基于混合粒子群算法的agv优化调度方法
【专利摘要】本发明涉及一种基于混合粒子群算法的AGV优化调度方法，首先将AGV的工作过程抽象出数学模型，确定调度方案的目标函数，其次运用基于遗传算法、模拟退火算法及蚁群算法的混合粒子群算法求解模型，产生一个优化调度方案。本发明通过实例与标准粒子群算法作了对比分析，该混合算法的变异操作采用了蚁群算法的思想，且在交叉操作过程中保证个体极优和群体极优进行交叉，确保了该混合粒子群算法的可行性，具有解决大规模调度任务的有效性。
【专利说明】基于混合粒子群算法的AGV优化调度方法
【技术领域】
[0001] 本发明属于自动化立体仓库优化调度【技术领域】，涉及一种AGV优化调度方法，具 体涉及一种基于遗传算法、模拟退火算法及蚁群算法的混合粒子群算法的自动化立体仓库 输送系统AGV优化调度方法。
【背景技术】
[0002] AS/RS(Automated Storage and Retrieval System)系统硬件设备的研究发展己 趋于完整，现代企业对AS/RS工作效率的要求增加，更多集中在对系统优化管理、调度和作 业的优化。AS/RS的输送系统已经成为影响仓库作业的瓶颈，因此需要采用合适的方法解决 输送系统AGV优化调度问题，以增加仓储系统的工作效率、提升企业的营业利润，降低企业 物流费用，提高企业竞争力。
[0003] 输送系统是自动化立体仓库的一个重要组成部分。对它调度问题的优化研究，能 够使输送系统资源得到充分的利用，同时避免发生系统死锁及系统瓶颈效应，从而提高输 送系统的作业效率。输送系统的调度优化实质上就是指AGV的优化调度问题，它的研究目 标主要就是在多个约束条件下，将要完成的输送任务合理分配给AGV，使系统的输送能力和 设备的资源利用率得到提高，进而提高自动化立体仓库系统的吞吐率，降低系统的物流成 本。
[0004] 粒子群算法（PSO, particle swarm optimization)起源于 1987 年 Reynolds 对鸟 群社会系统的仿真实验研究。PSO是一种群智能算法，优化过程就是群体迭代过程，由粒子 在其搜索空间中不断靠拢最佳点进行寻优。PSO的优势在于参数设置少，简单易操作，又具 有改进空间，在科学研究与工程应用中普遍具有可行性及有效性。粒子群算法的研究按其 研究方向包含了理论研究、性能改进研究、应用研究和离散算法研究四部分。理论研究主要 是算法的收敛性、运算复杂性等数学性方面研究；性能改进研究主要是针对算法的缺陷以 及不足；应用研究就是研究如何将算法应用到一些理论问题，或者需要解决的实际优化问 题中；离散性研究是针对算法本身提出的一种研究方向。
[0005] 但标准粒子群算法（参考文献：《粒子群算法及应用》）一般兼顾不了收敛速度、全 局及局部精细搜索能力，且作为一种通用的随机全局搜索算法，它也存在早熟收敛和陷入 局部搜索的缺点。
【发明内容】
[0006] 本发明的目的在于提供一种基于混合粒子群算法的AGV优化调度方法，解决了自 动化立体仓库输送系统优化调度的问题。
[0007] 为达到上述目的，本发明采用了以下技术方案：
[0008] 步骤1 :将上/下包台、入/出库台及AGV定为调度对象，并以AGV完成输送任务 所花费的工作时间最小作为优化调度的目标构造 AGV调度优化问题数学模型；
[0009] 步骤2 :以基于调度对象的三维矩阵对粒子位置进行编码，并运用基于遗传算法、 模拟退火算法及蚁群算法的混合粒子群算法对AGV调度优化问题数学模型进行求解，得到 给定任务量下AGV的最优调度方案。
[0010] 所述编码采用整数编码方式。
[0011] 所述AGV调度优化问题数学模型表示为：
[0012] min {max (T1, T2,. . . , TkJ. . . , Tl) } (2)
[0013] Tk = dik-rik+PkXskXtiJk+d Jk-rJk+PkXskXtiJk
[0014] s. t dik ^ rik, dJk ^ rJk, Vz sS,Vj gS' , i.3)
【权利要求】
1. 一种基于混合粒子群算法的AGV优化调度方法，其特征在于：包括以下步骤： 步骤1 :将上/下包台、入/出库台及AGV定为调度对象，并以AGV完成输送任务所花 费的工作时间最小作为优化调度的目标构造AGV调度优化问题数学模型； 步骤2:以基于调度对象的三维矩阵对粒子位置进行编码，并运用基于遗传算法、模拟 退火算法及蚁群算法的混合粒子群算法对AGV调度优化问题数学模型进行求解，得到给定 任务量下AGV的最优调度方案。
2. 根据权利要求1所述一种基于混合粒子群算法的AGV优化调度方法，其特征在于： 所述编码采用整数编码方式。
3. 根据权利要求1所述一种基于混合粒子群算法的AGV优化调度方法，其特征在于： 所述AGV调度优化问题数学模型表示为： min{max(1\，T2,…，Tk,…，TL)} (2) Tk =dik-rik+PkXskXtiJk+dJk-rJk+PkXskXtiJk
其中，Tk表示第k辆AGV的工作时间，L表示AGV数量；dik表示第k辆AGV离开第i个 入/出库台的时间，rik表示第k辆AGV到达第i个入/出库台的时间，(^表示第k辆AGV 离开第j个上/下包台的时间，表示第k辆AGV到达第j个上/下包台的时间，Q表示 AGV的编号集合，S表不入/出库台的编号集合，S'表不上/下包台的编号集合，tijk表不第 k辆AGV从第i个入/出库台到第j个上/下包台的时间。
4. 根据权利要求3所述一种基于混合粒子群算法的AGV优化调度方法，其特征在于： 所述步骤（2)具体包括以下步骤： 1) 种群初始化 首先，设定粒子种群大小N、最大迭代数、学习因子以及粒子速度VA的最大值和最 小值； 然后，对种群中粒子进行初始化： 位置初始化：XA=unifrncKQi，SpS'i)T ; 速度初始化：VA=unifrncKvi,VpVi)T ; Qi表不随机选择的AGV的编号，Si表不随机选择的入/出库台的编号，S'i表不随机选 择的上/下包台的编号，QieQ，SigS，S'igS'，Vi表示速度的随机数； 2) 以Tk =dik-rik+PkXSkXtijk+djk-rjk+PkXSkXtijk为适应度函数，根据适应度函数计 算种群中粒子的适应度值fitl; 3) 根据适应度值fitl从种群中选择出个体极值Pbest以及全局极值Pgbest，记录个体极值 位置Pebest以及全局极值位置Pegbest ; 4) 经过步骤3)后，进入迭代循环，当迭代次数小于时，执行如下循环操作： (a) 将粒子的第j个粒子位置Xl (j)与全局极值位置作交叉得到x'i(j)，交叉 公式为：x'i(j) =XiGO+co(t)*pegbest ;(0(t)为惯性因子；j=1，2,. . .，D，D是寻优空间 维度； (b) 将x'Jj)与个体极值位置P^st再作交叉得到x"Jj)，交叉公式为x"i(j) = x'i(j) +w(t)*pcbest ； (。）对叉"1(」）进行变异操作得到&(」），变异公式为&(」）=[0.5+四11(1()]打" 1〇); rand()表示0?1之间的随机数； (d) 经过步骤（c)后，计算每个粒子当前的适应度值fit2; (e) 计算每个粒子在两个粒子位置x2(j)和xjj)的适应度值的变化AE，AE= fit2_fitl，若AE〈e，则将粒子位置更新为x2(j)，否则不更新粒子位置，粒子的位置仍为 xjj)，e为允许目标函数变差的范围； (f) 经过步骤（e)后，对个体极值与个体极值位置作更新； (g) 经过步骤（f)后，找出并记录新的全局极值和全局极值位置； (h) 经过步骤（g)后，对所有粒子的速度与位置按照以下公式进行更新，得到下一代粒 子，转至步骤（a)，进入下一次循环：
式中，d=1，2，...，D，D是寻优空间维度；i=l，2，...，N;t为迭代代数；Cl、c2为学习 因子；^和r2取值为在（0,1)上均匀分布的随机数A表示经过步骤（f)更新后的个体极 值位置，Pg表示经过步骤（g)得到的全局极值位置，x表示粒子的位置，v表示粒子的速度； 5)当迭代代数等于时，迭代停止，并输出最终的全局极值以及全局极值位置。
5.根据权利要求4所述一种基于混合粒子群算法的AGV优化调度方法，其特征在于： 所述N的取值为40,tmax的取值为800,学习因子均取值为2,e的取值为3,VA的最大值为 1，VA的最小值为-1，D的取值为100。
【文档编号】G06N3/12GK104408589SQ201410577414
【公开日】2015年3月11日 申请日期:2014年10月24日 优先权日:2014年10月24日
【发明者】杨玮, 李国栋, 李程, 曹薇, 高贺云, 杨超群 申请人:陕西科技大学