智能仓储中的多机器人调度方法

近年来,传统仓储系统已满足不了日益增长的订单需求并已渐渐向智能仓储转变。针对智能仓储中移动机器人的调度问题,以移动机器人执行任务时的转向次数、路程代价、最大任务等待时间为优化目标,提出一种兼顾任务分配和路径规划的调度算法。算法采用遗传算法进行任务分配,同时以多个移动机器人为目标进行任务分配,保证每个机器人分配到的任务没有重复。然后采用Q-learning算法对机器人分配到的任务进行路径规划,根据转向次数和路程代价约束路径,对于路径转向和每一步可行的动作均设有惩罚值,最终形成一条转向次数少、行程较短的路径。通过将该算法与其他算法进行对比,证实了该算法的有效性。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

一种基于近场子集划分的多机器人任务分配算法

针对医护人员重复、机械地配送医疗物资工作效率低的问题,使用了多机器人进行替代,并提出了一种基于"任务地点"近场子集划分的多机器人群体智能任务分配算法.首先采用蚁群算法对任务集进行有序排列,形成一条近场相关的任务链.然后根据任务完成的时间和机器人的路径成本设计目标优化函数,利用遗传算法对该任务链进行子集划分,再将任务子集分配给机器人个体.最后模拟了医院病房的应用场景,设计并搭建了一套多机器人医疗物资运输分配系统.用户在该系统的操作平台上,通过可视化界面能够实时发布新任务,查看已发布任务的分配情况,以及查看机器人的路径.基于该模拟实验平台,对3种不同的任务分配算法进行对比分析,结果是本文算法的分配结果最为合理,所有任务都在规定的时间内完成,机器人的行驶距离大幅缩短.所提出的多机器人任务分配算法可有效解决医疗环境中医疗物资的配送问题,提高了系统的工作效率.     

基于混合遗传蚁群算法的多Agent动态任务分配研究

在多Agent系统中,由于任务的复杂性和Agent之间的异构,Agent的动态任务分配问题实际上是一个NP难优化问题。针对MAS的任务分配问题的动态特性,首先建立任务分配数学模型,建立任务分配优化的目标函数;其次提出了一种混合遗传蚁群算法。利用遗传算法快速迭代和蚁群算法正反馈信息、分布式求解的特点实现任务分配的组合优化。实验仿真的结果分析表明,该算法具备较好的全局收敛效率和求解精度,可明显提升多Agent系统的性能。     

具有订单完成时间约束的拣选机器人调度仿真

"货到人"智能仓储系统中,机器人的合理调度直接影响系统的运行效率.分析拣选机器人作业流程,在不改变已有任务拣选顺序的情况下,插入部分对完成时间有要求的订单,计算机器人行走时间、在拣选工作站排队等待时间以及空闲时间,利用时间窗理论,以最小化完成所有任务的总成本为目标,以机器人任务分配结果为决策变量,分别建立具有硬时间约束和软时间约束的拣选机器人调度模型,并利用遗传算法进行求解.通过实例仿真,对两种调度策略进行了验证,并发现随着具有时间约束的任务数量增加,采用软时间窗约束的方式进行调度能够使得系统的运行成本更小.所提调度策略同时解决了拣选机器人的调度与拣选序列问题,对智能仓储系统的实际应用具有指导作用.     

一种正交混沌蚁群算法在群机器人任务规划中的应用研究

针对群机器人协作任务规划问题,提出一种正交混沌蚁群算法(OCACA)对其进行求解.该算法的思想是首先采用正交法对任务目标进行聚类,然后利用混沌技术对蚁群初始解进行优化,改进初始个体质量,并用混沌扰动策略避免搜索进入局部最优,最终获得了总代价最优解.该算法将正交混沌蚁群算法首次应用于群机器人的任务规划中,成功解决了中大规模任务规划问题.仿真实验结果表明:正交混沌蚁群算法能提高多机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

基于变邻域模拟退火算法的多自动导引车任务分配优化

针对多自动导引车（AGV）仓储系统任务分配问题,提出了变邻域模拟退火（VN_SA）算法。首先,根据系统作业流程及AGV运行特征,以AGV执行任务的路径代价、时间代价以及任务均衡值代价为目标,并在约束中加入AGV空载行驶和负载行驶的耗电情况,构建更贴合实际的多AGV仓储系统任务分配多目标优化模型;其次,针对问题特点,设计了一种变邻域模拟退火算法。算法中的邻域扰动操作拓展了模拟退火算法的搜索范围,且概率突变特性的结合使算法跳出局部最优,并获得全局开发的效果。分别设置任务量为20、50、100的作业进行仿真实验,实验结果表明,所提算法优化后的总代价相较于遗传算法（GA）分别降低了6.4、7.5、13.2个百分点,验证了所提算法在不同任务规模下的有效性。可见所提算法具有更好的收敛性和搜索效率。     

改进布谷鸟搜索算法在多机器人任务分配及路径规划中的应用

针对多机器人任务分配及路径规划问题,提出一种改进布谷鸟搜索算法求解多机器人任务分配及路径规划方法。根据任务点的环境信息和在其中寻找最佳机器人位置建立数学模型,并使用改进布谷鸟搜索算法求解任务分配及路径规划。改进的策略中融合了遗传算子、2-opt、模拟退火算法的Metropolis准则和插入、交换、逆序方法。不同规模的仿真实验表明,该方法能有效实现多机器人任务分配及路径规划问题,并为多机器人的续航能量提供科学依据。     

结合遗传算法和滚动调度的多机器人任务分配算法

研究多机器人任务分配（MRTA）的目的是提高智能工厂中机器人完成任务的效率。针对现有算法在处理大规模、多约束的MRTA时存在不足的问题，提出一种结合遗传算法和滚动调度的MRTA算法（ACGARS）。首先，在遗传算法中采用基于有向无环图（DAG）的编码方式高效地处理任务之间的优先级约束；其次，在遗传算法的初始种群中加入先验知识以提高算法的搜索效率；最后，设计基于任务组的滚动调度策略用于减小求解问题的规模，从而实现对大规模问题的高效求解。在大规模问题实例上的实验结果表明，相较于构造性启发式算法（CHA）、最小化干扰算法（MIA）和基于惩罚策略的遗传算法（GAPS）生成的方案，当任务组数为20时，所提算法生成的方案的平均订单完成时间分别缩短了30.02%、16.86%和75.65%，验证了所提算法能有效地缩短订单的平均等待时间，提升多机器人任务分配效率。     

路网约束下异构机器人系统路径规划方法

由无人机(Unmanned aerial vehicles, UAV)和地面移动机器人组成的异构机器人系统在协作执行任务时,可以充分发挥两类机器人各自的优势.无人机运动灵活,但通常续航能力有限;地面机器人载荷多,适合作为无人机的着陆平台和移动补给站,但运动受路网约束.本文研究这类异构机器人系统协作路径规划问题.为了降低完成任务的时间代价,提出一种由蚁群算法(Ant colony optimization, ACO)和遗传算法(Genetic algorithm, GA)相结合的两步法对地面机器人和无人机的路线进行解耦,同时规划地面机器人和无人机的路线.第1步使用蚁群算法为地面机器人搜索可行路线.第2步对无人机的最优路径建模,采用遗传算法求解并将无人机路径长度返回至第1步中,用于更新路网的信息素参数,从而实现异构协作系统路径的整体优化.另外,为了进一步降低无人机的飞行时间代价,研究了无人机在其续航能力内连续完成多任务的协作路径规划问题.最后,通过大量仿真实验验证了所提方法的有效性.     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

混合蚁群算法求解分布式系统任务分配问题

任务分配问题是被公认的NP-hard问题,应用广泛。在对分布式系统任务分配问题进行分析的基础上,将蚂蚁寻求任务分配方案的过程用一种新的图形表示方式来实现。针对蚁群优化算法易陷入局部最优的固有缺陷,提出了一种新的混合算法,该算法将蚁群优化算法与简单禁忌搜索算法相结合,增强了算法的局部搜索能力,提高了任务分配问题解的质量。实验结果表明混合算法的求解性能较优。     

融合PSO与ACS的网格资源分配研究

资源分配和任务调度是网格计算的一个关键问题之一。提出一种融合离散粒子群优化算法和蚁群算法的新型算法来解决网格资源分配问题。该算法通过在粒子群算法中引入蚂蚁算法,可有效克服粒子群算法后期的局部搜索能力差和蚁群算法前期盲目搜索的缺陷。理论分析及模拟实验表明该算法具有良好的性能。     

浅谈几种智能优化算法

该文首先介绍介绍了几种典型的群体智能算法,具体包括遗传算法、蚁群算法和粒子群算法,并对它们进行了详细的分析。     

基于群集智能算法的移动机器人路径规划研究

本文提出一种新的群集智能算法,在用Dijkstra算法基于链接图建模的地图中得到一个最优解的可行空间后,再用粒子群算法或蚂蚁算法优化得到全局的最优路径。因为群集智能算法是一种概率搜索算法,没有集中控制约束条件,不会因为个别个体的故障影响整个问题的求解,具有较强的鲁棒性,所以在机器人全局路径规划应用中具有较显著的优点。仿真结果表明了算法的有效性,是机器人路径规划的一个较好的方法。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。     

粒子群和蚁群融合算法的自主清洁机器人路径

为了克服粒子群算法和蚁群算法的缺陷,将改进的粒子群算法和蚁群算法进行融合,形成了PAAA算法,并将此算法应用于自主清洁机器人行为路径的仿真实验。结果表明：PAAA在求解性能上优于粒子群算法,在时间效率上优于蚁群算法。     

蜂群算法研究综述*

蜂群算法是一种模仿蜜蜂繁殖、采蜜等行为的新兴的群智能优化技术,近几年备受研究者关注。初步探讨了蜂群算法的理论基础,详细论述了基于蜜蜂繁殖行为和采蜜行为的两类蜂群算法的生物学机理及其最常见算法的应用研究情况,并分析比较了遗传算法、蚁群算法、粒子群算法和蜂群算法的优缺点、适用范围及性能。最后,总结了现有蜂群算法存在的问题,并指出其未来的研究方向。     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。