论文部分内容阅读
智能仓储领域取货点间高效率的货物运输是当前研究人员关注的热点课题。自动导引运输车（AGV）协同作业系统,由于其多目标和多任务的处理方式,在智能仓储领域得到广泛的应用。其中AGV的数量确定、订单任务的调度以及路径规划等方面是限制AGV系统进一步发展的关键问题。论文通过改进现有路径规划的概率路标图算法和订单任务调度的模拟退火算法,提高了AGV协同作业系统的整体运行效率。1)提出一种基于边集优化方法与峰值节点提取的改进概率路标图算法用于路径规划,提高了算法的求解效率和减少了路径节点数目。在概率路标图的学习阶段使用边集约束方法对路线图的边集进行优化,提高了算法的实时性;通过优化查询路径节点和边集质量,解决了路线图R（N,E）中边集E较为复杂与查询阶段搜索到路径转折次数较多的问题。实验结果表明,较传统概率路标图算法,100个路标的简单地图与复杂地图上改进概率路标图算法运行时间分别减少10.64%,6.75%,转折次数分别减少42.86%,41.18%。针对多AGV路径规划可能出现冲突,采用时间窗算法与等待法作为第一级预防措施,并以重规划路径作为二级预防措施的两级预防策略,针对作业过程中可能出现的突发状况的问题,设计了基于在线检测策略的动态路径调整策略,提升了系统应对突发情况的能力。2)提出了基于记忆与混合算子的改进模拟退火任务调度算法求解多车多任务的组合问题,有效地优化了平均路径代价与路径代价标准偏差。通过贪心算法对多车多任务模型求得初始解后,针对传统模拟退火算法对初始解进行优化过程中容易遗失搜索过程最优解的问题,对每次降温时加入记忆功能避免丢失降温过程中的最优解,提高了算法最终得到的最优解质量;通过加入混合算子方式,由轮盘赌方式随机选取混合算子中的某个算子来构造邻域结构,解决了退火过程中分子交换充分性差的问题。10次仿真结果表明,较传统模拟退火算法,改进的模拟退火求解问题模型在平均路径代价、路径代价标准偏差分别减少2.73%,30.06%,并在平均降温次数及平均迭代次数方面有效提升。