本发明涉及一种面向自动化码头agv群的实时安全诱导方法。
背景技术：
交通诱导系统是目前公认的解决城市交通拥堵、改善行车安全、提高运行效率的有效途径。若在自动化码头agv路网中实时提供安全诱导信息，可以均衡优化agv流分布，提高路网的通行能力，避免或减少时空干涉。但同时，自动化码头agv系统中，需要考虑额外的约束，如时间、空间、设备的有限性，时空干涉的多样性，随机干扰下的鲁棒性。由于决策变量的数量激增，传统道路交通诱导方法很难直接应用于自动化码头agv的运作。
技术实现要素：
本发明提供一种面向自动化码头agv群的实时安全诱导方法，能有效抑制或减少冲突、等待、排队等时空干涉问题以均衡优化agv流分布，提高码头agv运行的智能化水平与安全性，实现路网车流的优化分配，提高路网整体效率。
为了达到上述目的，本发明提供一种面向自动化码头agv群的实时安全诱导方法，包含以下步骤：
步骤s1、设计自动化码头路网agv交通流模型，建立面向agv群的安全诱导模型；
步骤s2、在安全诱导模型基础上，利用模型预测控制的框架思路来设计实时安全诱导策略以指导agv群的安全运行；
步骤s3、将安全诱导策略转化为离线的参数计算和在线的混合整数规划命题，获得最优安全诱导策略。
所述的步骤s1包含以下步骤：
步骤s1.1、设计自动化码头路网agv交通流模型；
基于metanet宏观交通建模和仿真工具交通流模型，运用有向图描述自动化码头路网，用路段link表示自动化码头路网上节点之间的交通线路，用节点node表示两条或两条以上交通线路的连接点，用节段segment表示自动化码头路网上相邻节点之间的交通线路，每一个路段包含若干节段，用密度、流量、流速、流向、占有率来描述agv交通流特征；
步骤s1.2、依据时空干涉程度评价，运用状态空间法建立基于自动化码头路网拓扑结构特征的安全诱导模型：
x(q+1)＝g(x(q),v(q),d(q))；
其中，x(q)是状态向量；v(q)是安全诱导向量；d(q)是扰动向量。
所述的步骤s2包含以下步骤：
步骤s2.1、将扰动向量d(q)作为自动化码头路网的输入，在每个控制周期，检测码头路网实际运行状态，进而获得实际的码头路网状态数据；
一个控制周期＝当前检测时刻-上一个检测时刻；
步骤s2.2、采集码头agv流的运行数据，获得agv流的状态向量x(q)；
步骤s2.3、将扰动向量d(q)和状态向量x(q)作为模型预测控制的输入，根据安全诱导模型对agv流进行预测，同时通过模型预测控制优化安全诱导向量的切换变量，将优化后的安全诱导向量的切换变量输入自动化码头路网，从而对安全诱导模型的预测结果进行修正和优化。
所述的步骤s2.3包含以下步骤：
步骤s2.3.1、根据安全诱导模型对agv流进行预测，根据码头agv流的实际运行数据与上一时刻模型的预测值之差获得反馈校正项，若反馈校正项为正数，则将预测结果加上这个正数；若反馈校正项为负数，则将预测结果减去这个负数的绝对值，来修正预测结果；
步骤s2.3.2、建立基于预测状态的目标函数min
其中，ts是离散化的采样时间段，ρm,j(q)是在qts时刻的agv流平均密度，lm是路段m单位节段的长度，λm是路段m的车道数量，lj(q)是在节点j的排队长度，αc对安全诱导控制切换的惩罚系数；
步骤s2.3.3、按照以往的工况进行不同参数下的仿真比较，获取最优的离线参数，采用双层粒子群优化算法在每一个采样时刻在线优化求解当前控制周期下的安全诱导系统诱导控制信号二进制序列[v(q),v(q+1),v(q+2),…,v(q+hm-1)]，该序列不仅包含安全诱导控制信号发生切换的时刻，而且包含在切换时刻安全诱导控制信号的增量，其向量长度等于切换次数乘2，其中，
步骤s2.3.4、将优化结果作用于实际自动化码头路网，指导agv群的安全运行，然后在下一个控制周期重复该过程，执行滚动优化机制，以优化码头路网agv流分布，提高路网运行效率。
所述的步骤s3中，针对离线的参数计算，按照以往的工况进行不同参数下的仿真比较，获取最优的离线参数，针对在线的混合整数规划命题，采用双层粒子群优化算法进行求解，并通过多个子群并行计算加快求解速度，以满足模型预测控制的实时控制需求。
所述的基于并行计算的双层粒子群优化算法中，外层粒子群对安全诱导信息切换次数进行优化，内层粒子群对安全诱导信息切换时刻进行优化，针对外层粒子群给定的切换次数，内层粒子群利用多个子群并行优化计算该切换次数下的切换时刻，通过双层粒子群优化算法的迭代计算，最终得到最优的安全诱导方案。
所述的基于并行计算的双层粒子群优化算法包含以下步骤：
步骤s3.1、以切换次数为编码，初始化外层粒子s1cur及其速度v1cur；
步骤s3.2、针对外层粒子给定的切换次数，内层粒子群搜索安全诱导向量的切换时刻；
步骤s3.3、设置外层粒子的个体历史最优解s1pbest和外层种群历史最优解s1gbest；
若当前代为第一代，令s1pbest＝s1cur；若当前代不为第一代，且新一代外层粒子的解s1new优于其s1pbest，令s1pbest＝s1new；若当前代不为第一代，且s1new不优于其s1pbest，s1pbest不更新；
将最优的外层粒子个体历史最优解设置为外层种群历史最优解s1gbest；
步骤s3.4、判断外层粒子种群历史最优解s1gbest是否达到期望的安全诱导性能j*e，若达到，进行步骤s3.6，否则，进行步骤s3.5；
步骤s3.5、按照粒子群优化算法的迭代规则，对外层粒子群进行迭代计算，生成新一代外层粒子群，进行步骤s3.2；
v1new＝ω*v1cur+c1*(s1pbest-s1cur)+c2*(s1gbest-s1cur)
s1new＝s1cur+v1new
其中，s1new为新一代外层粒子的解，v1new为该粒子新的速度，ω为惯性权重，c1、c2分别为认知参数和社会参数；
步骤s3.6、将最优外层粒子的安全诱导向量切换变量sr(k)＝{tj|v(k+tj)≠v(k+tj-1),0≤tj≤hm-1}作为该控制时域内的最优安全诱导系统诱导控制信号二进制序列[v(q),v(q+1),v(q+2),…,v(q+hm-1)]；
其中，tj是到达节点j所需的时间，k是时刻，hm是控制时域，包含多个控制周期。
所述的步骤s3.2包含以下步骤：
步骤s3.2.1，对于当前外层粒子给定的切换次数n值，n＝countif[n,v(q+tj)≠v(q+tj-1),0≤tj≤hm-1)]，产生切换时刻的可行解集，将可行解集划分为p个可行解子集，将内层粒子种群分为p个子群，对任意一个子群中的任意一个粒子，在分配的可行解子集中随机选择一个解作为初始解s2cur，随机设置该内层粒子的速度v2cur；
其中，tj是到达节点j所需的时间，q是时刻，m是路段，n是安全诱导信息切换次数，hm是控制时域，包含多个控制周期；
步骤s3.2.2，根据当前外层粒子的安全诱导向量切换次数和当前内层粒子的安全诱导向量切换时刻，计算内层粒子群各粒子对应的安全诱导性能指标
步骤s3.2.3，按照粒子群优化算法的迭代规则产生新一代内层粒子群：
v2new＝ω*v2cur+c1*(s2pbest-s2cur)+c2*(s2gbest-s2cur)
s2new＝s2cur+v2new
其中，s2new为新一代内层粒子的解，v2new为该内层粒子新的速度，ω为惯性权重，c1、c2分别为认知参数和社会参数；
步骤s3.2.4，计算新一代内层粒子的性能指标，通过比较更新各内层粒子的个体历史最优解s2pbest：
对每一个内层粒子，若其s2new优于其s2pbest，令s2pbest＝s2new，否则s2pbest不更新；
将最优的内层粒子个体历史最优解设置为内层种群历史最优解s2gbest；
步骤s3.2.5，将各子群历史最优解s2gbest归入一个集合，判断该集合中的最优解是否满足粒子群优化的终止条件
其中，j*(q)是q时刻的最优安全诱导性能指标，σ是安全诱导性能指标阈值提升上限。
本发明运用交叉融合的思想和方法，将交通诱导技术与自动化码头agv的安全运行融合，在随机动态的环境下，运用模型预测控制等方法，提出实时安全诱导策略，通过自动化码头路网agv流交通状态的实时收集、安全诱导系统的实时优化，为agv提供设备警戒距离、路径警戒流量、agv警戒速度等安全诱导信息，能有效抑制或减少冲突、等待、排队等时空干涉问题以均衡优化agv流分布，提高码头agv运行的智能化水平与安全性，实现路网车流的优化分配，提高路网整体效率。
附图说明
图1是本发明提供的一种面向自动化码头agv群的实时安全诱导方法的流程图。
图2是利用模型预测控制的框架思路来设计实时安全诱导策略的流程图。
图3是双层粒子群优化算法的流程图。
图4是基于并行计算的内层粒子群优化算法的流程图。
具体实施方式
以下根据图1～图4，具体说明本发明的较佳实施例。
如图1所示，本发明提供一种面向自动化码头agv群的实时安全诱导方法，包含以下步骤：
步骤s1、设计自动化码头路网agv交通流模型，建立面向agv群的安全诱导模型；
步骤s2、在安全诱导模型基础上，利用模型预测控制的框架思路来设计实时安全诱导策略以指导agv群的安全运行；
步骤s3、将安全诱导策略转化为离线的参数计算和在线的混合整数规划命题，获得最优安全诱导策略。
进一步，所述的步骤s1包含以下步骤：
步骤s1.1、设计自动化码头路网agv交通流模型；
基于metanet(宏观交通建模和仿真工具)交通流模型，运用有向图描述自动化码头路网，用路段(link)表示自动化码头路网上节点之间的交通线路，用节点(node)表示两条或两条以上交通线路的连接点，用节段(segment)表示自动化码头路网上相邻节点之间的交通线路，每一个路段又可分成若干节段，用密度、流量、流速、流向、占有率等来描述agv交通流特征；
步骤s1.2、依据时空干涉程度评价，运用状态空间法建立基于自动化码头路网拓扑结构特征的安全诱导模型：
x(q+1)＝g(x(q),v(q),d(q))；
其中，x(q)是状态向量，包含路网路段的每个节段的平均密度、平均速度、是否等待、是否排队与排队长度等；v(q)是安全诱导向量，包含根据状态向量判断agv的运行是否超过设备警戒距离、路径警戒流量、agv警戒速度等安全约束，从而诱导agv执行不同的运行策略；d(q)是扰动向量(令q＝t/ts，ts是系统离散化后的时间步长)，包含路网实际通行能力、agv速度变化、流量波动、流量百分比、分离率等。
所述的步骤s2中，针对不确定环境下的安全诱导系统，在上述系统模型的基础上，采用多维随机变量形式在状态空间方程中描述agv流的不确定性，预测路网未来的agv流特性，分析路网的时空干涉对象、类型和分布，建立路网agv流的诱导性能指标(作业的平均延误时间、agv的平均速度、时空干涉发生率等)和安全约束。为了满足诱导策略的实时性，保证诱导策略在系统不确定性和随机干扰下具有较好的安全性能和稳定性，以模型预测控制思路为框架，通过模型预测、反馈校正、滚动优化机制，设计不确定安全诱导系统的实时预测控制策略指导agv群的安全运行，以优化码头路网agv流分布，提高路网运行效率。
如图2所示，所述的步骤s2包含以下步骤：
步骤s2.1、将扰动向量d(q)(包含船舶、岸桥、场桥、路网、作业需求等不确定因素的扰动)作为自动化码头路网的输入，在每个控制周期，检测码头路网实际运行状态，进而获得实际的码头路网状态数据；
一个控制周期＝当前检测时刻-上一个检测时刻；
步骤s2.2、采集码头agv流的运行数据，获得agv流的状态向量x(q)(包含流量、流向、占有率、密度、速度等)；
步骤s2.3、将扰动向量d(q)和状态向量x(q)作为模型预测控制的输入，根据安全诱导模型对agv流进行预测，同时通过模型预测控制(modelpredictivecontrol，mpc)优化安全诱导向量(根据状态向量判断agv的运行是否超过设备警戒距离、路径警戒流量、agv警戒速度等安全约束，从而诱导agv执行不同的运行策略)的切换变量，将优化后的安全诱导向量的切换变量输入自动化码头路网，从而对安全诱导模型的预测结果进行修正和优化。
所述的步骤s2.3具体包含以下步骤：
步骤s2.3.1、根据安全诱导模型对agv流进行预测，根据码头agv流的实际运行数据与上一时刻模型的预测值之差获得反馈校正项(反馈校正项是在每个采样时刻，实际运行数据对上一时刻模型的预测值之差)，若反馈校正项为正数，则将预测结果加上这个正数；若反馈校正项为负数，则将预测结果减去这个负数的绝对值，来修正预测结果；
步骤s2.3.2、建立基于预测状态的目标函数min
步骤s2.3.3、按照以往的工况进行不同参数下的仿真比较，获取较优的离线参数，采用双层粒子群优化算法在每一个采样时刻在线优化求解当前控制周期下的安全诱导系统诱导控制信号二进制序列[v(q),v(q+1),v(q+2),…,v(q+hm-1)]，该序列不仅包含安全诱导控制信号发生切换的时刻，而且包含在切换时刻安全诱导控制信号的增量，其向量长度等于切换次数乘2，其中，
步骤s2.3.4、将优化结果作用于实际自动化码头路网，指导agv群的安全运行，然后在下一个控制周期重复该过程，执行滚动优化机制，以优化码头路网agv流分布，提高路网运行效率。
所述的步骤s3中，针对离线的参数计算，按照以往的工况进行不同参数下的仿真比较，获取较优的离线参数；针对在线的混合整数规划命题，采用双层粒子群优化算法进行求解，并通过多个子群并行计算加快求解速度，以满足模型预测控制的实时控制需求。
所述的基于并行计算的双层粒子群优化算法中定义安全诱导向量的切换变量：sr(q)＝{tj|v(q+tj)≠v(q+tj-1),0≤tj≤hm-1}，记录一个控制时域hm内安全诱导信息发生切换的时刻，以安全诱导向量v(q)及其切换变量sr(q)作为待求解变量；
其中，tj是到达节点j所需的时间，q是时刻，控制时域包含多个控制周期；
在基于并行计算的双层粒子群优化算法中，外层粒子群对安全诱导信息切换次数进行优化，内层粒子群对安全诱导信息切换时刻进行优化。针对外层给定的切换次数，内层粒子群利用多个子群并行优化计算该切换次数下的切换时刻。通过双层粒子群优化算法的迭代计算，最终得到最优的安全诱导方案(切换策略)。
如图3所示，所述的基于并行计算的双层粒子群优化算法具体包含以下步骤：
步骤s3.1、以切换次数为编码，初始化外层粒子s1cur及其速度v1cur；
步骤s3.2、针对外层粒子给定的切换次数，内层粒子群搜索安全诱导向量的切换时刻；
步骤s3.3、设置外层粒子的个体历史最优解s1pbest和外层种群历史最优解s1gbest；
若当前代为第一代，令s1pbest＝s1cur；若当前代不为第一代，且新一代外层粒子的解s1new优于其s1pbest，令s1pbest＝s1new；若当前代不为第一代，且s1new不优于其s1pbest，s1pbest不更新；
将最优的外层粒子个体历史最优解设置为外层种群历史最优解s1gbest；
步骤s3.4、判断外层粒子种群历史最优解s1gbest是否达到期望的安全诱导性能j*e，若达到，进行步骤s3.6，否则，进行步骤s3.5；
步骤s3.5、按照粒子群优化算法的迭代规则，对外层粒子群进行迭代计算，生成新一代外层粒子群，进行步骤s3.2；
v1new＝ω*v1cur+c1*(s1pbest-s1cur)+c2*(s1gbest-s1cur)
s1new＝s1cur+v1new
其中，s1new为新一代外层粒子的解，v1new为该粒子新的速度，ω为惯性权重，c1、c2分别为认知参数和社会参数；步骤s3.6、将最优外层粒子的安全诱导向量切换变量sr(k)＝{tj|v(k+tj)≠v(k+tj-1),0≤tj≤hm-1}(tj是到达节点j所需的时间，k是时刻，hm是控制时域，包含多个控制周期)作为该控制时域内的最优安全诱导系统诱导控制信号二进制序列[v(q),v(q+1),v(q+2),…,v(q+hm-1)]。
进一步，如图4所示，所述的步骤s3.2包含以下步骤：
步骤s3.2.1，对于当前外层粒子给定的切换次数n值，n＝countif[n,v(q+tj)≠v(q+tj-1),0≤tj≤hm-1)](tj是到达节点j所需的时间，q是时刻，m是路段，n是安全诱导信息切换次数，hm是控制时域，包含多个控制周期)，产生切换时刻的可行解集，将可行解集划分为p个可行解子集，将内层粒子种群分为p个子群，对任意一个子群中的任意一个粒子，在分配的可行解子集中随机选择一个解作为初始解s2cur，随机设置该内层粒子的速度v2cur；
步骤s3.2.2，根据当前外层粒子的安全诱导向量切换次数和当前内层粒子的安全诱导向量切换时刻，计算内层粒子群各粒子对应的安全诱导性能指标
步骤s3.2.3，按照粒子群优化算法的迭代规则产生新一代内层粒子群：
v2new＝ω*v2cur+c1*(s2pbest-s2cur)+c2*(s2gbest-s2cur)
s2new＝s2cur+v2new
其中，s2new为新一代内层粒子的解，v2new为该内层粒子新的速度，ω为惯性权重，c1、c2分别为认知参数和社会参数；
步骤s3.2.4，计算新一代内层粒子的性能指标，通过比较更新各内层粒子的个体历史最优解s2pbest：
对每一个内层粒子，若其s2new优于其s2pbest，令s2pbest＝s2new，否则s2pbest不更新；
将最优的内层粒子个体历史最优解设置为内层种群历史最优解s2gbest；
步骤s3.2.5，将各子群历史最优解s2gbest归入一个集合，判断该集合中的最优解是否满足粒子群优化的终止条件
其中，j*(q)是q时刻的最优安全诱导性能指标，σ是安全诱导性能指标阈值提升上限。
本发明运用交叉融合的思想和方法，将交通诱导技术与自动化码头agv的安全运行融合，在随机动态的环境下，运用模型预测控制等方法，提出实时安全诱导策略，通过自动化码头路网agv流交通状态的实时收集、安全诱导系统的实时优化，为agv提供设备警戒距离、路径警戒流量、agv警戒速度等安全诱导信息，能有效抑制或减少冲突、等待、排队等时空干涉问题以均衡优化agv流分布，提高码头agv运行的智能化水平与安全性，实现路网车流的优化分配，提高路网整体效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。