申请/专利权人：哈尔滨工业大学

申请日：2020-12-25

公开（公告）日：2024-06-28

公开（公告）号：CN112734324B

主分类号：G06Q10/087

分类号：G06Q10/087;G06Q10/047;G06N3/006;G06N3/126

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.05.21#实质审查的生效;2021.04.30#公开

摘要：基于蚁群算法和改进型遗传算法的仓储物流AGV路径规划算法，它涉及蚁群算法、遗传算法，解决了传统方法计算耗时、易早熟收敛、易陷入局部最优的缺陷。本发明的步骤为：一、对场地建立网格化划分与编码；二、用基于障碍物信息的改进蚁群算法生成用于遗传进化的初始AGV路径；三、用基于三阶段遗传算法迭代选择AGV最优路径；四、对具有重合点的不同AGV路径进行末端交叉；五、对AGV路径进行有利变异；六、重新计算AGV路径适应度，判定迭代是否终止，对终止后的AGV路径进行轨迹圆滑处理。本发明的基本思想是将改进的蚁群算法和改进的遗传算法相结合，加快迭代收敛速度，得到运行效率更高的AGV路径，工程适用性强。

主权项：1.一种基于蚁群算法和改进型遗传算法的仓储物流AGV路径规划算法，其特征在于：步骤一：首先对厂房场地环境建立网格划分图，标清障碍物的位置，有障碍物的网格标为黑色，无障碍物且可以让AGV通行的网格标为白色，AGV运输车运行路径即由带顺序的网格序号组成，代表AGV逐个经过相应网格；设ms为单位长度与实际长度的比例尺，则一个网格边长的实际长度即为1ms米；步骤二：用基于障碍物信息的改进蚁群算法生成用于遗传进化的初始AGV路径，由蚁群算法经过少量次数的搜索迭代产生AGV运行的初始路径，用来作为遗传算法的初始种群进行后续的迭代优化；其中，用基于障碍物信息的改进蚁群算法生成用于遗传进化的初始AGV路径是通过以下具体方案限定的：1先设定蚁群算法的参数，包括起始迭代次数NC，最大迭代次数NCmax，则迭代总次数为NCmax-NC，蚂蚁种群数量m，挥发系数ρ，ρ在[0.3,0.6]范围内取值，按经验值取信息素、能见度系数α和β，α和β在[1,3]范围内取值，初始时刻位置i到位置j的信息素强度设为τij，考虑到如τij值过小，蚁群易聚集到局部最优解，如τij值过大，会稀释信息素的指导作用，综合考虑设：τij＝mL其中L为路径长度；2在起点投放一只蚂蚁，记录蚂蚁下步经过的位置j并添加到禁忌表，禁忌表存储着蚂蚁走过的位置，蚂蚁将被禁止再次通过禁忌表中的位置，避免路径陷入死循环；pij为蚂蚁选择从位置i转移到j的概率，用上角标k表示第k只蚂蚁，自变量t表示t时刻，allowk代表第k只蚂蚁的禁忌表以外未到访过的位置，计算公式为： 其中ηil＝1dil表示能见度，dil表示i,l两位置间距离，d_obs代表第k只蚂蚁此时与最近的障碍物之间的距离，τilt表示在t时刻时，由位置i至l的信息素强度，其计算公式为： 其中为第k只蚂蚁于位置i、l间遗留的信息素强度，计算公式为： 其中Ck为蚂蚁k从起点到终点的总路程；3确认蚂蚁是否到达目的地，若未完成则继续以pij概率前行，并更新禁忌表；4采取赌盘方法选择何处为下一位置，即以pij概率的结果分配每一位置j在赌盘中所占面积，转动赌盘，随机选择位置；5如蚂蚁到达目的地，则继续投放下一只蚂蚁，直至m只投放完毕，每一只蚂蚁到达目的地为止，输出最短路径；6全盘更新信息素，迭代次数加1，重回第二步骤继续循环，直至迭代总次数循环完毕；7最后得到m组最短路径，将其作为步骤三遗传算法的初始种群；步骤三：基于三阶段遗传算法迭代选择AGV最优路径，具体将种群进化阶段按迭代次数划分为三个阶段，每阶段按指定方式进行选择，设算法迭代次数上限为NCmax，NCmax的前λ时期为“弱者扶持阶段”，NCmax的中间1-2λ时期为“公平竞争阶段”，NCmax的后λ时期为“强者加持阶段”，λ在范围中选取；其中，基于三阶段遗传算法迭代选择AGV最优路径是通过以下具体方案限定的：1弱者扶持阶段——该阶段保护低适应度个体中携带的优秀基因片段，采取弱化适应度大小与选择概率的影响关系，提升弱者的生存几率，保持种群多样性，选择策略如下：设种群数量为m，先计算种群中每一个AGV路径个体适应度Fitxi，i＝1,2,…,m，并识别出m个AGV路径适应度值的最小值Fitxmin；设从厂房起点到达终点的路径D＝D1,D2,…,Dn-1,Dn，其中D1,D2,…,Dn-1,Dn为路径D的路线片段，设路线片段Dn的两端位置点为Gn-1和Gn，则整条路径位置点集合为G＝G1,G2,…,Gn，其中Gn坐标点为xn,yn，Dn的长度为： 则路径D的实际总长度为： 令运输车在任意可达区域内均速直线运动，速度为Va，则适应度函数计算公式为： 再更新每一条AGV路径的适应度值Fitxinew：Fitxinew＝Fitxi+a·Fitxmin,i＝1,2,…,m其中a为均衡因子，即通过对全部个体适应度值增加定量，来缩小原始适应度间的比例差距；结合理论研究并考虑实际工况，设置将最差个体与最优个体间的竞争力差距缩小至σ×100％，σ取0.25～0.35，通过对该阶段AGV轨迹优化情况统计测算，最差最优个体适应度水平比值一般不低于1GapNum1，GapNum1取1.4～1.8，由此取：a＝[GapNum1-1σ]-1最后计算得到第i条路径的新适应度值在总适应度中占比作为第i条路径被选择的概率，计算公式为： 其中Fitxall计算公式为：Fitxall＝Fitx1new+Fitx2new+…+Fitxmnew；2公平竞争阶段——该阶段按轮盘赌选法执行，赌选策略为计算每个个体适应度值在种群总适应度中所占比重，以此作为个体被选中的概率：先计算种群中每一条AGV路径的适应度Fitxi，i＝1,2,…,m，并识别出m个AGV路径适应度值的最小值Fitxmin，适应度函数计算公式为： 再计算第i条路径的适应度值在总适应度中占比Pi作为第i条路径被选择的概率，计算公式为： 其中Fitxall计算公式为：Fitxall＝Fitx1new+Fitx2new+…+Fitxmnew；3强者加持阶段——优秀个体必然携带稀有优秀基因片段，是大自然进化的财富，该阶段为避免优秀个体在优良个体群中被埋没而误杀，采取强化适应度大小与选择概率的影响关系，进一步提升强者的生存几率，选择策略如下：先计算种群中每一条AGV路径的适应度Fitxi，i＝1,2,…,m，并识别出m个AGV路径适应度值的最小值Fitxmin，适应度函数公式为： 进一步更新每一条AGV路径的适应度值Fitxinew：Fitxinew＝Fitxi-b·Fitxmin,i＝1,2,…,m其中b为突出因子，即通过对全部个体适应度值减少定量，来放大原始高适应度的比例优势；同样，结合理论研究并考虑实际工况，设置将此阶段最差个体与最优个体间的竞争力差距提升至GapNum2×100％，GapNum2取0.1～0.2，通过对该阶段AGV轨迹优化情况统计测算，最差最优个体适应度水平比值一般不低于1GapNum3，GapNum3取1.02～1.10，由此取：b＝[GapNum3-1GapNum2]-1最后计算得到第i条路径的新适应度值在总适应度中占比作为第i条路径被选择的概率，计算公式为： 其中Fitxall计算公式为：Fitxall＝Fitx1new+Fitx2new+…+Fitxmnew；步骤四：对具有重合点的不同AGV路径进行末端交叉，为了提高AGV路径的种群多样性以及促使AGV路径跳出可能存在的局部最优，交叉策略采取单点交叉方式，保持优秀个体的基本基因序列及后代的延续性；步骤五：对AGV路径进行有利变异，具体基于路径最短的目标，使路径序列总长往变短趋势发生变异，即减少拐弯次数或优化转弯方式，根据不同路径情况采取不同的操作策略；步骤六：重新计算AGV路径适应度以便判定迭代终止，并对终止后的AGV路径进行轨迹圆滑处理；其中，重新计算AGV路径适应度以便判定迭代终止是通过以下具体方案限定的：重新计算变异后的AGV路径种群的适应度Fitxi，i＝1,2,…,m，Fitx的计算公式为： 进而判断是否符合迭代终止条件，符合则终止迭代，不符合则返回步骤三第1步，继续迭代直至产生足够高适应度的AGV路径，迭代结束后的AGV路径是直线型路径，转弯处不够圆滑；再对迭代终止后得到的AGV路径做最后的轨迹圆滑处理，需要找到AGV转弯触发点、转弯半径、以及转弯终止点，最终将得到较为圆滑的AGV路径，圆滑的具体操作如下：1首先以90°拐角状态计算出转弯半径R，经计算转弯触发点为直线运行方向与圆的相切点位置，设此时车辆距原路线拐弯点的距离为q，则有： 其中θ为转弯角度，继续执行下一步操作；2车辆遇到拐弯点，在距理论拐弯点q位置时，以当前位置为切点，执行半径为R的圆弧程序转弯，直到转弯至理论拐点对侧q位置时，以当前位置方向切换为直线运行，至此本次圆滑处理结束，后续路径如有圆滑处理仍需继续执行步骤六直至完成所有任务。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于蚁群算法和改进型遗传算法的仓储物流AGV路径规划算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD