā)明在求解多AGV最短路徑規(guī)劃 問(wèn)題上，以蟻群算法為框架，將蟻群算法與粒子群優(yōu)化算法融合，提出誘導(dǎo)蟻群-粒子群融 合算法，并將其中的改進(jìn)蟻群算法稱(chēng)為誘導(dǎo)蟻群算法。。
[0049] 優(yōu)選地，所述步驟S3.2保留信息素因子，去除可見(jiàn)度因子包含：
[0050] S3.2.1初始化設(shè)置
[0051 ]對(duì)每一輛AGV，設(shè)置M只螞蟻。對(duì)于AGVp，每只螞蟻的初始路徑第一個(gè)節(jié)點(diǎn)為Sp，其他 為M1,A2, ···，〃}(除去Sp)被隨機(jī)打亂生成的一個(gè)序列。這里對(duì)每一輛AGV都進(jìn)行各路段的 信息素設(shè)置。也即，每一條路段上都有多重信息素。第t代AGV p在路段(Ak，Αι)上的信息素為 僅對(duì)AGVp的螞蟻起作用，對(duì)其他AGV的螞蟻不起作用。
[0052]每條邊上，各AGV的初始信息素都相等，為=C。
[0053] S3.2.2狀態(tài)轉(zhuǎn)移規(guī)則
[0054] 在傳統(tǒng)蟻群算法中，螞蟻依據(jù)信息素9>?(為方便，將用表示）、可見(jiàn)度nia 選擇下一個(gè)城市。螞蟻在城市k選擇城市j的轉(zhuǎn)移概率馬如式(11)所示：
[0055]
(11)
[0056] 其中，allowedk為下一步允許選擇的城市集合。一般定義能見(jiàn)度因=
為路段長(zhǎng)度的倒數(shù)(其中d(k，l)為節(jié)點(diǎn)AhA1之間的距離）。這種方法適合于要求遍歷所有 城市的TSP問(wèn)題。
[0057] 然而，多AGV最短路徑規(guī)劃問(wèn)題與TSP問(wèn)題有所不同，它目標(biāo)是尋找到一條從起點(diǎn) Sp到終點(diǎn)Zp的最短路徑，并不要求遍歷所有城市。每次螞蟻選擇下一個(gè)節(jié)點(diǎn)時(shí)，應(yīng)該盡量朝 向終點(diǎn)前進(jìn)。如何選擇下一個(gè)節(jié)點(diǎn)，與下一個(gè)節(jié)點(diǎn)與當(dāng)前節(jié)點(diǎn)的距離是大是小，關(guān)系并不 大。
[0058] 在多AGV最短路徑規(guī)劃中，信息素仍然是非常重要的。因此，本發(fā)明保留信息素因 子，舍棄能見(jiàn)度因子。
[0059] 優(yōu)選地，所述步驟S3.3增加 A*因子包含：
[0060] A*算法是最短路徑規(guī)劃問(wèn)題的一種經(jīng)典算法，由于能夠求得接近最優(yōu)解的解、求 解速度快及效率高而被較廣泛使用。本發(fā)明參照A*算法，在蟻群算法中增加 A*因子Ikl，以增 強(qiáng)求解速度：
[0061]
[0062] %Αι 的坐標(biāo)，（χΖρ， yzP)為終點(diǎn)Zp的坐標(biāo)。
[0063] 用A*因子Ikl來(lái)引導(dǎo)螞蟻盡可能地向終點(diǎn)前進(jìn)。
[0064] 優(yōu)選地，所述步驟S3.4增加誘導(dǎo)因子包含：
[0065] AGVp的每一只螞蟻在選擇下一個(gè)節(jié)點(diǎn)時(shí)，應(yīng)有意識(shí)地避開(kāi)其他AGV較多的路段。
[0066] 然而，每次迭代中，各螞蟻行走的路徑有較大的隨機(jī)性。若螞蟻只是規(guī)避當(dāng)代其他 AGV，這種規(guī)避也具有較大的隨機(jī)性。而一般而言，各AGV的歷史最優(yōu)路徑會(huì)逐漸趨向最優(yōu) 解，并逐漸穩(wěn)定。因此，AGVd9每一只螞蟻」<^7(/?=1,2，.* .，1)行走時(shí)，有意識(shí)地規(guī)避 /K; 〇 = 1，2,…，戶(hù)，身# J?)經(jīng)過(guò)的路徑。
[0067] 每一代結(jié)束時(shí)，記錄各AGV的歷史最優(yōu)路徑(AGVp的歷史最優(yōu)路徑用表示）， 以及抓(戶(hù)=1，2,…,巧經(jīng)過(guò)路段(Ak，Al)、路段(Al， Ak)的時(shí)間段1%、。若』GF/不 經(jīng)過(guò)路段(Ak，Ai)、路段(Ai，Ak)，7仏=0，7^ = 0。
[0068] 若AG Vd的第m只螞蟻』GFm經(jīng)過(guò)路段（Ak，A1)、路段（Ai，A k)的時(shí)間段分別為 沒(méi)有同時(shí)經(jīng)過(guò)路段（A1^A1)，取 吋經(jīng)過(guò)路段(AhA1)，取=1。進(jìn) 而可以統(tǒng)計(jì)出與AGVp同時(shí)經(jīng)過(guò)路段(Ak，A〇的歷史最優(yōu)AGV數(shù)量(不包括dGF/) .1)
[0069] (13)
[0070]
[0071]
[0072] 即，如果AGVp也經(jīng)過(guò)路段(Ak，Ai)，加上其他AGV的歷史最優(yōu)路徑，共有〇kl輛AGV同時(shí) 經(jīng)過(guò)路段(A k，A〇。
[0073] 用〇kl來(lái)誘導(dǎo)螞蟻規(guī)避干涉路段(或可能干涉路段），將〇kl稱(chēng)為誘導(dǎo)因子。
[0074] 優(yōu)選地，所述步驟S3.5重構(gòu)新的轉(zhuǎn)移概率及狀態(tài)轉(zhuǎn)移規(guī)則包含：
[0075]在信息素因子、A*因子、誘導(dǎo)因子的基礎(chǔ)上，構(gòu)建新的轉(zhuǎn)移概率式（14):
[0076]
(14)
[0077] 當(dāng)螞蟻在節(jié)點(diǎn)Ak時(shí)，在可能作為下一個(gè)節(jié)點(diǎn)的所有節(jié)點(diǎn)中，信息素因子％;越強(qiáng)，A* 因子U 1越小，誘導(dǎo)因子〇kl越小，越有可能被選為下一個(gè)節(jié)點(diǎn)。按下式（15)給出的規(guī)則選擇 下一個(gè)將要移動(dòng)到的節(jié)點(diǎn)A ne3xt:
[0078]
(15)
[0079] 其中，λ是在[0，1]區(qū)間均勻分布的隨機(jī)數(shù)，λ〇是一個(gè)參數(shù)(〇彡λ〇彡1)，J為根據(jù)方程 式(14)給出的概率分布所選出的一個(gè)隨機(jī)變量。
[0080] 優(yōu)選地，所述步驟S3.6進(jìn)行路徑?jīng)Q策和節(jié)點(diǎn)前等待時(shí)間決策包含：
[0081 ]螞蟻在選擇好下一個(gè)節(jié)點(diǎn)Ak之后，i
[0082] (16)
[0083] 則在適應(yīng)度中按照懲罰項(xiàng)2
?行懲罰，Λ 為懲罰系數(shù)。
[0084]若AGVj^螞蟻當(dāng)前搜索到的節(jié)點(diǎn)已經(jīng)是終點(diǎn)Ερ，當(dāng)前螞蟻結(jié)束搜索，下一只螞蟻開(kāi) 始搜索。
[0085] 優(yōu)選地，所述步驟S3.7更新信息素包含：
[0086] 本發(fā)明中信息素更新規(guī)則包含局部更新和全局更新。在每一只螞蟻結(jié)束時(shí)，該螞 蟻經(jīng)過(guò)的所有邊都進(jìn)行信息素局部更新：
[0087] %, = ?-~ Ρ)ψιι+P-
[0088] 其中，P為揮發(fā)系數(shù)；~ = (Μ；,)4，為當(dāng)前螞蟻經(jīng)過(guò)之后新增的信息素。Tnn為當(dāng)前 螞蟻完成路徑的總時(shí)間。
[0089] AGVj^所有螞蟻都完成路徑搜索時(shí)，對(duì)當(dāng)代最優(yōu)路徑進(jìn)行信息素全局更新：
[0090] ΨΜ =(\~ ρ)φια + ρ·Αφ'
[0091 ]其中Af = ，為當(dāng)代最優(yōu)路徑新增的信息素。Tgb為當(dāng)代最優(yōu)螞蟻完成路徑的 總時(shí)間。
[0092]優(yōu)選地，所述步驟S3.8運(yùn)用粒子群優(yōu)化算法優(yōu)化節(jié)點(diǎn)前等待時(shí)間包含：
[0093] S3.8.1初始化設(shè)置
[0094] 粒子群優(yōu)化算法中，粒子數(shù)等于螞蟻數(shù)M。粒子由節(jié)點(diǎn)前等待時(shí)間
戎。每個(gè)粒子的編碼為一個(gè)P*N的矩陣：
[0095]
[0096] 該矩陣的每一個(gè)元素為[0，τΜΧ]內(nèi)的一個(gè)隨機(jī)數(shù)。為能接受的Tf最大值。設(shè) 置粒子中每一個(gè)元素的初始速度Vo、最大速度Vmax。
[0097] S3.8.2節(jié)點(diǎn)前等待時(shí)間的迭代
[0098] 每個(gè)粒子的每個(gè)元素<，按照粒子群優(yōu)化算法的迭代規(guī)則進(jìn)行迭代。
[0099] Kp = + CiRi (pbf -Tf) + C2R2 (gb,^ - τβ (17)
[0100] Tf = f/ + Vf (18)
[0101] 其中，if是當(dāng)前粒子的速度，I#是當(dāng)前粒子的個(gè)體歷史最優(yōu)位置，為所有粒 子的全局歷史最優(yōu)位置。ω為慣性權(quán)重，C1，C2>0為學(xué)習(xí)因子，辦，1?2為(〇，1)之間的隨機(jī)數(shù)。
[0102] S3.8.3螞蟻行走過(guò)程中的節(jié)點(diǎn)干涉判斷
[0103] 在每一只螞蟻的搜索過(guò)程中，對(duì)它經(jīng)過(guò)的每一個(gè)節(jié)點(diǎn)，都進(jìn)行節(jié)點(diǎn)干涉判斷。
[0104] 每次迭代中，各螞蟻經(jīng)過(guò)的節(jié)點(diǎn)也有較大的隨機(jī)性。在AGVp的每一只螞蟻經(jīng)過(guò)每 一個(gè)節(jié)點(diǎn)時(shí)，與其它AGV的進(jìn)行節(jié)點(diǎn)干涉判斷。
[0105] 若AGVp的當(dāng)前螞蟻』(m=l，2,…，M)、AGVq的歷史最優(yōu)螞蟻(P/?)都 經(jīng)過(guò)節(jié)點(diǎn)Ak，它們經(jīng)過(guò)Ak時(shí)刻為f、r|。若Iif-G丨<拓.，取Z'f =1，否則Zf〃=〇Q:進(jìn)而可 以統(tǒng)計(jì)出與JGF/基本同時(shí)經(jīng)過(guò)節(jié)點(diǎn)Ak的JGG數(shù)量iVZf'
[0106]
[0107] 具中q羊p。右
[0108] NZ，l + \>H:b (B)
[0109] 在適應(yīng)度中按照懲罰3
進(jìn)行懲罰，Λ為 懲罰系數(shù)。
[0110] 優(yōu)選地，所述步驟S4包含以下具體步驟：S4.1建立適應(yīng)度函數(shù)，S4.2設(shè)置各AGV的 歷史最優(yōu)螞蟻，S4.3設(shè)置粒子的個(gè)體歷史最優(yōu)、全局歷史最優(yōu)，S4.4執(zhí)行誘導(dǎo)蟻群-粒子群 融合算法流程四個(gè)具體步驟。
[0111] 優(yōu)選地，所述步驟S4.1建立適應(yīng)度函數(shù)包含：
[0112] 本發(fā)明由于考慮了節(jié)點(diǎn)前等待時(shí)間，不采用AGV行駛總距離作為適應(yīng)度函數(shù)，采用 AGV行駛總時(shí)間作為適應(yīng)度函數(shù)。同時(shí)，應(yīng)用懲罰函數(shù)對(duì)路段干涉、節(jié)點(diǎn)干涉進(jìn)行懲罰。在式 (10)、（16)、（19)的基礎(chǔ)上，建立適應(yīng)度函數(shù)如下：
[0113]
師）
[0114] 其中，等號(hào)右邊的第二項(xiàng)為懲罰項(xiàng)，Λ為懲罰系數(shù)。
[0115] 優(yōu)選地，所述步驟S4.2設(shè)置各AGV的歷史最優(yōu)螞蟻包含：
[0116] S4.2.1各AGV歷史最優(yōu)螞蟻的初始化與更新
[0117] 如果當(dāng)前螞蟻為第一代AGVP(p = l，2，···，Ρ)的第一只螞蟻，將這只螞蟻設(shè)為 JGF/ ;否則，將當(dāng)前螞蟻與JGF/進(jìn)行比較，若當(dāng)前螞蟻更優(yōu)，更新
[0118] S4.2.2重新計(jì)算的適應(yīng)值
[0119] 由步驟33.6、33.8、34.1可知，每一代，對(duì)厶6￥1)的第111只螞蟻^5^^(/?=1，2,...，似)： 進(jìn)行路段和節(jié)點(diǎn)干涉判斷、適應(yīng)度計(jì)算時(shí)，是假設(shè)當(dāng)前螞蟻與其他AGV的歷史最優(yōu)螞蟻 3(^7(9=1，2，~,尺^(guò)^/)在路網(wǎng)上共同行駛的。為方便，本發(fā)明將這稱(chēng)為：3(^7以 4(^《〇 /=1，2，~'，^^戶(hù))為背景進(jìn)行路段和節(jié)點(diǎn)干涉判斷，以及適應(yīng)度計(jì)算。
[0120] 由S4.2.1可知，每一個(gè)jGF,/的適應(yīng)度，都是以它被初始化或更新時(shí)的其他 1^以=1，2，~，心0貞的為背景進(jìn)行計(jì)算的。在這之后，若任何一個(gè) Ι?/ =1、，2.，··_·:，#，^O).被更新，的適應(yīng)度也應(yīng)該更新一下。
[0121] 為保證··，Ρ)適應(yīng)值的合理準(zhǔn)確，在每一代計(jì)算結(jié)束時(shí)，以 =U,…妁為背景，對(duì)每一個(gè)JGF/的路段干涉、節(jié)點(diǎn)干涉都重新進(jìn)行判斷， 對(duì)相應(yīng)的懲罰項(xiàng)及適應(yīng)值都重新進(jìn)行計(jì)算。這樣，每一代計(jì)算結(jié)束后的 = U.…？），就是一組與其適應(yīng)度相匹配的AGV集合。
[0122] 優(yōu)選地，所述步驟S4.3設(shè)置粒子的個(gè)體歷史最優(yōu)、全局歷史最優(yōu)包含：
[0123] 第一代結(jié)束時(shí)，將每一只螞蟻?zhàn)鳛樗膫€(gè)體歷史最優(yōu)，將各節(jié)點(diǎn)前等待時(shí)間作為 它的個(gè)體歷史最優(yōu)位置(式(17)中的)。
[0124] 從第二代開(kāi)始，每一代每一只螞蟻行走結(jié)束時(shí)，將它與它的個(gè)體歷史最優(yōu)進(jìn)行比 較，若當(dāng)前螞蟻優(yōu)于它的個(gè)體歷史最優(yōu)，更新它的個(gè)體歷史最優(yōu)及個(gè)體歷史最優(yōu)位置。
[0125] 每一代，在各AGV的歷史最優(yōu)按步驟S4.2.2重新計(jì)算之后，將』作為它 的全局歷史最優(yōu)，的各節(jié)點(diǎn)前等待時(shí)間作為它的全局歷史最優(yōu)(式(17)中的g/f)。
[0126] 優(yōu)選地，所述步驟S4.4執(zhí)行誘導(dǎo)蟻群-粒子群融合算法流程包含：
[0127] 誘導(dǎo)蟻群-粒子群融合算法中誘導(dǎo)蟻群算法優(yōu)化路徑與粒子群優(yōu)化算法優(yōu)化節(jié)點(diǎn) 前等待時(shí)間，這兩種優(yōu)化計(jì)算沒(méi)有先后順序。它們是相互交織在一起的，具體步驟如下：
[0128] S4.4.1按照S3.2.1、S3.8.1進(jìn)行螞蟻種群和粒子群的初始化設(shè)置。
[0129] S4.4.2對(duì)每一輛AGV的每一只螞蟻，都從起點(diǎn)開(kāi)始，按照S4.4.2.1~S4.4.2.7進(jìn)行 路徑搜索。
[0130] S4.4.2.1按照S3.5選擇下一個(gè)節(jié)AAnext。按照"S1通過(guò)物流存儲(chǔ)系統(tǒng)中多AGV到 達(dá)、離開(kāi)各路段、節(jié)點(diǎn)的時(shí)刻分析"計(jì)算出螞蟻經(jīng)過(guò)Ane3xt的時(shí)刻。
[0131] S4.4.2.2按照S3.6對(duì)螞蟻剛經(jīng)過(guò)的路段進(jìn)行路段干涉判斷；針對(duì)節(jié)AAnext,按照 S3.8.3進(jìn)行節(jié)點(diǎn)干涉判斷。
[0132] S4.4.2.3若Anext不是終AEp，返回STEP S4.4.2.1;否則，轉(zhuǎn)到STEP S4.4.2.4。
[0133] S4.4.2.4按照S3.7,進(jìn)行信息素局部更新。
[0134] 34.4.2.5按照34.1計(jì)算當(dāng)前螞蟻的適應(yīng)值，按照34.2.1初始化或更新力^^;按 照S4.3,初始化或更新當(dāng)前螞蟻的個(gè)體歷史最優(yōu)及個(gè)體歷史最優(yōu)位置。
[0135] S4.4.2.6若AGVp(p = 1，2，…，P)的所有螞蟻都搜索結(jié)束，完成如下兩項(xiàng)工作:按照 S3.7，進(jìn)行信息素全局更新;按照S4.2.2，重新計(jì)算JGF/的適應(yīng)值。
[0136] S4.4.2.7若所有AGV的所有螞蟻都搜索結(jié)束，按照S4.3設(shè)置粒子群的全局歷史最 優(yōu)。
[0137] S4.4.3檢查終止條件，若滿(mǎn)足，則結(jié)束尋優(yōu)，輸出結(jié)果;否則，轉(zhuǎn)到S4.4.4
[0138] S4.4.4按照S3.8.2，對(duì)節(jié)點(diǎn)前等待時(shí)間進(jìn)行迭代計(jì)算，返回S4.4.2。
[0139] 綜上所述，本發(fā)明的積極進(jìn)步效果在于:不同于現(xiàn)有路徑規(guī)劃方法僅包含路徑?jīng)Q 策，本發(fā)明包含路徑?jīng)Q策和節(jié)點(diǎn)前等待時(shí)間決策兩個(gè)決策問(wèn)題。本發(fā)明結(jié)合物流存儲(chǔ)系統(tǒng) 干涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，綜合運(yùn)用蟻群算法、A*算法和粒子群算法的優(yōu)點(diǎn)，設(shè) 計(jì)誘導(dǎo)蟻群-粒子群融合方法。本發(fā)明可指導(dǎo)物流存儲(chǔ)系統(tǒng)多AGV路徑規(guī)劃，避免干涉現(xiàn)象， 縮短作業(yè)任務(wù)完成時(shí)間，從而提高作業(yè)的效率和安全性。
【附圖說(shuō)明】
[0140] 圖1為本發(fā)明中誘導(dǎo)蟻群-粒子群融合算法的流程圖。
[0141] 圖2為本發(fā)明中物流存儲(chǔ)系統(tǒng)路網(wǎng)示意圖。
【具體實(shí)施方式】
[0142] 以下結(jié)合附圖，給出本發(fā)明的流程和較佳實(shí)施例，以進(jìn)一步說(shuō)明本發(fā)明的技術(shù)方 案。
[0143] 如圖1所示，通過(guò)誘導(dǎo)蟻群-粒子群融合算法對(duì)多自動(dòng)導(dǎo)引車(chē)路徑進(jìn)行規(guī)劃方法， 實(shí)現(xiàn)物流存儲(chǔ)系統(tǒng)的干涉預(yù)防。誘導(dǎo)蟻群算法優(yōu)化路徑與粒子群優(yōu)化算法優(yōu)化節(jié)點(diǎn)前等待 時(shí)間，這兩種優(yōu)化計(jì)算沒(méi)有先后順序。它們是相互交織在一起的，具體包含以下步驟：
[0144] 步驟1:螞蟻種群初始化設(shè)置；
[0145] 對(duì)每一輛AGV，設(shè)置M只螞蟻。對(duì)于AGVp，每只螞蟻的初始路徑第一個(gè)節(jié)點(diǎn)為Sp，其他 為M 1,A2, ···，〃}(除去Sp)被隨機(jī)打亂生成的一個(gè)序列。這里對(duì)每一輛AGV都進(jìn)行各路段的 信息素設(shè)置。也即，每一條路段上都有多重信息素。第t代AGV p在路段(Ak，Αι)上的信息素為 僅對(duì)AGVp的螞蟻起作用，對(duì)其他AGV的螞蟻不起作用。
[0146] 每條邊上，各AGV的初始信息素都相等，為<P?(A〇) =C。
[0147] 步驟2:粒子群初始化設(shè)置；
[0148] 粒子群優(yōu)化算法中，粒子數(shù)等于螞蟻數(shù)M。粒子由節(jié)點(diǎn)前等待時(shí)間 「./'（/ =1，2，...，況:…構(gòu)成。每個(gè)粒子的編碼為一個(gè)P*N的矩陣：
[0149]
[0150] 該矩陣的每一個(gè)元素為[0, Tmax]內(nèi)的一個(gè)隨機(jī)數(shù)。Tmax為能接受的最大值。設(shè) 置粒子中每一個(gè)元素的初始速度Vo、最大速度Vmax。
[0151 ]步驟3:設(shè)置迭代次數(shù)t = 1;
[0152] 步驟4:將各AGV的首節(jié)點(diǎn)設(shè)置為各螞蟻的首節(jié)點(diǎn)，計(jì)算各螞蟻離開(kāi)首節(jié)點(diǎn)的時(shí)刻；
[0153] 步驟5:對(duì)每一輛AGV的每一只螞蟻，都從起點(diǎn)開(kāi)始，按照步驟5.1~步驟5.9進(jìn)行路 徑搜索；
[0154] 步驟5.1:選擇螞蟻的下一個(gè)節(jié)點(diǎn)Ane3xt;
[0155] 在信息素因子、A *因子、誘導(dǎo)因子的基礎(chǔ)上，構(gòu)建新的轉(zhuǎn)移概率式
。當(dāng)螞蟻在節(jié)點(diǎn)Ak時(shí)，在可能作為下一個(gè)節(jié)點(diǎn)的所 有節(jié)點(diǎn)中，信息素因子％越強(qiáng)，A*因子Ikl越小，誘導(dǎo)因子〇kl越小，越有可能被選為下一個(gè)節(jié) 點(diǎn)。按式
￥出的規(guī)則選擇下一個(gè)將要移動(dòng)到的 節(jié)點(diǎn)Ane3xt。其中，λ是在[0，1 ]區(qū)間均勻分布的隨機(jī)數(shù)，λ〇是一個(gè)參數(shù)(〇彡λ〇彡1 )，J為根據(jù)新 的轉(zhuǎn)移概率方程式給出的概率分布所選出的一個(gè)隨機(jī)變量。
[0?56] 步驟5.2:計(jì)算螞蟻經(jīng)過(guò)Anext的時(shí)刻；
[0157] 將AGV所在物流存儲(chǔ)系統(tǒng)的路網(wǎng)用一個(gè)包含N個(gè)節(jié)點(diǎn)Ai(l<i彡Ν)、Β條邊的圖表 示。AGV共有P輛，第ρ輛AGV (用AGVp表示，ρ = 1，2，…，P)的起點(diǎn)、終點(diǎn)分別為Sp、Ep ^GVp的行 駛速度為Vp。
[0158] 假設(shè)AGVt^過(guò)路段(Ak，Ai)，節(jié)點(diǎn)Ak、Ai分別為AGVt^過(guò)的第i、i+1個(gè)節(jié)點(diǎn)（以起點(diǎn)S p 為第一個(gè)節(jié)點(diǎn)）。節(jié)點(diǎn)AhA1之間的距離用表示。
[0159] 令A(yù)GVt^過(guò)路段(Ak，A〇的時(shí)間段為g。在$時(shí)間段內(nèi)，可能有其他AGV同時(shí)行駛 在路段(AkJ1)的上。若同時(shí)行駛在路段(AkJ1)上的AGV數(shù)量過(guò)多，就可能出現(xiàn)以擁堵、碰撞 等為主要特征的干涉問(wèn)題，降低AGV的行駛速度，影響物流存儲(chǔ)系統(tǒng)的整體運(yùn)行效率。
[0160] 為避免路段(Ak，A〇上的干涉，AGVp可以選擇繞行。但如果繞行造成行駛距離及行 駛時(shí)間過(guò)長(zhǎng)，AGV p可能還不如在節(jié)點(diǎn)Ak前(通過(guò)減速或停止)等待一段時(shí)間，等路段(Ak，A〇 上部分AGV駛離使得AGV數(shù)量減少之后，AGV p再進(jìn)入路段(Ak，Αι)。
[0161] 為此，取AGVp在節(jié)點(diǎn)Ak之前的等待時(shí)間為<，則AGV p實(shí)際經(jīng)過(guò)節(jié)點(diǎn)Ak的時(shí)刻為
AGVt^過(guò)路段
[0162] 步驟5.3:對(duì)螞蟻剛經(jīng)過(guò)的路段進(jìn)行路段干涉判斷；
[0163] 螞蟻了在選擇好下一個(gè)節(jié)點(diǎn)Ak之后，討
則在適應(yīng)度中按 照懲罰項(xiàng)
進(jìn)行懲罰，Λ為懲罰系數(shù)。
[0164] 步驟5.4:對(duì)節(jié)點(diǎn)Anext進(jìn)行節(jié)點(diǎn)干涉判斷；
[0165] 在AGVp的每一只螞蟻經(jīng)過(guò)每一個(gè)節(jié)點(diǎn)時(shí)，與其它AGV的JGff進(jìn)行節(jié)點(diǎn)干涉判斷。
[0166] 若A G V Ρ的當(dāng)前螞蟻
的歷史最優(yōu)螞蟻 0 j?)都經(jīng)過(guò)節(jié)點(diǎn)Ak，它們經(jīng)過(guò)"時(shí)亥Ij為<、G 0若I < 一 C |< ZZi，取Z Γ = 1，否貝IJ
Z p = 〇。講而可W缽訐屮基本同時(shí)經(jīng)過(guò)節(jié)點(diǎn)Ak的』GF/數(shù)量TVZflf:
[0167]
[0168] 其中q乒p。若尨，在適應(yīng)度中按照懲罰項(xiàng)疋)，皿%(〇，備|+1-私) 進(jìn)行懲罰，Λ為懲罰系數(shù)。
[0169] 步驟5.5:若Anext不是終AEp，返回步驟5.1;否則，轉(zhuǎn)到步驟5.6;
[0170]步驟5.6:進(jìn)行信息素局部更新；
[0171] 在每一只螞蟻結(jié)束時(shí)，該螞蟻經(jīng)過(guò)的所有邊都進(jìn)行信息素局部更新： =0-0)? ，其中，P為揮發(fā)系數(shù)，Δ爐= 為當(dāng)前螞蟻經(jīng)過(guò)之后新增的信息 素，Tnn為當(dāng)前螞蟻完成路徑的總時(shí)間；
[0172] 步驟5.7:計(jì)算當(dāng)前螞蟻的適應(yīng)值；
[0173] 考慮了節(jié)點(diǎn)前等待時(shí)間，采用A G V行駛總時(shí)間作為適應(yīng)度函數(shù)。 同時(shí)，應(yīng)用懲罰函數(shù)對(duì)路段干涉、節(jié)點(diǎn)干涉進(jìn)行懲罰。建立適應(yīng)度函數(shù)：
其中，等號(hào)右邊的第二項(xiàng)為懲罰項(xiàng)， Λ為懲罰系數(shù)；
[0174]步驟5.8:判斷當(dāng)前代是否是第一代:如果滿(mǎn)足條件，則初始化各AGV的歷史最優(yōu)路 徑'、初始化各粒子的個(gè)體歷史最優(yōu);如果不滿(mǎn)足條件，則更新各AGV的歷史最優(yōu)路徑、 各粒子的個(gè)體歷史最優(yōu)；
[0175] 如果當(dāng)前螞蟻為第一代AGVP(p = l，2，···，Ρ)的第一只螞蟻，將這只螞蟻設(shè)為 ;否則，將當(dāng)前螞蟻與』@/進(jìn)行比較，若當(dāng)前螞蟻更優(yōu)，更新。
[0176] 第一代結(jié)束時(shí)，將每一只螞蟻?zhàn)鳛樗膫€(gè)體歷史最優(yōu)，將各節(jié)點(diǎn)前等待時(shí)間作為 它的個(gè)體歷史最優(yōu)位置沖
[0177] 從第二代開(kāi)始，每一代每一只螞蟻行走結(jié)束時(shí)，將它與它的個(gè)體歷史最優(yōu)進(jìn)行比 較，若當(dāng)前螞蟻優(yōu)于它的個(gè)體歷史最優(yōu)，更新它的個(gè)體歷史最優(yōu)及個(gè)體歷史最優(yōu)位置。
[0178]步驟5.9:判斷當(dāng)前代是否所有螞蟻都搜索結(jié)束：如果滿(mǎn)足條件，則進(jìn)行信息素全 局更新，重新計(jì)算的適應(yīng)值，設(shè)置粒子群的全局歷史最優(yōu);如果不滿(mǎn)足條件，則按照t =t+1更新迭代次數(shù)，返回步驟4;
[0179] AGVj^所有螞蟻都完成路徑搜索時(shí)，對(duì)當(dāng)代最優(yōu)路徑進(jìn)行信息素全局更新： ΡΜ/+Ρ·Δ<?>'。其中，為當(dāng)代最優(yōu)路徑新增的信息素，Tgb為當(dāng)代最優(yōu) 螞蟻完成路徑的總時(shí)間。
[0180] 為保證(尸=U，…，Ρ)適應(yīng)值的合理準(zhǔn)確，在每一代計(jì)算結(jié)束時(shí)，以 3(^%=1，2，^戶(hù)/〇為背景，對(duì)每一個(gè)3(^/的路段干涉、節(jié)點(diǎn)干涉都重新進(jìn)行判斷， 對(duì)相應(yīng)的懲罰項(xiàng)及適應(yīng)值都重新進(jìn)行計(jì)算。這樣，每一代計(jì)算結(jié)束后的 H7,f(/) = U,…，尸），就是一組與其適應(yīng)度相匹配的AGV集合。
[0181] 每一代，在各AGV重新計(jì)算歷史最優(yōu)之后，將作為它的全局歷史最優(yōu)， iGF/的各節(jié)點(diǎn)前等待時(shí)間作為它的全局歷史最優(yōu)W。
[0182] 步驟6:檢查終止條件是否滿(mǎn)足:如果滿(mǎn)足條件，則結(jié)束尋優(yōu)，輸出結(jié)果;否則，轉(zhuǎn)到 步驟7;
[0183] 步驟7:對(duì)節(jié)點(diǎn)前等待時(shí)間進(jìn)行迭代計(jì)算，返回步驟3。
[0184] 每個(gè)粒子的每個(gè)元素 Tf，按照粒子群優(yōu)化算法的迭代規(guī)則進(jìn)行迭代。
[0185] Kp = + cA(Pb,p -tH + c2R2(sb,p - rf)
[0186] Ti- = Tf + V/'
[0187] 其中，是當(dāng)前粒子的速度，辦f是當(dāng)前粒子的個(gè)體歷史最優(yōu)位置，gg為所有粒 子的全局歷史最優(yōu)位置。ω為慣性權(quán)重，C1，C2>0為學(xué)習(xí)因子，辦，1?2為(〇，1)之間的隨機(jī)數(shù)。
[0188] 如圖2所示，本發(fā)明公開(kāi)了一種物流存儲(chǔ)系統(tǒng)路網(wǎng)示意圖，該示意圖包含:若干節(jié) 點(diǎn)、若干路段和若干AGV。
[0189] 在圖2所示的物流存儲(chǔ)系統(tǒng)路網(wǎng)中，任意兩點(diǎn)之間若有點(diǎn)劃線(xiàn)的，表示這兩點(diǎn)之間 道路通暢；否則表示沒(méi)有道路或道路不通。橫向相鄰的各節(jié)點(diǎn)之間相距1.8個(gè)距離單位，縱 向相鄰的各節(jié)點(diǎn)之間相距1個(gè)距離單位。空心形狀符號(hào)、實(shí)心形狀符號(hào)分別表示多AGV執(zhí)行 水平運(yùn)輸任務(wù)的起點(diǎn)和終點(diǎn)。例如，空心圓點(diǎn)、實(shí)心圓點(diǎn)表示第一臺(tái)AGV的起點(diǎn)、終點(diǎn)；空心 三角形、實(shí)心三角形表示第二臺(tái)AGV的起點(diǎn)、終點(diǎn)；空心正方形、實(shí)心正方形表示第三臺(tái)AGV 的起點(diǎn)、終點(diǎn)。三臺(tái)AGV沒(méi)有優(yōu)先級(jí)差異，起點(diǎn)、終點(diǎn)、行駛速度也互不相同。
[0190]以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其 等效物界定。
【主權(quán)項(xiàng)】
1. 一種物流存儲(chǔ)系統(tǒng)防干涉的多AGV路徑規(guī)劃方法，其特征在于，該方法包含： 51、 通過(guò)物流存儲(chǔ)系統(tǒng)中多AGV到達(dá)、離開(kāi)各路段、節(jié)點(diǎn)的時(shí)刻分析，計(jì)算路段、節(jié)點(diǎn)上 AGV行駛重疊次數(shù)； 52、 結(jié)合干涉度閾值，以多AGV運(yùn)行時(shí)間為目標(biāo)，建立帶預(yù)防干涉約束的多AGV最短路徑 規(guī)劃模型； 53、 以蟻群算法為框架； 其特征在于:S3包括S3.1將蟻群算法與粒子群優(yōu)化算法融合，S3.2保留信息素因子，去 除可見(jiàn)度因子，S3.3增加 A*因子，S3.4增加誘導(dǎo)因子，S3.5重構(gòu)新的轉(zhuǎn)移概率及狀態(tài)轉(zhuǎn)移規(guī) 貝1J，S3.6進(jìn)行路徑?jīng)Q策和節(jié)點(diǎn)前等待時(shí)間決策，S3.7更新信息素，S3.8運(yùn)用粒子群優(yōu)化算法 優(yōu)化節(jié)點(diǎn)前等待時(shí)間八個(gè)具體步驟。 54、 設(shè)計(jì)一種求解物流存儲(chǔ)系統(tǒng)預(yù)防干涉的多AGV路徑規(guī)劃誘導(dǎo)蟻群-粒子群融合方 法； 其特征在于:S4包括S4.1建立適應(yīng)度函數(shù)，S4.2設(shè)置各AGV的歷史最優(yōu)螞蟻，S4.3設(shè)置 粒子的個(gè)體歷史最優(yōu)、全局歷史最優(yōu)，S4.4執(zhí)行誘導(dǎo)蟻群-粒子群融合算法流程四個(gè)具體步 驟。
【文檔編號(hào)】G06Q50/28GK105938572SQ201610022324
【公開(kāi)日】2016年9月14日
【申請(qǐng)日】2016年1月14日
【發(fā)明人】李軍軍, 許波桅, 楊勇生
【申請(qǐng)人】上海海事大學(xué)