基于蚁群算法实现AGV小车多目标调度的方法

技术领域

本发明涉及智能物流领域，尤其是涉及用于制造车间AGV小车的多目标调度的方法。

背景技术

目前，制造业领域中在物流配送等间接生产环节中会消耗更多的工作时间，仅有较少部分时间用于加工装配，因此控制物流成本和物流时间对于企业降本增效具有重要意义。AGV自动运输配送体系的调度，是指以特定的系统参数为优化目标，对运输任务和车辆进行权重化排列，在此基础上确定合理的分配方案，从而达到提升系统整体效率、降低运行成本的目的。为了实现AGV的高效调度和降低成本，学者们在此领域中提出并改进了多种智能算法来求解AGV调度难题，如进化算法、混合免疫算法、粒子群算法、可变邻域搜索算法、模拟退火算法等智能算法。

如公开号为CN 115470651 A公开了一种基于蚁群算法的带道路与时间窗车辆路径优化方法。蚁群算法是一种启发式算法，基本原理是通过模拟蚂蚁在寻找食物时的行为，通过信息素的沉淀和挥发，引导整个群体向着更优的方向前进，并最终找到最优解。蚁群算法在组合优化和路径规划等领域有着广泛的应用。在上述专利中，通过设计蚁群算法的状态转移规则和信息素更新相关参数，并求得的距离矩阵进行多次状态转移和信息素更新操作，再通过多次迭代逐渐使可行解向最优解靠近，从而得到最优路径。

然而，该算法在进行路径规划时，选择下一个节点时倾向于随机选择，需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢，容易在算法初始阶段陷入局部最优问题。特别是在需要调度带有多个执行任务的AGV小车的应用场景下，关于算法搜索精度要求与时间成本要求不平衡的问题更为显著。

发明内容

本发明目的是提供基于蚁群算法实现AGV小车多目标调度的方法，用于解决在针对多任务AGV小车调度时出现的初期收敛速度较慢、易陷入局部最优和算法搜索的精度和时间要求不平衡的问题。

本发明通过以下技术方案得以实现：

1、基于蚁群算法实现AGV小车多目标调度的方法，包括以下步骤：

S1、建立栅格地图：

建立栅格地图，设定小车的起点、终点、需要配送物料的工位点以及对应所述工位点的所需任务量，基于AGV小车能否通行来标记障碍区域和可通过区域；

S2、模型建立：

构建多目标任务调度模型，基于所述格栅地图建立总成本函数和约束条件，所述总成本函数包括路径成本函数、固定成本函数和惩罚成本函数，约束条件包括AGV最大负载能力和时间窗限制；

S3、AGV小车调度：

基于蚁群算法对所述多目标任务调度模型进行模型求解，得到最优调度路线结果。

根据公司实际生产制造车间的工作环境，将车间的平面地图划分为若干相同大小尺寸的栅格图形，并标记障碍区域和可通过区域，建立栅格地图。设定每个AGV小车的起点和终点，起点为物料存放的仓库位置，终点为AGV小车全部运输完成后小车存放点。并确定车间内需要配送物料的工位点即为小车的途径点，和每个工位点所需配送的物料量，即任务量，建立所述路径成本函数，所述固定成本函数和所述惩罚成本函数，并将上述三个成本函数相加得到总成本函数。

所述路径成本函数是指全部AGV小车执行完全部任务后的总运行距离；所述固定成本函数是指任务组数的优化。所述任务组是指一辆小车途径多个工位点完成多个物料配送任务，为一组任务组。其本质是指在使得每个任务组所包含的任务数达到最大，服务产线点达到最多。在同等任务量的情况下，需要满足的AGV小车数量最少，同时任务组所规划的产线点所需物料的总和要满足AGV的最大载重。所述惩罚成本函数是指小车到达每个产线点时对应的最佳时间窗范围，需要在合理的时间范围内进行对应产线点的物料配送。若早于或者晚于设定的最佳时间窗范围，则都会对AGV小车做出惩罚。

该种方法通过设置所述路径成本函数、所述固定成本函数和所述惩罚成本函数，使蚁群算法在搜索过程中考虑多个方面的优化目标，而不仅仅是寻找最短路径。这样可以使算法更加全面地考虑整体的代价和效益，避免陷入局部最优解。通过建立基于所述AGV小车的所述最大负载能力和所述时间窗限制的约束条件，可以在搜索过程中排除不符合实际情况的路径方案，从而避免生成无效的解。这有助于提高算法搜索的精度，并确保生成的路径方案符合实际应用的要求。通过考虑不同成本因素和约束条件，可以避免算法过早收敛到局部最优解，同时也能更好地满足时间和负载等实际要求。从而解决蚁群算法过程中初期收敛速度较慢、易陷入局部最优和算法搜索的精度和时间要求不平衡的问题。

2、作为本发明的优选，所述路径成本函数具体为：

V＝{0}&U；

其中，0表示所述起点；U＝{1，2，...，p}表示工位点集合；V表示节点集合，即所述起点和所述工位点的集合，K＝{1，2，…，k}表示AGV小车集合；G

所述固定成本函数具体为：

其中，

所述惩罚成本函数具体为：

其中，ti为AGV小车行驶至第i个工作点时对应的时间点，P(t

所述总成本函数具体为：

其中，z表示优化目标值；c

3、作为本发明的优选，所述约束条件具体为：

式(6)中

q

Q

式(7)中

M表示AGV车辆最大数量限制。

式(8)中

r表示产线点i、j之间的产线点。

式(9)中

式(10)中

d

式(11)中

式(12)中

t

式(13)(14)表示决策变量的性质。

4、作为本发明的优选，所述S3、AGV小车调度具体包括：

S3.1、状态转移

基于所述约束条件下，AGV小车在选择下一个所述工位点时需要考虑两个因素：

一是从当前所述节点i选择下一个所述节点j的路径的长度以及该路径段的信息素浓度，

二是选择下一个所述节点的时间窗宽度和偏离所述时间窗宽度的偏离程度；

S3.2、更新信息素

在蚂蚁搜索路径后，信息素需要根据搜索结果进行更新，以影响下一次蚂蚁的选择；信息素更新具体有：信息素挥发，信息素在每次迭代后会挥发一定比例的量，以避免信息素浓度过高导致蚂蚁过度集中在某条路径上。信息素增加，蚂蚁搜索路径时，走过的路径上的信息素浓度会根据搜索成功程度进行增加，通常增加的量与路径上的优化程度成正比。

S3.3、局部搜索

针对特定解的局部邻域进行搜索优化。

5、作为本发明的优选，所述S3.1、状态转移具体为：

优先选择路径短以及信息素浓度大的工位点，

AVG小车从当前所述节点i选择下一个所述节点j时，会优先选择路径短以及信息素浓度大的路径；设路径上的信息素浓度为τ

优先选择等待时间少或者所述时间窗跨度小的工位点，

AVG小车k从节点i到节点j的状态转移概率公式

width

其中,τ

作为本发明的优选，所述S3.1、状态转移步骤中增设节约算法步骤：

在两条空白的路径上分别放置节点i,j，再计算同时有节点i和节点j的路径值，最后计算同时有节点i,j的路径成本和分别两个节点，i,j路径成本的差值S

S

d

由于蚁群算法在算法初期初始信息素相同，节点路径信息较少，蚂蚁随机选择节点会导致算法搜索时间冗长，收敛速度缓慢等问题，又因η

作为本发明的优选，所述S3.2、更新信息素步骤具体为：

在信息素更新阶段中叠加了任务组优化函数f(k)来得到最少任务组的目标，信息素更新公式为

式中，ρ表示信息素挥发程度因子，且0＜ρ＜1，表示信息素的持久程度，即蚂蚁在该路径上的信息素的消失能力。Q为常数，表示蚂蚁遍历完所有节点所释放的信息素总量。L

作为本发明的优选，所述S3.2、更新信息素步骤中增设信息素限制步骤：

将每条路径上的信息素浓度限制在一个界值内，即τ

若τ

若τ

其中，ρ表示信息素挥发程度因子，f表示当前迭代的最小成本。

信息素限制步骤可以为了防止由于某条路径上的信息素过高，导致搜索停滞，陷入局部最优。

作为本发明的优选，所述S3.3、局部搜索步骤具体为：

S3.31、给定初始解S，并定义k个领域结构，记作{N

S3.32、使用邻域结构N

S3.33、若搜索完邻域结构N

S3.34、若i≤m，跳转到S3.32步骤；

S3.34、输出最优解。

作为本发明的优选，所述S3.3局部搜索步骤中增设邻域搜索结构：

删除所述仓库节点0，随机选择n个节点，将所选节点放置在最前端；根据所述约束条件重新加入仓库节点，得到新的邻域解S'。

综上所述，本发明新型具有如下有益效果：

1.设置多个目标函数使蚁群算法在搜索过程中考虑多个方面的优化目标，而不仅仅是寻找最短路径。这样可以使算法更加全面地考虑整体的代价和效益，避免陷入局部最优解。

2.通过考虑不同成本因素和约束条件，可以避免算法过早收敛到局部最优解，同时也能更好地满足时间和负载等实际要求。

3.在状态转移概率中融合节约算法，节约工位点与仓库的路径的成本，可以提高收敛速度，解决平衡搜索精度与时间要求不平衡的问题。

4.增设信息素限制步骤可以为了防止由于某条路径上的信息素过高，导致搜索停滞，陷入局部最优。

5.增加局部搜索能力，设计插入算子嵌入变邻域搜索算法。

附图说明

图1是时间窗约束下的惩罚函数图；

图2是节约算法示意图；

图3是邻域变换示意图；

图4是Insert搜索示意图；

图5是改进蚁群算法流程图；

图6是运动轨迹路线图；

图7是收敛曲线变化趋势图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

S1、建立栅格地图：

根据公司实际生产制造车间的工作环境，将车间的平面地图划分为若干相同大小尺寸的栅格图形，并标记障碍区域和可通过区域，建立栅格地图。设定每个AGV小车的起点和终点，起点为物料存放的仓库位置，终点为AGV小车全部运输完成后小车存放点。并确定车间内需要配送物料的工位点即为小车的途径点，和每个工位点所需配送的物料量，即任务量。在可通行区域内预设AGV小车的多条行经路线。如图6所示：建立尺寸20*20的栅格地图，一个小块表示1*1的栅格块，白色区域为可通过区域，黑色区域为障碍物(不可通过区域)，起始点坐标为(0.5，19.5)，目标点坐标为(13.5，4.5)。

S2、模型建立：

构建多目标任务调度模型并建立目标函数和约束条件，具体包括：

路径成本函数建立：

所建模型的路径成本是指AGV执行完全部任务后的总运行距离，为了模型得到准确解，我们将数据换算到产线点上，其数学模型为

固定成本函数建立：

为了方便模型计算，需要将任务组数进行换算，设计固定成本，其数学模型为

惩罚成本函数建立：

[et

式中，P(t

总成本函数建立

约束条件建立

其中，式(5)为总成本，包含路径成本、固定成本和惩罚成本；式(6)表示AGV承载量限制，每辆AGV不能超过其最大承载量；式(7)表示满足AGV车辆数量限制；式(8)表示AGV运输车k进出产线点的车辆数相等；式(9)表示AGV运输车完成配送必须要返回配送中心；式(10)表示AGV运输车的总配送距离不超过其最大续航距离；式(11)表示在该次配送过程中，每条产线点只能由一辆AGV运输车进行配送；式(12)表示服务时间的限制，其中M是一个充分大的正数；式(13)(14)表示决策变量的性质。

S3.设计改进的ACO算法进行模型求解，得到最优调度结果，如图5所示，具体包括：

S3.1状态转移

优先选择路径短以及信息素浓度大的工位点，

AVG小车从当前节点i选择下一个节点j时，会优先选择路径短以及信息素浓度大的路径；设路径上的信息素浓度为τ

节约算法，

如图2所示，节约算法是首先在两条空白的路径上分别放置节点i,j，再计算同时有节点i和节点j的路径值，最后计算同时有节点i,j的路径成本和分别两个节点i,j路径成本的差值S

S

式中，d

优先选择等待时间少或者时间窗跨度小的工位点，AVG小车k从节点i到节点j的状态转移概率公式为：

width

其中,τ

S3.2更新信息素

在信息素更新阶段中叠加了任务组优化函数f(k)来得到最少任务组的目标，使得每组的任务负载率尽可能的高，信息素更新公式为

式中，ρ表示信息素挥发程度因子，且0＜ρ＜1，表示信息素的持久程度，即蚂蚁在该路径上的信息素的消失能力。Q为常数，表示蚂蚁遍历完所有节点所释放的信息素总量。L

将每条路径上的信息素浓度限制在一个界值内，即τ

若τ

若τ

式中，ρ表示信息素挥发程度因子，f表示当前迭代的最小成本。

S3.3局部搜索

步骤3.31：其中Shaking阶段产生初始解，VND对初始解进行优化，如图3所示，具体步骤为：

步骤3.311：给定初始解S，并定义k个领域结构，记作{N

步骤3.312：使用邻域结构N

步骤3.313：若搜索完邻域结构N

步骤3.314：若i≤m，跳转到步骤3.312；

步骤3.315：输出最优解。

步骤3.32：设计了Insert搜索邻域结构。

如图4所示。首先删除初始解S中的仓库节点，再随机选择n个节点，将所选节点放置在最前端。再根据约束条件重新加入仓库节点，得到新的邻域解S'。更新后的任务组为：任务组1：仓库0-产线点4-产线点5-产线点1-产线点2-仓库0；任务组2：仓库0-产线点3-产线点6-产线点7-仓库0。

最终得到的AGV小车运动轨迹图以及收敛曲线变化趋势图如图6、7所示。