基于特殊情况的矩阵车间AGV调度的优化方法

技术领域

本发明涉及车间自由导向小车送货调度技术领域，特别是属于基于离散杂草优化算法的用于解决带有特殊情况的矩阵车间多AGV调度的优化方法。

背景技术

传统的车间调度中，配送物料都是由工人进行配送，人为因素多会导致配送不及时，物料配送不足或超容等，在一定程度上降低了车间的生产效率，进而影响生产者的订单数目和完工期限。随着工业4.0的提出，智能化工业产业逐步替代传统工业，AGV小车在车间的使用中越发广泛，AGV车间调度的研究也就成为了研究重点。

目前，针对AGV调度问题提出了许多启发式算法，其中的离散杂草优化算法只针对于最优解决方案的搜索，然而求解AGV调度问题时还面临以下问题：固定时间下，迭代次数较低，并不能得出更好的结果，同时也没有针对降低运输成本提出适应方案，另外，在矩阵车间多AGV调度过程中，也没有着重考虑特殊情况的处理方案。

发明内容

本发明的目的即在于提供一种基于特殊情况的矩阵车间AGV调度的优化方法，以达到在制定适合车间实际生产的调度方案的基础上，实现优化AGV应对特殊情况能力的目的。

本发明所提供的一种基于特殊情况的矩阵车间AGV调度的优化方法，其特征在于，包括以下步骤：

步骤1：预设置离散杂草优化算法相关参数；包括初始种群数量，最大种群数量，最小种子数和最大种子数；

步骤2：生成在线列表，根据当前需要配送的任务，将任务信息转换为任务列表；

步骤3：初始化种群；利用邻域最近距离的启发式算法生成一个优质解，利用随机生成的方法生成其他解，至达到初始种群数量；

步骤4：初始化种群进行优化；

步骤5：判断是否出现特殊情况，是则执行特殊事件处理机制，并返回步骤2，否则进入步骤6；

步骤6：输出最佳解。

进一步的，在步骤2中，所述的任务信息包括任务编号、任务点具体任务坐标、到仓库的最短距离、呼叫时间、呼叫时刻的缓存区库存以及最迟送达时刻。

进一步的，在步骤5中，所述的特殊事件处理机制包括以下过程：

a.判断当前是否发生特殊情况，如出现特殊情况，判断特殊情况的具体种类；

b.根据特殊情况种类，对特殊任务进行信息更新：当出现机器重启时，将特殊任务的配送时间延迟20S；当出现机器损坏时，取消特殊任务的本次配送；

c.判断当前是否有AGV车辆已从仓库出发开始配送，若已有AGV发车，则记录下此车携带的任务；

d.统计特殊任务所需的处理信息，统计已发车的AGV的任务信息，存储并留待提交。

进一步的，在步骤4中，优化过程如下：

步骤4-1：将初始种群根据适应度进行排序，通过

步骤4-2：利用随机方法，初始种群的每个个体通过交换算子或插入算子新产生的种子加入初始种群中，形成新种群；

步骤4-3：将新种群按照适应度进行排序，判断新种群数量是否达到最大种群数量，判断新种群数量是否达到最大种群数量；若已达到最大种群数量，则按照适应度排名，则舍去多余的适应度较差的个体；若未达到最大种群数量，则直接进入4-4；

步骤4-4：对新种群中最好的个体进行局部搜索，进一步查找更好的解决方案，另随机在种群中选取另一个个体进行局部搜索。

进一步的，在步骤4-4中的局部搜索的计算中，还设置有降低时间复杂度的实现方法：

a.随机选取所选择个体的一个任务t1并从原个体中删除，新个体根据目标函数，依次计算出每辆AGV在各个任务点的送达时间及运载量信息，并存储；

b.按照从前向后的规则，依次将已抽取的任务t1对新个体全部位置进行插入操作并根据目标函数依次计算适应度；

c.判断选取的任务所插入的位置，计算新个体适应度时，提取记录的父代运载及到达预存信息进行应用。

本发明所提供的基于特殊情况的矩阵车间AGV调度的优化方法，具有以下积极效果：

(1)本发明利用了启发式杂草优化算法，能够在较短时间内得到较好的调度方案。

(2)本发明在针对AGV调度问题中，加入了特殊情况的任务，在出现特殊情况时，可以有效地对AGV进行重新调度，以便优化AGV调度系统对于特殊情况的应对能力。

(3)本发明在针对AGV调度问题中，考虑到再调度方案的生成需要时间，因此设定了应对特殊情况等待时间，让车辆在不影响配送的情况下，延迟出发。在传统的生产车间中，AGV都是分配完任务立即进行配送，加入应急等待时间，可以让管理系统在出现特殊情况时，能够有效的对未发车的AGV进行重新规划，这对于实际生产具有很大的意义。

附图说明

图1为本发明的杂草优化算法的逻辑图；

图2为本发明的控制流程图。

具体实施方式

如图1-2所示，本发明所提供的基于特殊情况的矩阵车间AGV调度的优化方法，具体包括以下的实现过程。

预设置离散杂草优化算法相关参数。主要包括：初始种群数量，最大种群数量，最小种子数最大种子数。根据已有的某实际工厂的AGV调度案例，对已有算法进行算法标定，利用实际算例中的二十个算例对算法预设值进行标定，找出适合问题的参数设定。根据算法运行的结果，可以将初始种群适量设定为PS

生成在线列表，根据当前需要配送的任务，将任务信息转换为包含每个任务配送量及配送时间的任务列表。记录包含任务编号、任务点具体任务坐标、到仓库的最短距离、呼叫时间、呼叫时刻的缓存区库存，最迟送达时刻等的任务信息，并按照呼叫时间，将当前任务生成在线任务列表，为后面计算调度方案提供任务。

初始化种群。首先用邻域最近距离的启发式方法，生成一个高质量的解，作为初始种群的一个解，这种方法能够极大的加快算法找到优质解的效率。再利用随机生成的方法，生成剩余的初始种群的解，这样生成的种群能够避免陷入局部最优。

利用启发式杂草优化算法对初始化种群进行优化，在有限的时间里，利用杂草优化的特性，快速找到较好的子代并记录。具体的优化处理包括以下步骤：

步骤1：将初始种群根据适应度进行排序，并利用适应度来计算初始种群中每个个体可以产生的种子数量，具体的计算公式为

步骤2：利用随机方法，选取每个个体产生种子的方式为交换算子或插入算子。并将新产生的种子加入初始种群中，形成新种群；

步骤3：将新种群按照适应度进行排序，判断新种群数量是否达到最大种群数量，判断新种群数量是否达到最大种群数量；若已达到最大种群数量，则按照适应度排名，舍去多余的适应度较差的个体；若未达到最大种群数量，则直接进入下一步骤。

步骤4：对新种群中适应度最好的个体进行局部搜索，进一步查找更好的解决方案，另随机在种群中选取另一个个体进行局部搜索，从而增加算法的全局性，避免陷入局部最优。在本方法的局部搜索的计算工程中，还设置有降低时间复杂度的实现方法，具体过程如下：a.随机选取所选择个体的一个任务t1并从原个体中删除，新个体根据目标函数，依次计算出每辆AGV在各个任务点的送达时间及运载量信息，并存储；b.按照从前向后的规则，依次将已抽取的任务t1对新个体全部位置进行插入操作并根据目标函数依次计算适应度；c.判断选取的任务所插入的位置，计算新个体适应度时，提取记录的父代运载及到达预存信息进行应用。通过降低时间复杂度，能够有效的降低单次迭代的计算时间，增加规定时间内的迭代次数，相较于传统的算法能够得出更好的解。传统生产车间需要AGV调度系统能够在极短的时间里给出较好的调度方案，因此降低算法计算时间复杂度能够有效提升解的质量。

步骤5：判断是否出现特殊情况，是则执行特殊事件处理机制，并返回步骤2，否则进入步骤6。具体包括以下处理过程：a.判断当前是否发生特殊情况，如出现特殊情况，判断特殊情况的具体种类；b.根据特殊情况种类，对特殊任务进行信息更新：当出现机器重启时，将特殊任务的配送时间延迟20S；当出现机器损坏时，取消特殊任务的本次配送；c.判断当前是否有AGV车辆已从仓库出发开始配送，若已有AGV发车，则记录下此车携带的任务；d.统计特殊任务所需的处理信息，统计已发车的AGV的任务信息，存储并留待提交。

步骤6：输出当前最佳解。当计算完成时，输出当前最佳调度方案，并且输出当前最佳成本，方便对运输成本做预算。

下面，通过本发明应用时的仿真实验操作及过程记录，对本发明的实施过程及其实施效果做进一步的描述和说明。

仿真实验所采用的实际工厂案例

采用以下100组某工厂AGV调度问题的实际案例集来检验本发明的有效性。

仿真实验参数设置

算法循环的时间阈值设定为5000ms，初始种群规模PS

仿真实验环境

本发明采用C++语言编程实现，程序运行环境为：Intel i7处理器，1.8GHz，内存为8GB的笔记本电脑。

仿真内容：本发明与其他算法的性能比较

该实验将本发明的离散杂草优化算法(discrete invasive weed optimizationalgorithm，简记为DIWO)与其他算法进行性能比较，以验证本发明的算法的有效性。具体将本发明的带有特殊情况的再调度策略的算法和没有再调度策略的算法进行性能比较，验证再调度策略的有效性。为了使结果更加明显，本实验使用RPI进行分析，其中，

表1有无再调度策略的DIWO针对任务调度的运行结果

表1比较了有无再调度策略的DIWO算法的调度性能。从表1中可以看出本发明提出的再调度策略在所有60个实例上都取得了比较好的结果。与未加再调度策略的DIWO算法的相比，有再调度策略的DIWO算法性能更好，证明了具有再调度策略的DIWO算法对于特殊情况的应对能力更好。

表2各算法针对10个任务的运行结果

表3各算法针对20个任务的运行结果

表4各算法针对30个任务的运行结果

表5各算法针对40个任务的运行结果

表6各算法针对50个任务的运行结果

表2到表5比较了带有再调度策略的DIWO与另外6种带有再调度策略算法在10到50任务中的调度性能。从几个表中可以看出本发明在所有实例上都取得了比较好的结果。和其他算法的相比，本发明的DIWO在所有问题上优于其它算法得到的最优值，说明本发明的DIWO算法在不同数量任务中表现优异，即表示本发明针对不同数量的任务都具有有效性。

通过以上对于AGV调度问题的标准实例集的测试结果，本发明在具有特殊情况的AGV调度问题的求解结果上都优于其他方法，这说明本发明在矩阵车间AGV调度问题上具有优越的性能，同时也具有较好的稳定性。