一种物流存储系统预防干涉的多自动导引车路径规划方法
【专利摘要】本发明涉及一种物流存储系统预防干涉的多自动导引车(Automatic Guided Vehicle，简称AGV)路径规划方法，通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析，计算路段、节点上AGV行驶重叠次数；本发明结合干涉度阈值，以多AGV运行时间为目标，建立带预防干涉约束的多AGV最短路径规划模型；本发明以蚁群算法为框架，保留信息素因子，去除可见度因子，增加A*因子、诱导因子，设计一种求解物流存储系统防干涉的多AGV路径规划诱导蚁群?粒子群融合方法。本发明结合码头、仓库、配送中心、集装箱场站以及各类堆场等典型物流存储系统的道路特征，提出多AGV路径规划方法，既能有效规避干涉，又能使AGV尽量按照各自的最短路径达到目的地，从而提高物流存储系统作业效率和安全性。
【专利说明】
一种物流存储系统预防干涉的多自动导引车路径规划方法
技术领域
[0001] 本发明涉及一种路径规划方法，具体涉及一种物流存储系统预防干涉的多自动导 引车路径规划方法。
【背景技术】
[0002] 在码头、仓库、配送中心、集装箱场站、厂内车间以及各类堆场等典型物流存储系 统中，自动化机械使用得越来越多。其中，AGV是当前使用广泛的水平运输设备，负责将货 物/集装箱由一处搬运到另一处。相对于传统水平运输方式（比如，集卡），AGV在自动化程 度、智能化升级等方面具有优势，且大大节省了人力资源成本，有效解决了集卡带来的内燃 机废气排放和噪声污染。
[0003] 单AGV路径规划是一个最短路径问题。在实际情况下，往往是多辆AGV同时行驶。由 于物流存储系统中道路空间的有限性，多辆AGV同时行驶必然存在以排队、延迟、拥堵、自锁 甚至碰撞等为主要特征的干涉问题。随着时间推移，延迟、碰撞、自锁会演化为排队，甚至拥 堵;拥堵会增加碰撞的概率，造成干涉空间的扩大，加重干涉的程度，影响后续作业计划和 安全性。加上人的智能决策的减少，当前物流存储系统多AGV最短路径规划凸显的问题是干 涉导致的作业效率和安全性等方面难以达到设计目标。因此，迫切需要研究既能有效规避 干涉，又能缩短作业任务完成时间的物流存储系统中多AGV最短路径规划方法。
【发明内容】
[0004] 本发明提供一种物流存储系统预防干涉的多自动导引车路径规划方法，其结合干 涉度阈值，以多AGV运行时间为目标，建立带预防干涉约束的多AGV最短路径规划模型，设计 一种诱导蚁群-粒子群融合方法，既能诱导蚂蚁有效规避路段、节点干涉，又能使AGV尽量 按照各自的最短路径达到目的地，从而提高物流存储系统作业效率和安全性。
[0005] 为实现上述目的，本发明是通过下述技术方案解决上述技术问题的：一种物流存 储系统预防干涉的多自动导引车路径规划方法，其特征在于，其包括以下步骤：
[0006] S1、通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析，计算路段、节 点上AGV行驶重叠次数；
[0007] S2、结合干涉度阈值，以多AGV运行时间为目标，建立带预防干涉约束的多AGV最短 路径规划模型；
[0008] S3、以蚁群算法为框架；
[0009] S4、设计一种求解物流存储系统预防干涉的多AGV路径规划诱导蚁群-粒子群融合 方法。
[0010] 优选地，所述步骤Sl物流存储系统中多AGV到达、离开各路段、节点时刻的分析包 含：
[0011] 将AGV所在物流存储系统的路网用一个包含N个节点Ai(KiSN)、B条边的图表 示。AGV共有P辆，第p辆AGV (用AGVp表示，p = 1，2，…，P)的起点、终点分别为Sp、Ep ^GVp的行 驶速度为Vp。
[0012] 假设AGVt^过路段(Ak，Al)，节点Ak、Al分别为AGVt^过的第i、i+1个节点（以起点S p 为第一个节点）。节点AhA1之间的距离用C+,表示。
[0013] 令AGVt^过路段(Ak，A〇的时间段为G。在TS时间段内，可能有其他AGV同时行驶 在路段(A kJ1)的上。若同时行驶在路段(AkJ1)上的AGV数量过多，就可能出现以拥堵、碰撞 等为主要特征的干涉问题，降低AGV的行驶速度，影响物流存储系统的整体运行效率。
[0014] 为避免路段(Ak，A〇上的干涉，AGVp可以选择绕行。但如果绕行造成行驶距离及行 驶时间过长，AGV p可能还不如在节点Ak前(通过减速或停止)等待一段时间，等路段(Ak，A〇 上部分AGV驶离使得AGV数量减少之后，AGV p再进入路段(Ak，Αι)。
[0015] 为此，取AGVp在节点Ak之前的等待时间为 <，则AGVp实际经过节点Ak的时刻为：
[0016]
(1)
[0017] AGVt^过路段(Ak，A1)的时间段％为：
[0018] Tm Jf) (2)
[0019] 优选地，所述步骤Sl计算路段上AGV行驶重叠次数包含：
[0020] 物流存储系统的路段(Ak，A〇上同一时间行驶的AGV数量过多，可能会造成路段干 涉。其他AGV是否经过路段(Ak，Ai)，有三种情况，这里以第q辆AGV(AGV q)为例来说明：
[0021] 第一种情况，AGVt^过路段(Ak，A〇,与AGV p同向，由式⑵可知
[0022] 第二种情况，AGVt^过路段(A1Jk)，与AGVp反向，由式(2)可知苽=(?);
[0023] 第三种情况，AGVq不经过路段(AhA1),也不经过路段(A 1,Ak)，G =? =0。
[0024] 由于多AGV最短路径规划问题中，AGV不会重复走同一条路段。因此，这里不考虑同 一辆AGV既经过路段(A1^A 1)，又经过路段(A1,Ak)的情况。即，上述第一种情况中，$ =0 ; 上述第二种情况中，73=0。
[0025] 根据％、^、： g的相互关系，可以判断AGVAAGVq是否同时经过路段(A1^A1)。 若C n(gU〇0，AGVd AGVq没有同时经过路段（Ak ,A1)，取％9 =〇;若 切门(? U C0，AGVt^AGVq同时经过了路段(Ak，A1)，取喂 ? = 1。
[0026] 在的基础上，可以统计出与AGVp同时经过路段(Ak，Ai)的AGV数(不包括AGV p) NK ··
[0027] ^
(3)
[0028] 其中q辛p。进而可以得到路段(Ak，Ai)上同时经过的最大AGV数Mffk,1:
[0029]
(4)
[0030] 为避免物流存储系统中的路段干涉，取单位距离上的最大允许AGV数为Ha，要求 任意路段(Ak，Αι)都满足：
[0031]
(5)
[0032] 优选地，所述步骤Sl计算节点上AGV行驶重叠次数包含：
[0033] 当很多辆AGV同时经过物流存储系统中某个节点时，则会造成节点干涉。
[0034] 若AGVP、AGVq都经过节点Ak，它们经过Ak时刻为<、《。实际情况下，AGV有一定的 长度，AGV经过节点Ak需要一定的时间。因此，若if、縿很接近，AGVp、AGVP基本上同时经过节 点Ak。这里取一个时间阈值Ht，若I |< /Z1，则认为AGVp、AGVp基本上同时经过节点Ak，取 2厂=1;否则，取Zf" =0。在此基础上，可以统计出与AGVp基本同时经过节点Ak的AGV数(不 包括AGVp)鮮、·
[0035]
(6)
[0036] 其中q辛p。进而可以得到基本同时经过节点Ak的最大AGV数MZk:
[0037]
(7)
[0038]为避免节点干涉，取节点上最大允许"基本同时经过的AGV数量"为Hb，要求任意节 点Ak都满足：
[0039] MZkSHb (8)
[0040] 优选地，所述步骤S2结合干涉度阈值，以多AGV运行时间为目标，建立带预防干涉 约束的多AGV最短路径规划模型包含：
[00411 令AGVp经过的节点数量为Np (包括起点Sp、终点Ep)。由式（1)可知，AGVp从起点到达 终点的时间为：
[0042；
[0043]期望各AGV都能以最短时间达到终点，目标函数即为：
[0044：
(10)
[0045] 式(5)、（8)是多AGV最短路径规划模型的两个预防干涉约束。
[0046] 优选地，所述步骤S3包含以下具体步骤:S3.1将蚁群算法与粒子群优化算法融合， S3.2保留信息素因子，去除可见度因子，S3.3增加 A*因子，S3.4增加诱导因子，S3.5重构新 的转移概率及状态转移规则，S3.6进行路径决策和节点前等待时间决策，S3.7更新信息素， S3.8运用粒子群优化算法优化节点前等待时间八个具体步骤。
[0047] 优选地，所述步骤S3.1将蚁群算法与粒子群优化算法融合包含：
[0048] 多AGV最短路径规划包含两个决策问题:一是路径决策，一是节点前的等待时间决 策。前者是离散的路径优化问题，后者是连续的实数优化问题。考虑到蚁群算法、粒子群优 化算法分别是路径优化领域、连续优化领域的经典算法，本发明在求解多AGV最短路径规划 问题上，以蚁群算法为框架，将蚁群算法与粒子群优化算法融合，提出诱导蚁群-粒子群融 合算法，并将其中的改进蚁群算法称为诱导蚁群算法。。
[0049] 优选地，所述步骤S3.2保留信息素因子，去除可见度因子包含：
[0050] S3.2.1初始化设置
[0051 ]对每一辆AGV，设置M只蚂蚁。对于AGVp，每只蚂蚁的初始路径第一个节点为Sp，其他 为M1,A2, ···，〃}(除去Sp)被随机打乱生成的一个序列。这里对每一辆AGV都进行各路段的 信息素设置。也即，每一条路段上都有多重信息素。第t代AGV p在路段(Ak，Αι)上的信息素为 仅对AGVp的蚂蚁起作用，对其他AGV的蚂蚁不起作用。
[0052]每条边上，各AGV的初始信息素都相等，为=C。
[0053] S3.2.2状态转移规则
[0054] 在传统蚁群算法中，蚂蚁依据信息素9>?(为方便，将用表示）、可见度nia 选择下一个城市。蚂蚁在城市k选择城市j的转移概率馬如式(11)所示：
[0055]
(11)
[0056] 其中，allowedk为下一步允许选择的城市集合。一般定义能见度因=
为路段长度的倒数(其中d(k，l)为节点AhA1之间的距离）。这种方法适合于要求遍历所有 城市的TSP问题。
[0057] 然而，多AGV最短路径规划问题与TSP问题有所不同，它目标是寻找到一条从起点 Sp到终点Zp的最短路径，并不要求遍历所有城市。每次蚂蚁选择下一个节点时，应该尽量朝 向终点前进。如何选择下一个节点，与下一个节点与当前节点的距离是大是小，关系并不 大。
[0058] 在多AGV最短路径规划中，信息素仍然是非常重要的。因此，本发明保留信息素因 子，舍弃能见度因子。
[0059] 优选地，所述步骤S3.3增加 A*因子包含：
[0060] A*算法是最短路径规划问题的一种经典算法，由于能够求得接近最优解的解、求 解速度快及效率高而被较广泛使用。本发明参照A*算法，在蚁群算法中增加 A*因子Ikl，以增 强求解速度：
[0061]
[0062] %Αι 的坐标，（χΖρ， yzP)为终点Zp的坐标。
[0063] 用A*因子Ikl来引导蚂蚁尽可能地向终点前进。
[0064] 优选地，所述步骤S3.4增加诱导因子包含：
[0065] AGVp的每一只蚂蚁在选择下一个节点时，应有意识地避开其他AGV较多的路段。
[0066] 然而，每次迭代中，各蚂蚁行走的路径有较大的随机性。若蚂蚁只是规避当代其他 AGV，这种规避也具有较大的随机性。而一般而言，各AGV的历史最优路径会逐渐趋向最优 解，并逐渐稳定。因此，AGVd9每一只蚂蚁」<^7(/?=1,2，.* .，1)行走时，有意识地规避 /K; 〇 = 1，2,…，户，身# J?)经过的路径。
[0067] 每一代结束时，记录各AGV的历史最优路径(AGVp的历史最优路径用表示）， 以及抓(户=1，2,…,巧经过路段(Ak，Al)、路段(Al， Ak)的时间段1%、。若』GF/不 经过路段(Ak，Ai)、路段(Ai，Ak)，7仏=0，7^ = 0。
[0068] 若AG Vd的第m只蚂蚁』GFm经过路段（Ak，A1)、路段（Ai，A k)的时间段分别为 没有同时经过路段（A1^A1)，取 吋经过路段(AhA1)，取=1。进 而可以统计出与AGVp同时经过路段(Ak，A〇的历史最优AGV数量(不包括dGF/) .1)
[0069] (13)
[0070]
[0071]
[0072] 即，如果AGVp也经过路段(Ak，Ai)，加上其他AGV的历史最优路径，共有〇kl辆AGV同时 经过路段(A k，A〇。
[0073] 用〇kl来诱导蚂蚁规避干涉路段(或可能干涉路段），将〇kl称为诱导因子。
[0074] 优选地，所述步骤S3.5重构新的转移概率及状态转移规则包含：
[0075]在信息素因子、A*因子、诱导因子的基础上，构建新的转移概率式（14):
[0076]
(14)
[0077] 当蚂蚁在节点Ak时，在可能作为下一个节点的所有节点中，信息素因子％;越强，A* 因子U 1越小，诱导因子〇kl越小，越有可能被选为下一个节点。按下式（15)给出的规则选择 下一个将要移动到的节点A ne3xt:
[0078]
(15)
[0079] 其中，λ是在[0，1]区间均匀分布的随机数，λ〇是一个参数(〇彡λ〇彡1)，J为根据方程 式(14)给出的概率分布所选出的一个随机变量。
[0080] 优选地，所述步骤S3.6进行路径决策和节点前等待时间决策包含：
[0081 ]蚂蚁在选择好下一个节点Ak之后，i
[0082] (16)
[0083] 则在适应度中按照惩罚项2
?行惩罚，Λ 为惩罚系数。
[0084]若AGVj^蚂蚁当前搜索到的节点已经是终点Ερ，当前蚂蚁结束搜索，下一只蚂蚁开 始搜索。
[0085] 优选地，所述步骤S3.7更新信息素包含：
[0086] 本发明中信息素更新规则包含局部更新和全局更新。在每一只蚂蚁结束时，该蚂 蚁经过的所有边都进行信息素局部更新：
[0087] %, = ?-~ Ρ)ψιι+P-
[0088] 其中，P为挥发系数；~ = (Μ；,)4，为当前蚂蚁经过之后新增的信息素。Tnn为当前 蚂蚁完成路径的总时间。
[0089] AGVj^所有蚂蚁都完成路径搜索时，对当代最优路径进行信息素全局更新：
[0090] ΨΜ =(\~ ρ)φια + ρ·Αφ'
[0091 ]其中Af = ，为当代最优路径新增的信息素。Tgb为当代最优蚂蚁完成路径的 总时间。
[0092]优选地，所述步骤S3.8运用粒子群优化算法优化节点前等待时间包含：
[0093] S3.8.1初始化设置
[0094] 粒子群优化算法中，粒子数等于蚂蚁数M。粒子由节点前等待时间
戎。每个粒子的编码为一个P*N的矩阵：
[0095]
[0096] 该矩阵的每一个元素为[0，τΜΧ]内的一个随机数。为能接受的Tf最大值。设 置粒子中每一个元素的初始速度Vo、最大速度Vmax。
[0097] S3.8.2节点前等待时间的迭代
[0098] 每个粒子的每个元素<，按照粒子群优化算法的迭代规则进行迭代。
[0099] Kp = + CiRi (pbf -Tf) + C2R2 (gb,^ - τβ (17)
[0100] Tf = f/ + Vf (18)
[0101] 其中，if是当前粒子的速度，I#是当前粒子的个体历史最优位置，为所有粒 子的全局历史最优位置。ω为惯性权重，C1，C2>0为学习因子，办，1?2为(〇，1)之间的随机数。
[0102] S3.8.3蚂蚁行走过程中的节点干涉判断
[0103] 在每一只蚂蚁的搜索过程中，对它经过的每一个节点，都进行节点干涉判断。
[0104] 每次迭代中，各蚂蚁经过的节点也有较大的随机性。在AGVp的每一只蚂蚁经过每 一个节点时，与其它AGV的进行节点干涉判断。
[0105] 若AGVp的当前蚂蚁』(m=l，2,…，M)、AGVq的历史最优蚂蚁(P/?)都 经过节点Ak，它们经过Ak时刻为f、r|。若Iif-G丨<拓.，取Z'f =1，否则Zf〃=〇Q:进而可 以统计出与JGF/基本同时经过节点Ak的JGG数量iVZf'
[0106]
[0107] 具中q羊p。右
[0108] NZ，l + \>H:b (B)
[0109] 在适应度中按照惩罚3
进行惩罚，Λ为 惩罚系数。
[0110] 优选地，所述步骤S4包含以下具体步骤：S4.1建立适应度函数，S4.2设置各AGV的 历史最优蚂蚁，S4.3设置粒子的个体历史最优、全局历史最优，S4.4执行诱导蚁群-粒子群 融合算法流程四个具体步骤。
[0111] 优选地，所述步骤S4.1建立适应度函数包含：
[0112] 本发明由于考虑了节点前等待时间，不采用AGV行驶总距离作为适应度函数，采用 AGV行驶总时间作为适应度函数。同时，应用惩罚函数对路段干涉、节点干涉进行惩罚。在式 (10)、（16)、（19)的基础上，建立适应度函数如下：
[0113]
师）
[0114] 其中，等号右边的第二项为惩罚项，Λ为惩罚系数。
[0115] 优选地，所述步骤S4.2设置各AGV的历史最优蚂蚁包含：
[0116] S4.2.1各AGV历史最优蚂蚁的初始化与更新
[0117] 如果当前蚂蚁为第一代AGVP(p = l，2，···，Ρ)的第一只蚂蚁，将这只蚂蚁设为 JGF/ ;否则，将当前蚂蚁与JGF/进行比较，若当前蚂蚁更优，更新
[0118] S4.2.2重新计算的适应值
[0119] 由步骤33.6、33.8、34.1可知，每一代，对厶6￥1)的第111只蚂蚁^5^^(/?=1，2,...，似)： 进行路段和节点干涉判断、适应度计算时，是假设当前蚂蚁与其他AGV的历史最优蚂蚁 3(^7(9=1，2，~,尺^^/)在路网上共同行驶的。为方便，本发明将这称为：3(^7以 4(^《〇 /=1，2，~'，^^户)为背景进行路段和节点干涉判断，以及适应度计算。
[0120] 由S4.2.1可知，每一个jGF,/的适应度，都是以它被初始化或更新时的其他 1^以=1，2，~，心0贞的为背景进行计算的。在这之后，若任何一个 Ι?/ =1、，2.，··_·:，#，^O).被更新，的适应度也应该更新一下。
[0121] 为保证··，Ρ)适应值的合理准确，在每一代计算结束时，以 =U,…妁为背景，对每一个JGF/的路段干涉、节点干涉都重新进行判断， 对相应的惩罚项及适应值都重新进行计算。这样，每一代计算结束后的 = U.…？），就是一组与其适应度相匹配的AGV集合。
[0122] 优选地，所述步骤S4.3设置粒子的个体历史最优、全局历史最优包含：
[0123] 第一代结束时，将每一只蚂蚁作为它的个体历史最优，将各节点前等待时间作为 它的个体历史最优位置(式(17)中的)。
[0124] 从第二代开始，每一代每一只蚂蚁行走结束时，将它与它的个体历史最优进行比 较，若当前蚂蚁优于它的个体历史最优，更新它的个体历史最优及个体历史最优位置。
[0125] 每一代，在各AGV的历史最优按步骤S4.2.2重新计算之后，将』作为它 的全局历史最优，的各节点前等待时间作为它的全局历史最优(式(17)中的g/f)。
[0126] 优选地，所述步骤S4.4执行诱导蚁群-粒子群融合算法流程包含：
[0127] 诱导蚁群-粒子群融合算法中诱导蚁群算法优化路径与粒子群优化算法优化节点 前等待时间，这两种优化计算没有先后顺序。它们是相互交织在一起的，具体步骤如下：
[0128] S4.4.1按照S3.2.1、S3.8.1进行蚂蚁种群和粒子群的初始化设置。
[0129] S4.4.2对每一辆AGV的每一只蚂蚁，都从起点开始，按照S4.4.2.1~S4.4.2.7进行 路径搜索。
[0130] S4.4.2.1按照S3.5选择下一个节AAnext。按照"S1通过物流存储系统中多AGV到 达、离开各路段、节点的时刻分析"计算出蚂蚁经过Ane3xt的时刻。
[0131] S4.4.2.2按照S3.6对蚂蚁刚经过的路段进行路段干涉判断；针对节AAnext,按照 S3.8.3进行节点干涉判断。
[0132] S4.4.2.3若Anext不是终AEp，返回STEP S4.4.2.1;否则，转到STEP S4.4.2.4。
[0133] S4.4.2.4按照S3.7,进行信息素局部更新。
[0134] 34.4.2.5按照34.1计算当前蚂蚁的适应值，按照34.2.1初始化或更新力^^;按 照S4.3,初始化或更新当前蚂蚁的个体历史最优及个体历史最优位置。
[0135] S4.4.2.6若AGVp(p = 1，2，…，P)的所有蚂蚁都搜索结束，完成如下两项工作:按照 S3.7，进行信息素全局更新;按照S4.2.2，重新计算JGF/的适应值。
[0136] S4.4.2.7若所有AGV的所有蚂蚁都搜索结束，按照S4.3设置粒子群的全局历史最 优。
[0137] S4.4.3检查终止条件，若满足，则结束寻优，输出结果;否则，转到S4.4.4
[0138] S4.4.4按照S3.8.2，对节点前等待时间进行迭代计算，返回S4.4.2。
[0139] 综上所述，本发明的积极进步效果在于:不同于现有路径规划方法仅包含路径决 策，本发明包含路径决策和节点前等待时间决策两个决策问题。本发明结合物流存储系统 干涉度阈值，以多AGV运行时间为目标，综合运用蚁群算法、A*算法和粒子群算法的优点，设 计诱导蚁群-粒子群融合方法。本发明可指导物流存储系统多AGV路径规划，避免干涉现象， 缩短作业任务完成时间，从而提高作业的效率和安全性。
【附图说明】
[0140] 图1为本发明中诱导蚁群-粒子群融合算法的流程图。
[0141] 图2为本发明中物流存储系统路网示意图。
【具体实施方式】
[0142] 以下结合附图，给出本发明的流程和较佳实施例，以进一步说明本发明的技术方 案。
[0143] 如图1所示，通过诱导蚁群-粒子群融合算法对多自动导引车路径进行规划方法， 实现物流存储系统的干涉预防。诱导蚁群算法优化路径与粒子群优化算法优化节点前等待 时间，这两种优化计算没有先后顺序。它们是相互交织在一起的，具体包含以下步骤：
[0144] 步骤1:蚂蚁种群初始化设置；
[0145] 对每一辆AGV，设置M只蚂蚁。对于AGVp，每只蚂蚁的初始路径第一个节点为Sp，其他 为M 1,A2, ···，〃}(除去Sp)被随机打乱生成的一个序列。这里对每一辆AGV都进行各路段的 信息素设置。也即，每一条路段上都有多重信息素。第t代AGV p在路段(Ak，Αι)上的信息素为 仅对AGVp的蚂蚁起作用，对其他AGV的蚂蚁不起作用。
[0146] 每条边上，各AGV的初始信息素都相等，为<P?(A〇) =C。
[0147] 步骤2:粒子群初始化设置；
[0148] 粒子群优化算法中，粒子数等于蚂蚁数M。粒子由节点前等待时间 「./'（/ =1，2，...，况:…构成。每个粒子的编码为一个P*N的矩阵：
[0149]
[0150] 该矩阵的每一个元素为[0, Tmax]内的一个随机数。Tmax为能接受的最大值。设 置粒子中每一个元素的初始速度Vo、最大速度Vmax。
[0151 ]步骤3:设置迭代次数t = 1;
[0152] 步骤4:将各AGV的首节点设置为各蚂蚁的首节点，计算各蚂蚁离开首节点的时刻；
[0153] 步骤5:对每一辆AGV的每一只蚂蚁，都从起点开始，按照步骤5.1~步骤5.9进行路 径搜索；
[0154] 步骤5.1:选择蚂蚁的下一个节点Ane3xt;
[0155] 在信息素因子、A *因子、诱导因子的基础上，构建新的转移概率式
。当蚂蚁在节点Ak时，在可能作为下一个节点的所 有节点中，信息素因子％越强，A*因子Ikl越小，诱导因子〇kl越小，越有可能被选为下一个节 点。按式
￥出的规则选择下一个将要移动到的 节点Ane3xt。其中，λ是在[0，1 ]区间均匀分布的随机数，λ〇是一个参数(〇彡λ〇彡1 )，J为根据新 的转移概率方程式给出的概率分布所选出的一个随机变量。
[0?56] 步骤5.2:计算蚂蚁经过Anext的时刻；
[0157] 将AGV所在物流存储系统的路网用一个包含N个节点Ai(l<i彡Ν)、Β条边的图表 示。AGV共有P辆，第ρ辆AGV (用AGVp表示，ρ = 1，2，…，P)的起点、终点分别为Sp、Ep ^GVp的行 驶速度为Vp。
[0158] 假设AGVt^过路段(Ak，Ai)，节点Ak、Ai分别为AGVt^过的第i、i+1个节点（以起点S p 为第一个节点）。节点AhA1之间的距离用表示。
[0159] 令AGVt^过路段(Ak，A〇的时间段为g。在$时间段内，可能有其他AGV同时行驶 在路段(AkJ1)的上。若同时行驶在路段(AkJ1)上的AGV数量过多，就可能出现以拥堵、碰撞 等为主要特征的干涉问题，降低AGV的行驶速度，影响物流存储系统的整体运行效率。
[0160] 为避免路段(Ak，A〇上的干涉，AGVp可以选择绕行。但如果绕行造成行驶距离及行 驶时间过长，AGV p可能还不如在节点Ak前(通过减速或停止)等待一段时间，等路段(Ak，A〇 上部分AGV驶离使得AGV数量减少之后，AGV p再进入路段(Ak，Αι)。
[0161] 为此，取AGVp在节点Ak之前的等待时间为<，则AGV p实际经过节点Ak的时刻为
AGVt^过路段
[0162] 步骤5.3:对蚂蚁刚经过的路段进行路段干涉判断；
[0163] 蚂蚁了在选择好下一个节点Ak之后，讨
则在适应度中按 照惩罚项
进行惩罚，Λ为惩罚系数。
[0164] 步骤5.4:对节点Anext进行节点干涉判断；
[0165] 在AGVp的每一只蚂蚁经过每一个节点时，与其它AGV的JGff进行节点干涉判断。
[0166] 若A G V Ρ的当前蚂蚁
的历史最优蚂蚁 0 j?)都经过节点Ak，它们经过"时亥Ij为<、G 0若I < 一 C |< ZZi，取Z Γ = 1，否贝IJ
Z p = 〇。讲而可W钵讦屮基本同时经过节点Ak的』GF/数量TVZflf:
[0167]
[0168] 其中q乒p。若尨，在适应度中按照惩罚项疋)，皿%(〇，備|+1-私) 进行惩罚，Λ为惩罚系数。
[0169] 步骤5.5:若Anext不是终AEp，返回步骤5.1;否则，转到步骤5.6;
[0170]步骤5.6:进行信息素局部更新；
[0171] 在每一只蚂蚁结束时，该蚂蚁经过的所有边都进行信息素局部更新： =0-0)? ，其中，P为挥发系数，Δ炉= 为当前蚂蚁经过之后新增的信息 素，Tnn为当前蚂蚁完成路径的总时间；
[0172] 步骤5.7:计算当前蚂蚁的适应值；
[0173] 考虑了节点前等待时间，采用A G V行驶总时间作为适应度函数。 同时，应用惩罚函数对路段干涉、节点干涉进行惩罚。建立适应度函数：
其中，等号右边的第二项为惩罚项， Λ为惩罚系数；
[0174]步骤5.8:判断当前代是否是第一代:如果满足条件，则初始化各AGV的历史最优路 径'、初始化各粒子的个体历史最优;如果不满足条件，则更新各AGV的历史最优路径、 各粒子的个体历史最优；
[0175] 如果当前蚂蚁为第一代AGVP(p = l，2，···，Ρ)的第一只蚂蚁，将这只蚂蚁设为 ;否则，将当前蚂蚁与』@/进行比较，若当前蚂蚁更优，更新。
[0176] 第一代结束时，将每一只蚂蚁作为它的个体历史最优，将各节点前等待时间作为 它的个体历史最优位置冲
[0177] 从第二代开始，每一代每一只蚂蚁行走结束时，将它与它的个体历史最优进行比 较，若当前蚂蚁优于它的个体历史最优，更新它的个体历史最优及个体历史最优位置。
[0178]步骤5.9:判断当前代是否所有蚂蚁都搜索结束：如果满足条件，则进行信息素全 局更新，重新计算的适应值，设置粒子群的全局历史最优;如果不满足条件，则按照t =t+1更新迭代次数，返回步骤4;
[0179] AGVj^所有蚂蚁都完成路径搜索时，对当代最优路径进行信息素全局更新： ΡΜ/+Ρ·Δ<?>'。其中，为当代最优路径新增的信息素，Tgb为当代最优 蚂蚁完成路径的总时间。
[0180] 为保证(尸=U，…，Ρ)适应值的合理准确，在每一代计算结束时，以 3(^%=1，2，^户/〇为背景，对每一个3(^/的路段干涉、节点干涉都重新进行判断， 对相应的惩罚项及适应值都重新进行计算。这样，每一代计算结束后的 H7,f(/) = U,…，尸），就是一组与其适应度相匹配的AGV集合。
[0181] 每一代，在各AGV重新计算历史最优之后，将作为它的全局历史最优， iGF/的各节点前等待时间作为它的全局历史最优W。
[0182] 步骤6:检查终止条件是否满足:如果满足条件，则结束寻优，输出结果;否则，转到 步骤7;
[0183] 步骤7:对节点前等待时间进行迭代计算，返回步骤3。
[0184] 每个粒子的每个元素 Tf，按照粒子群优化算法的迭代规则进行迭代。
[0185] Kp = + cA(Pb,p -tH + c2R2(sb,p - rf)
[0186] Ti- = Tf + V/'
[0187] 其中，是当前粒子的速度，辦f是当前粒子的个体历史最优位置，gg为所有粒 子的全局历史最优位置。ω为惯性权重，C1，C2>0为学习因子，办，1?2为(〇，1)之间的随机数。
[0188] 如图2所示，本发明公开了一种物流存储系统路网示意图，该示意图包含:若干节 点、若干路段和若干AGV。
[0189] 在图2所示的物流存储系统路网中，任意两点之间若有点划线的，表示这两点之间 道路通畅；否则表示没有道路或道路不通。横向相邻的各节点之间相距1.8个距离单位，纵 向相邻的各节点之间相距1个距离单位。空心形状符号、实心形状符号分别表示多AGV执行 水平运输任务的起点和终点。例如，空心圆点、实心圆点表示第一台AGV的起点、终点；空心 三角形、实心三角形表示第二台AGV的起点、终点；空心正方形、实心正方形表示第三台AGV 的起点、终点。三台AGV没有优先级差异，起点、终点、行驶速度也互不相同。
[0190]以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术 人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本 发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变 化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。
【主权项】
1. 一种物流存储系统防干涉的多AGV路径规划方法，其特征在于，该方法包含： 51、 通过物流存储系统中多AGV到达、离开各路段、节点的时刻分析，计算路段、节点上 AGV行驶重叠次数； 52、 结合干涉度阈值，以多AGV运行时间为目标，建立带预防干涉约束的多AGV最短路径 规划模型； 53、 以蚁群算法为框架； 其特征在于:S3包括S3.1将蚁群算法与粒子群优化算法融合，S3.2保留信息素因子，去 除可见度因子，S3.3增加 A*因子，S3.4增加诱导因子，S3.5重构新的转移概率及状态转移规 贝1J，S3.6进行路径决策和节点前等待时间决策，S3.7更新信息素，S3.8运用粒子群优化算法 优化节点前等待时间八个具体步骤。 54、 设计一种求解物流存储系统预防干涉的多AGV路径规划诱导蚁群-粒子群融合方 法； 其特征在于:S4包括S4.1建立适应度函数，S4.2设置各AGV的历史最优蚂蚁，S4.3设置 粒子的个体历史最优、全局历史最优，S4.4执行诱导蚁群-粒子群融合算法流程四个具体步 骤。
【文档编号】G06Q50/28GK105938572SQ201610022324
【公开日】2016年9月14日
【申请日】2016年1月14日
【发明人】李军军, 许波桅, 杨勇生
【申请人】上海海事大学