基于改进自适应遗传粒子群混合算法的多AGV路径规划研究

针对仓库中AGV的路径规划问题,该文提出了一种改进自适应遗传粒子群混合算法。首先,根据算法搜索进度修改权重和学习因子,采用一种新的非线性权重系数,两者根据迭代而动态变化。其次,动态调整交叉和变异概率参数。最后,为了避免多AGV出现路径冲突,在适应度函数中引入拥堵系数对拥堵路段进行惩罚。结果表明,与已有的改进遗传算法和改进粒子群算法相比,该文采用的改进自适应遗传粒子群混合算法搜索最优路径的长度更短、搜索范围更广。     

基于混沌粒子群优化算法的AGV路径规划研究

目的 优化物流AGV路径最优问题。方法 提出一种改进的混沌粒子群优化算法,采用基于Bézier曲线的路径规划模型,通过调整Bézier曲线的控制点数量,显著改善AGV轨迹路线的长度和平滑度。结果 采用混沌粒子群滤波算法（CPSO）最优化处理Bézier曲线的控制点数,引入适应度函数,评估是否满足终止标准,如果达到最大迭代次数或者在给定迭代次数时未修改最优解则终止CPSO算法,最后利用选取的控制点计算出更短、更平滑的轨迹路线,提高了算法的寻优能力。结论 采用CPSO算法初始化Bézier曲线可以获得更加平滑的最短路径。     

基于双向同步A*算法的AGV路径规划仿真研究

目的解决A*算法在搜寻过程中查询的节点非常多、耗时较多等问题。方法通过对传统A*算法进行改进,得到改进双向同步A*算法,使算法从起点和终点同时搜索路径,并且对启发函数进行改进。为验证改进算法效果,以仓储AGV为例进行二维与三维仿真。结果改进双向同步A*算法在不同的地图下,耗时分别减少了39.1%,34.3%,34.6%,搜索节点最多减少了140,路径长度基本一致。结论改进双向同步A*算法较传统A*算法能够更加高效地规划出最优路径,兼顾路径最优和出行复杂度低,提高了检索效率,能够有效解决查询节点多、耗时多等问题。     

基于改进DQN算法的无人仓多AGV路径规划

针对无人仓中多AGV路径规划与冲突问题,以最小化总行程时间为目标,建立多AGV路径规划模型,提出一种基于动态决策的改进DQN算法。算法设计了基于单AGV静态路径规划的经验知识模型,指导AGV的学习探索方向,提前规避冲突与障碍物,加快算法收敛。同时提出基于总行程时间最短的冲突消解策略,从根本上解决多AGV路径冲突与死锁问题。最后,建立无人仓栅格地图进行仿真实验。结果表明,本文提出的模型和算法较其他DQN算法收敛速度提升13.3%,平均损失值降低26.3%。这说明该模型和算法有利于规避和化解无人仓多AGV路径规划冲突,减少多AGV总行程时间,对提高无人仓作业效率具有重要指导意义。     

基于Dijkstra-蚁群算法的泊车系统路径规划研究

针对智能停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于Dijkstra-蚁群算法(Dijkstra-ACO)的泊车系统路径规划方法.首先利用链接可视图法建立环境模型,并在此环境模型下,采用Dijkstra算法规划出AGV的初始路径;其次,通过引入节点随机选择机制、调整信息素更新方式和限定信息素阈值策略等对基本蚁群算法进行优化改进;最后,选用改进的蚁群算法对初始路径进行优化.结果显示:Dijkstra算法和混合算法均能使AGV有效避开障碍物,然后搜索到一条从起点到终点的无碰优化路径;与Dijkstra算法相比,混合算法能有效提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,表明该算法正确、可行及有效,且具有较强的全局搜索能力和较好的收敛性能,能够满足AGV存取车路径规划的要求.     

基于路段时间窗考虑备选路径的AGV路径规划

针对自动化集装箱码头基于卸箱任务的自动导引车（automated guided vehicle,AGV）路径规划问题,结合最优路径数学模型、路径搜索方法和时间窗,提出了一种基于路段时间窗的AGV路径规划方法。首先,在给AGV下派任务的基础上,用最优路径数学模型为AGV规划出最短路径;其次,用路径搜索方法搜索AGV的备选路径,在路径长度相同的情况下,按照路径中转折次数确定备选路径优先级,转折次数少的备选路径优先级高;最后,在各AGV最短路径下,设置各个路段的时间窗,时间窗无重叠则表明AGV无冲突,对于时间窗重叠的路段,采用在原路径上插入时间窗或者在备选路径上插入时间窗的方法,再进行时间窗重叠测试,若还存在重叠的,则继续调整至最终实现多AGV的无冲突路径规划。为了验证方法的有效性,以8台AGV分区同时工作为例,用实例证明所提出的路径规划方法的避碰效果。结果显示该方法能为多台同时工作的AGV规划出一条无冲突优化路径,并且用时较短;在试验中发现选择在备选路径上插入时间窗的方法效果更好。研究表明所提方法能有效实现AGV的避碰,提高AGV利用率和自动化集装箱码头的运作效率。     

考虑冲突避免的多AGV路径规划研究

目的 提高物流企业“货到人”拣选系统在实际生产中的工作效率，避免自动导引小车(AGV)间的冲突死锁，研究大规模多AGV的无冲突路径规划和协同避障问题。方法 首先考虑AGV空载、负载情况和路径扩展成本，改进A^*算法，动态调整代价函数，优化路径扩展方式。其次，提出冲突检测及避免算法，对可能产生局部冲突的路径交叉点进行避障调度，通过预约锁格，实现局部冲突的检测，制定优先级避障策略，解决AGV动态行驶路径上产生的局部冲突和死锁，进而实现全局无冲突路径规划。结果 对多组不同任务量和不同AGV规模的场景进行仿真，实验结果表明，考虑冲突避免的改进A^*算法能有效实现100个任务、90个货架单位和7个拣选站场景下的多AGV动态路径规划，相较于传统A^*算法，其平均拣选时长缩短了52.61%。结论 该方法可实现大规模场景下的多AGV动态路径规划，在付出较小转弯代价的同时有效避免局部动态冲突，该方法可为相关企业实现多AGV协同调度提供新的思路和理论依据。     

基于动态时间窗的泊车系统路径规划研究

针对智能立体停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,采用分时利用策略,将Dijkstra算法和时间窗法有效结合,提出了一种基于动态时间窗的泊车系统路径规划方法。首先,通过引入优先级策略为接收任务的AGV设定优先级;其次,采用Dijkstra算法,按照任务优先级高低次序,依次为接受任务的AGV规划出最短可行路径;最后,在已知AGV可行路径基础上,通过对可行路径各路段的时间窗进行初始化、实时更新以及实时排布处理,实现多AGV的无冲突路径规划。为验证所提方法的可行性和有效性,以4台AGV同时工作的智能立体停车库为实例进行仿真测试。结果显示:所提出的路径规划方法不仅有效解决了目前多AGV路径规划柔性差、易出现死锁、碰撞冲突等问题,而且可在有效解决路径冲突的前提下,为接受任务的AGV规划出一条时间最短的优化路径。所提方法具有较好的鲁棒性和柔性,有效提高了智能立体停车系统整体运行效率,降低了存取车等待时间。     

求解带AGV柔性作业车间调度问题的改进灰狼算法

针对带AGV的柔性作业车间调度问题,以最小化完工时间为目标,考虑AGV在装载站、机器、卸载站之间的有效负载时间和空载时间,构建了数学规划模型。其次,提出一种有效的灰狼算法进行求解,基于该问题特征,设计机器选择、工序排序和AGV搬运的3段编码,有效地保证每个个体均可产生可行解;灰狼算法中改进了关键参数a和E设定方式,有效平衡了算法的勘探能力和局部搜索能力;为进一步提升算法跳出局部最优解的能力,该算法融合了领域搜索等方法。最后,案例测试结果表明,改进灰狼算法在求解带AGV柔性作业车间调度问题中具有优越的性能。     

RMS中工件路径网络生成方法

利用图论建立RMS中工件路径网络生成模型。给出设备物理布局生成的3种算法：设备物理规划布局算法、基于二次布置问题(QAP)模型的VMC设备物理布局算法以及已有设备物理布局算法。给出AGV路径网络生成算法、AGV路径网络生成改进算法、可替代路径网络生成算法,包括节点间最短路径寻找子算法、路径网络预处理子算法。算法的输入为表示重构对象节点间距离信息的距离矩阵文件和表示某生产周期多工艺路线的流量文件,输出为优化的路径网络。用Visual C 实现了以上算法,实例测试验证了算法的正确性。     

基于遗传算法的码垛机器人路径规划应用

目的为了改进传统遗传算法在码垛机器人路径规划中可能出现的局部陷阱和过早收敛问题,以及机器人的能耗和路线平滑性问题,提出一种改进的遗传算法机器人路径规划方法。方法针对传统遗传算法存在的问题,分别对种群初始化、适应度函数、选择算子、交叉算子、变异算子的算法和方式进行调整和改进,对优秀算法进行融合。针对基本遗传算法主要着重于路径最短,从而忽视了机器人的能耗及路径平滑性等问题,设计一种综合考虑距离和转弯次数控制的适应度函数,最后将改进的算法应用于码垛机器人的路径规划中。结果仿真结果表明,相较于基本遗传算法,提出的算法搜索到的路径质量更高,不仅距离更短,同时转弯次数远远小于其他算法,路径更为平滑,验证了该算法的有效性。结论基于该算法的码垛机器人路径在兼顾距离最优的同时,路线更加平滑。由于减少了转向次数,机器人的能耗更低,同时仿真结果表明,该算法的实时性也较好。     

全向自动导引车导向机构设计及其运动控制研究

针对麦克纳姆轮加工复杂,运动效率低,承载能力较弱及容易出现振动、打滑等问题,研发了基于轮毂电机的自动导引车（automatic guided vehicle,AGV）全转向导向机构,并根据该导向机构的控制方式--四轮独立驱动和四轮独立转向（4WID-4WIS）的方式,对该全向AGV进行了运动控制研究。首先,构建了该全转向导向机构的运动学模型,并进行了运动学分析,得出不同转向模式下全向AGV转速与转角之间的关系。其次,为消除该全向AGV移动时产生的路径偏差,提出了基于多步预测最优控制和模糊控制的联合路径跟踪控制技术,以提高控制精度和为路径跟踪提供充足的纠偏能力;进行了转向电机和轮毂电机之间的解耦控制,保证了转向电机和轮毂电机具有良好的输入输出响应。最后,通过实车实验验证了该全转向导向机构具有良好的运动效果,能够满足实际工况的要求,可为AGV在工业领域的应用提供一定的参考。     

A neural algorithm for finding the shortest flow path for an automated guided vehicle system

The automated guided vehicle (AGV)system is emerging as the dominant technology to maximize the flexibility of material handling, while increasing the overall productivity of manufacturing operations. This paper presents a new way of finding the shortest flow path for an AGV system on a specific routing structure. An optimal solution of the system is determined by using an approach based on the Hopfield neural network with the simulated annealing (SA) procedure. In other words, the proposed approach reduces the total cost of an AGV delivery path from one workstation to another on the shop floor. By changing the temperature of the two-stage SA, a solution can be found that avoids potential collisions between AGVs. Both the flow path and the potential collision, which are major problems in AGV systems, may be solved simultaneously by the proposed neural network approach. Other advantages offered by the proposed method are its simplicity compared with operations research (OR)methods and a decreased number of needed AGVs. The performance of the approach is also investigated.     

改进粒子群算法在农产品物流配送路径管理中的应用

目的 为了更加合理地进行车辆路径调度管理,提高粒子群求解车辆路径优化问题的性能。方法 提出了一种动态猴子跳跃机制的粒子群优化算法,它借助群体的动态分组,采用不同的动态惯性权重来提高算法的速度,引入猴子跳跃机制来保证全局收敛性。最后把改进算法应用到物流配送路径优化的2个实例中,同一环境下,改进算法搜寻到最优路径适应值、平均运算时间,以及求得最优解的成功次数,均优于标准粒子群优化算法。结果 结果表明,改进的算法能快速有效地确定物流配送路径。结论 改进粒子群优化算法不仅具有较快的寻优速度,而且也提高了算法的收敛性,保证了寻优质量,因此具有很大的应用价值。