基于改进蚁群算法的泊车AGV路径规划方法与流程

本发明属于agv路径规划技术领域，具体地说，是一种基于改进蚁群算法的泊车agv路径规划方法。

背景技术：

基于泊车agv(automatedguidedvehicle)的智慧停车场采用机器人自主停车，当需要存车时，车主只需将汽车停放在车库入口处，然后就可以离开，接下来由停车agv将车辆搬运到停车位上。当需要取车时，车主只需要在客户端下达取车请求，停车agv就可以将汽车从车库内搬运到车库出口处。以上整个存、取车过程大大节省了停车人员的时间，同时缓解了静态交通问题。agv路径规划是停车agv系统中非常重要的问题，系统通过各种传感器装置实时获取停车场中停车位和行车道的使用情况，快速地为agv搜寻到一条从起点到目标点的最优路径，实现智慧停车。

针对多agv路径规划问题，国内外学者提出了多种有效方法，包括dijkstra算法、a*算法、蚁群算法等，这些算法被广泛用于解决各领域路径规划问题。如dengyong等人提出采用一种模糊dijkstra算法解决不确定环境下的最短路径问题；蔡旻等人提出一种将蚁群算法与a*算法相结合的改进a*算法。蚁群算法是一种新型仿生算法，凭借并行性、强鲁棒性、全局最优等优点广泛应用于路径规划问题。许多学者对基本蚁群算法进行了优化，大多是通过对信息素调节进行的优化。胡庆朋等人通过正态分布优化蚁群算法中的转移概率，提高收敛速度；文献利用人工势场法重构启发函数,提出的改进势场蚁群算法收敛速度较快；liuj,yang等人提出通过对信息素调节进行优化将蚁群算法与遗传算法融合，在蚁群算法中引入改进的交叉算子来避免陷入局部最优；

以上改进的算法未考虑到停车agv实际应用场景，由于停取车的需求是时变的，导致停车场内道路交通强度也是时变的，随着存、取车任务的下达，不同时间段行驶在路网中的停车agv数目可变，两点间距离最短并不代表行驶时间最短。当一段路径上车辆较多时，就可能出现优先级较低的停车agv需要等待优先级相对较高的停车agv通过来避障，如果排队较多，避障耗时较长，此时可能其他相对路径较长的路径耗时较短。因此最优路径的选择必须考虑到实时的停车场内交通信息。另一方面，相同距离的几条路径中，有的转弯次数较多，这样也增加了任务完成时间。

技术实现要素：

本发明的目的在于提供一种基于改进蚁群的泊车agv路径规划方法，为agv搜寻到一条从起点到目标点的最优路径，确保agv在最短时间内快速、准确地完成车辆存取任务。

本发明提供的一种基于改进蚁群算法的停车agv路径规划方法主要有以下几个部分组成：泊车agv环境建模；改进信息素更新策略；改进启发式信息强度；泊车agv运行时间节点计算；应用改进蚁群算法对泊车agv进行路径规划，得到时间最优路径。

为实现上述目的，本发明采用的技术解决方案为基于改进蚁群算法的停车agv路径规划方法，具体包括如下步骤：

步骤1、针对泊车agv实际运行环境，采用拓扑法建立环境模型；

步骤2、针对蚁群算法的局部最优问题，综合两种信息素更新方法并加入赏罚机制，对信息素更新策略进行改进；

步骤3、针对智能停车场的实际应用需求，将agv所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入agv避障时间和转弯耗时，得到运行时间最短路径；

步骤4、针对泊车agv运行时间的计算，基于直线和拐弯两种方式计算agv运行时间；

步骤5、应用改进蚁群算法对泊车agv进行路径规划，得到时间最优路径。

进一步地，所述步骤1包括以下子步骤：

步骤1.1：将泊车agv运行的停车场环境基于拓扑法抽象成一个带权的连接网络g(v，e，wij)，其中，v表示两个可连通节点组成的边的集合，e表示节点集合，wij代表节点i和j组成的边vij的权值；给定泊车agv一个任务，任务为指定停车agv运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车agv的运行路径即为拓扑图中的节点的有序数组；

步骤1.2：根据应用环境，做如下规定：

①泊车agv在同一时间段内只接受1项任务，任务执行期间，不接受系统分配的其他任务；

②设定所有的泊车agv均以相同的速度行驶，且agv载车时和空载时运行速度相同；

③泊车agv经过节点转弯的时间为常数；

④泊车agv运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车agv通过；

⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台agv使用；

⑥泊车agv的优先级由领取任务的时间决定，领取任务时间早的agv，其优先级高，优先级高的agv优先通过节点或者路段。

进一步地，所述步骤2包括以下子步骤：

步骤2.1：针对蚁群算法的局部最优问题，采用综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，以提高蚁群算法收敛速度；；

步骤2.2：实时信息素更新

在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素：

ρ表示信息素挥发程度，ρ∈(0,1)，q为常数，表示蚂蚁循环一次释放的信息素总量，dij表示i到j的距离，表示蚂蚁m在此轮迭代中经过路径(i,j)时释放的信息素浓度；

步骤2.3：路径信息素更新

在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚；

进一步地，所述步骤2.3包括以下子步骤：

步骤2.3.1：信息素奖励

对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素：

δτawa表示信息素奖励值，tmin表示此次迭代中最优路径的耗时；

步骤2.3.2：信息素惩罚

对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素：

δτpun表示信息素惩罚值，tmax表示此次迭代中最劣路径的耗时。

进一步地，所述步骤3包括以下子步骤：

步骤3.1：根据智能停车场的实际应用需求，改进启发式信息强度，将agv所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入agv避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车agv系统的运行路径；

步骤3.2：改进启发式信息强度：

e表示运行终点，η^e(i)为节点i到终点e的启发式信息强度，ti为蚂蚁从点i到终点的搜索时间，li为点i到终点的距离，v为agv的行驶速度，n表示蚂蚁在路径(i,e)上的最小转弯次数，t0为常数，表示agv转弯耗时。

进一步地，所述步骤4包括以下子步骤：

步骤4.1：计算agv通过节点i的时间，agv通过节点i分两种情况，(a)agv直线通过节点i，(b)agv转弯通过节点i；

步骤4.1.1：假设agv的行驶路径为i0→i→j，判断agv直线通过还是转弯通过节点i，要由i的前一节点i0和下一个节点j是否在同一条直线上来确定，转弯耗时为t0；

当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，agv直线通过点i，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，agv拐弯通过点i；

步骤4.1.2：设agv到达点i的时刻为agv全部离开点i的时刻为则agv直线通过节点i时可得：

agv转弯通过节点i时可得：

其中l表示agv车身长度，t0表示转弯耗时，即agv在该节点处拐弯比直线通过多出来的时间，且v是agv的行驶速度，则agv通过节点i的时间段为

步骤4.2：计算agv到达节点j的时刻，agv从点i搜索到下一个要到达的节点j，包含两种情况：(a)agv直线通过i节点到达j，(b)agv拐弯通过节点i到达j；

步骤4.2.1：当i的前一节点i0和下一个节点j的横坐标相同或者纵坐标相同时，两点在同一条直线上，agv直线通过点i到达j，当i的前一节点i0和下一个节点j的横坐标不同且纵坐标也不同时，两点不在同一条直线上，agv拐弯通过点i到达节点j；

步骤4.2.2：agv直线通过i节点到达j时，行驶时间计算为：

agv拐弯通过节点i到达j时，行驶时间计算为：

其中d为点i与点j之间的路径距离；

步骤4.3：假设当路径规划搜索到点j时，点j有k个已经被占用的时间段：则到达节点j的时刻为：

当时，

当时，此时agv需要在i点处停车避障，直到节点j处释放时间窗，

则可求得点i到点j的时间为，

进一步地，所述步骤5包括以下子步骤：

步骤5.1：初始化算法参数，包括蚂蚁数量m，最大迭代次数k，信息启发式因子α，期望启发式因子β等；

步骤5.2：进入迭代；

步骤5.3：agv根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：

为t时刻路径(i,j)上的信息素浓度，η^e(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；

步骤5.4：计算各agv经过的路径时间，记录当前迭代次数最优解；

步骤5.5：更新路径上的信息素浓度；

步骤5.6：判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；

步骤5.7：输出时间最短路径，并根据需要输出算法中的相关指标，包括agv运行时间、agv运行路径、收敛迭代次数和算法运行时间。。

本发明与现有技术相比，其显著优点为：

(1)改进算法可得泊车agv运行时间最短的路径，提高停车场的运行效率，缓解静态交通中的停车难问题，具有实际应用价值；

(2)通过改进信息素更新策略避免蚁群算法陷入局部最优问题，同时提高算法的收敛速度；

(3)通过改进启发式信息强度，提高蚂蚁对终点的可见性，加快全局搜索速度。

附图说明

图1为agv通过节点i示意图，其中(a)为agv直线通过节点i，(b)为agv拐弯通过节点i。

图2为agv通过节点i到达节点j示意图，其中(a)为agv直线通过i节点到达j，(b)为agv拐弯通过节点i到达j。

图3为本发明的整体流程图。

具体实施方式

下面结合说明书附图对本发明作进一步的说明。

本发明一种基于改进蚁群的停车agv路径规划方法。图1为agv通过节点i示意图，其中(a)为agv直线通过节点i，(b)为agv拐弯通过节点i。图2为agv通过节点i到达节点j示意图，其中(a)为agv直线通过i节点到达j，(b)为agv拐弯通过节点i到达j。图3为本发明实施的整体流程图，具体内容包括如下步骤：

1、环境建模，步骤如下：

⑴：将泊车agv运行的停车场环境基于拓扑法抽象成一个带权的连接网络g(v，e，wij)，其中，v表示两个可连通节点组成的边的集合，e表示节点集合，wij代表节点i和j组成的边vij的权值。给定泊车agv一个任务，任务为指定停车agv运行的起点和终点，然后规划一条从任务起点到任务终点能够连通的时间最短路径，泊车agv的运行路径即为拓扑图中的节点的有序数组；

⑵：根据应用环境，做如下规定：

①泊车agv在同一时间段内只能接受1项任务，任务执行期间，不接受系统分配的其他任务；

②假定所有的泊车agv均以相同的速度行驶，且agv载物时和空载时运行速度相同；

③泊车agv经过节点转弯的时间为常数；

④泊车agv运行车道为单道双向模式，一个路段在宽度上仅能容纳1台泊车agv通过；

⑤在某时刻或某一时间段内，停车场路网中的任一节点和任一行驶路段都只允许1台agv使用；

⑥泊车agv的优先级由领取任务的时间决定，领取任务时间较早的agv，其优先级较高，优先级较高的agv优先通过节点或者路段；

2、初始化系统各参数，建立系统中泊车agv的集合a、存取车任务请求指令的集合b、bab表示某一任务，a表示任务起点序号，b表示任务终点序号。泊车agv优先级由其所接受任务的时间决定，时间较早的，优先级较高。

3、为了避免蚂蚁在搜索路径时受非最优路径信息素的干扰容易陷入局部最优，综合实时信息素更新和路径信息素更新两种方法，并在路径信息素更新中加入赏罚机制，此策略可以提高蚁群算法收敛速度。首先在蚂蚁m完成一次搜索时，实时地更新其所经路径的信息素，然后在完成一次循环后，选出全局最优路径和最劣路径，基于赏罚机制，对于最优路径和最劣路径进行信息素赏罚。对于本次迭代中的最优路径，即蚂蚁完成任务耗时最短的路径，通过信息素奖励来更新最优路径上的信息素。对于本次迭代中的最劣路径，即蚂蚁完成任务耗时最长的路径，通过信息素惩罚来更新最劣路径上的信息素。

4、改进启发式信息强度，根据智能停车场的实际应用需求，节省用户存、取车的等待时间，对启发式信息强度进行改进，将agv所在节点到终点所运行时间的倒数作为启发式信息强度，运行时间加入agv避障时间和转弯耗时，然后以行驶时间最短为目标来优化停车agv系统的运行路径。

5、基于改进蚁群进行路径规划，接受任务后，得到起点以及终点，然后执行改进蚁群算法，步骤如下，

①初始化算法参数，包括蚂蚁数量m，最大迭代次数k，信息启发式因子α，期望启发式因子β等；

②进入迭代；

③agv根据转移概率来确定下一步要走的路径，直到寻找到任务终点，处于i节点的蚂蚁m在t时刻选择下一节点j的转移概率为：

为t时刻路径(i,j)上的信息素浓度，η^e(j)为t时刻j点的启发式信息强度，allowed为可选择节点集合；

④计算各agv经过的路径时间，记录当前迭代次数最优解；

⑤更新路径上的信息素浓度；

⑥判断是否达到最大迭代次数，若否，返回步骤5.2；若是，则结束程序；

⑦输出时间最短路径，并根据需要输出算法中的相关指标，如运行时间、收敛迭代次数等。

综上所述，本发明适用于智慧停车场的泊车agv的动态路径规划方法，基于改进蚁群的停车agv路径规划方法，以停车agv行驶时间最短为目标，改进信息素更新策略和启发式信息强度，避免蚁群算法陷入局部最优同时加快算法的收敛速度，对agv系统运行路径进行优化。