基于模拟退火粒子群的agv优化调度方法
【专利摘要】本发明提供一种基于模拟退火粒子群的AGV优化调度方法，首先对AGV的调度过程进行抽象，建立相应的数学模型，利用粒子群算法初始化种群，确定适应度函数，计算粒子的适应度值；结合模拟退火算法，更新粒子的速度和位置，确定新粒子的适应度值，最终得到最优结果。本发明通过实例在不同配置条件下，与标准粒子群算法进行比较，验证了该算法具有收敛速度快且稳定性高等优点，避免结果陷入局部最优，最终收敛效果优于标准粒子群算法，充分验证了该发明能提高AGV利用率，且作业货次越多，其利用率越高，可有效解决输送系统的大规模调度问题。
【专利说明】基于模拟退火粒子群的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 体涉及一种基于模拟退火粒子群算法的AS/RS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 (Automatic Guided Vehicle)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] 对于AGV运输线路优化调度的研究，目前国内学者提出的优化算法包括：遗传算 法、蚁群算法、粒子群算法（PS0)、混合粒子群算法及人工鱼群算法等。遗传算法是一种全局 性概率搜索算法，但是应用遗传算法编码过程过于复杂并且搜索速率较慢。蚁群算法是一 种基于种群的模拟进化算法，但容易陷入局部最优造成早熟、停滞现象。粒子群算法简单而 容易实现，早期收敛速度快，但标准粒子群算法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】
[0005] 本发明的目的在于提供一种基于模拟退火粒子群的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。
[0006] 为达到上述目的，本发明采用了以下技术方案：
[0007] 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；
[0008] 步骤2 :以基于调度对象的三维矩阵对粒子位置进行编码，并采用模拟退火粒子 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。
[0009] 所述编码方式采用整数编码。
[0010] 所述AGV调度优化问题数学模型表示为：
[0011] min {max (1\，T2, ? ? ?，Tk，? ? ?，TL)} (2)
[0012] Tk = dik-rik+PkXskXtiJk+d Jk-rJk+PkXskXtiJk
[0013] s.t dik > rlk,djk > e 5, V; e 5" , /keQ (3)
【权利要求】
1. 一种基于模拟退火粒子群的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，并采用模拟退火粒子群算 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所述一种基于模拟退火粒子群的AGV优化调度方法，其特征在于：所述编码方式采用整数编码。
3. 根据权利要求1所述一种基于模拟退火粒子群的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：
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所述一种基于模拟退火粒子群的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, Si, S' DT ; 速度初始化：VA = UnifrncKvi, Vi, Vi)1 ; 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，Qi e Q，Si G S，S' i G S'，Vi表示速度的随机数；i = 1，2,...，N， N为粒子种群大小； 2) 以Tk = dik-rik+PkXSkXtijk+djk-rjk+PkXSkXtijk为适应度函数，根据适应度函数计 算粒子在各个维度的适应度值； 3) 根据粒子在各个维度的适应度值并利用模拟退火算法更新种群的个体极值位置； 4) 经过步骤3)后，根据更新后的个体极值位置利用模拟退火算法更新种群的全局极 值位置； 5) 根据 v;:;+1 = ?x 〇 C1 x Z1 x ) + C2 x r2 x ).和《+I = Xx+i 更新粒子的 速度与位置，计算更新后粒子的适应度值，然后更新种群的个体极值位置和全局极值位置， 然后利用退温循环进行迭代，d = 1，2, ...，D，D是寻优空间维度；m为迭代变量；Cl、C2为学 习因子和1~2取值为在（0，1)上均匀分布的随机数；V为粒子速度为步骤3)得到的 更新后的个体极值位置；^为步骤4)得到的更新后的全局极值位置；X为粒子位置，《为 惯性因子； 6) 若迭代达到最大迭代数，则输出步骤（5)更新后的全局极值位置及对应的全局极 值；否则，返回步骤3)。
5.根据权利要求4所述一种基于模拟退火粒子群的AGV优化调度方法，其特征在于：所述N为40, mmax为1000,学习因子均取值为2, D的取值为50, VA的最大值为3, VA的最小 值-3。
【文档编号】G06N3/00GK104331749SQ201410578563
【公开日】2015年2月4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, 曹薇, 李程, 李国栋, 高贺云, 杨超群 申请人:陕西科技大学