考虑冲突和拥堵的自动导引车调度与路径规划协同优化

针对自动化集装箱码头自动导引车（AGV）调度与无冲突路径规划问题,提出了AGV冲突拥堵解决策略以生成无冲突路径。首先,考虑堆场缓冲支架的容量,运行路径无拥堵、节点无冲突约束,以最大完工时间最小、AGV总行驶时间最短为目标建立两阶段混合整数规划模型;其次,设计改进的自适应遗传算法、基于冲突拥堵解决策略的迪杰斯特拉算法求得AGV调度方案与无冲突路径。算例分析结果表明：改进的自适应遗传算法相较遗传算法平均求解时间降低了13.56%,且目标函数平均差距率为9.01%;基于冲突拥堵解决策略相较停车等待策略使得水平运输区拥堵度降低67.6%,AGV等待时间减少66.7%。可见,所提算法求解质量高且速度快,同时验证了所提策略的有效性。     

自动化仓库巷道网络AGV货区遍历优化——设计基于优先权遗传算法实现

针对自动化仓库、自动化车间及自动化码头等自动化局部物流存储系统仓库巷道网络中AGV（自动化导引车）对仓库货区遍历作业的路径优化问题,以搜索遍历所有货区的最短路径为目标,建立混合整数线性规划模型,并设计基于优先权的遗传算法求解。通过Matlab仿真实验分析比较算子性能,验证算法的有效性。     

整体式自动化物料运输系统防拥堵调度策略

为解决自动化物料运输系统中的车辆拥堵问题,提高生产运输效率,根据混合布局建立轨道的图网络模型,提出基于实时交通信息的动态调度方法.在调度过程的运输任务指派和运输路径规划阶段均使用加入交通信息的预测时间,运输任务指派根据系统状态变化使用匈牙利算法动态求解,路径规划也会根据轨道权重变化选择最快到达目的地的路径.实验结果表明,提出方法可以有效缓解车辆拥堵,减少晶圆的平均运输周期.     

仓储式多AGV系统的路径规划研究及仿真

对于自动导引车（Automated Guided Vehicle,AGV）的单机路径规划问题,已存在很多静态算法可以有效求解。但由于AGV间抢占系统资源的相互影响和制约,多AGV的协同作业会出现死锁、碰撞冲突等问题,静态路径规划算法无法满足实时动态作业的系统需求。智能仓储系统中,多AGV动态路径规划的核心问题不再仅是单AGV快速求解最优路径,而在于多AGV的冲突避免或解决,达到整体协调最优。拟采用两种思路解决上诉问题：一种方案是对最有效的静态算法进行改进,并引入动态机制和冲突解决策略以满足作业需求;另一种方案提出一种具备多步前瞻性的主动避障算法,优化路径并提前避开交通拥堵路段,减少冲突可能性和重新寻路代价。实验结果表明两种算法都具有良好的鲁棒性,可有效解决冲突,且后者可持续扩展AGV数量,具有更高的系统效率。     

基于动态平衡策略的自动化码头多AGV路径优化算法研究

对自动化集装箱码头AGV(automatic guided vehicle)自动运输系统路径规划算法和港口布局进行深入研究之后,针对岸桥与堆场之间路径规划中可能出现的冲突以及任务分配不均等问题,提出了基于动态平衡策略的自动化码头多AGV路径优化算法。通过对Dijkstra算法进行改进,在考虑路径距离的基础上,同时引入该路径上预计通过的AGV数量,实现了路径分配的动态平衡;提出了改进速度控制策略和重新规划路径控制策略,有效减少了冲突次数,且减少了道路堵塞率。建立了基于动态平衡策略与基于MAS(multi-agent system, MAS)的控制方式对比实验,结果表明该算法能有效求解500个任务以上的大规模任务分配问题,并且显著降低平均堵塞率0.000 8～0.005 5。此算法亦可应用于其他类型的码头布局中,进一步提高了码头水平运输效率。     

面向自动化集装箱码头的AGV行驶时间估计

自动导引车(Automated Guided Vehicle, AGV)在自动化集装箱码头的水平运输中发挥了重要作用,对AGV行驶时间进行准确估计,有利于减少码头各作业环节的资源闲置,提高整体效率。针对AGV在自动化集装箱码头的行驶时间估计问题,提出了一种AGV行驶时间估计方法。首先,根据AGV的行驶模式将目标行驶路径切分为若干段,使用神经网络模型对其进行编码;其次,对该路径出发前后一段时间内的其他路径进行编码并将其作为环境信息,以通过模型预测其是否与目标路径发生冲突作为辅助任务;最后,综合两类信息对行驶时间进行估计。该方法引入了路径间冲突对时间估计造成的影响。基于自动化集装箱码头的历史数据的实验表明,相比AGV场景中常用的静态时间估计方法,所提方法能够将时间估计的误差降低18%以上,可以更准确地估计AGV的行驶时间。     

自动化码头AGV充电与作业的集成调度研究

为了提高自动化集装箱码头AGV（Automated Guided Vehicle）的作业效率,根据采用电力驱动的AGV作业时的充电需求和运输过程的特性,考虑了垂岸式集装箱堆场布局和AGV充电过程对实际作业的影响,以最大化AGV充电利用率、最小化最末任务完成时间、最小化AGV空载时间为目标,以AGV充电后的续航能力等为约束条件,以遗传算法为研究方法,构建了考虑充电过程的自动化码头AGV作业的调度模型。通过算例分析,对比了遗传算法与混合整数规划算法的求解效果,分析了参与运输的AGV数量对运输时间的影响,也验证了遗传算法给出的调度方案的可信性。最后得出结论：针对该问题,遗传算法可以快速、高效地给出值得信赖的AGV调度方案。     

自动导引车系统资源分配问题的建模及求解

针对自动导引车系统中由任务分派及路径规划共同构成的资源分配问题,基于自动化出入库系统建立模型,提出了一种以粒子群优化(PSO)迭代为框架,并加入无冲突路径规划的优化算法,弥补了以往只按顺序分配任务造成的不足。首先通过粒子群的迭代原理寻找最优任务分派方案;然后通过无冲突的路径规划得到资源分配的结果,同时在解的评价机制中加入了时间窗、工作量均衡及路径无冲突等约束条件,保证方案的可行性。通过模拟自动入库系统,与传统的自动导引车系统调度算法进行了对比,实验结果表明,所提算法在总行驶里程上平均节约了10%左右,且任务分配的均衡性更好,系统的整体效率得到了有效的提升。     

基于计算物流的自动化集装箱码头AGV生产调度

针对自动化集装箱码头自动导引车（Automatic Guided Vehicle,AGV）在线实时生产调度约束动态复杂和难以可视化的问题,本文在计算物流框架下,利用AnyLogic平台创建自动化码头水平运输计算实验模型并针对平台中已有的经典资源分配策略,面向AGV生产调度提出两方面的改进。一、将运筹规划商业求解器与计算实验平台结合求解动态复杂组合优化问题;二、基于计算物流的思想方法,迁移和定制出五种面向问题探索的自定义AGV在线调度算法。由于商业求解器的局限性,模型和实验数据是基于自动化码头进口箱作业部分。实验表明,两种改进策略能够弥补商业求解器和计算实验平台的部分不足,尤其是自定义策略相较于经典资源分配策略能够面向特定装卸船需求更好地实现AGV生产调度,实现自动化码头水平运输的高效作业。     

自动导引车系统资源分配问题的建模及求解

针对自动导引车系统中由任务分派及路径规划共同构成的资源分配问题,基于自动化出入库系统建立模型,提出了一种以粒子群优化(PSO)迭代为框架,并加入无冲突路径规划的优化算法,弥补了以往只按顺序分配任务造成的不足。首先通过粒子群的迭代原理寻找最优任务分派方案;然后通过无冲突的路径规划得到资源分配的结果,同时在解的评价机制中加入了时间窗、工作量均衡及路径无冲突等约束条件,保证方案的可行性。通过模拟自动入库系统,与传统的自动导引车系统调度算法进行了对比,实验结果表明,所提算法在总行驶里程上平均节约了10%左右,且任务分配的均衡性更好,系统的整体效率得到了有效的提升。     

基于改进CBS算法的自动化码头多AGV无冲突路径规划

针对自动化集装箱码头上自动引导车（automated guided vehicle,AGV）数量增加导致冲突更频繁。提出一种改进的基于冲突的搜索（conflict based search,CBS）算法。底层采用基于曼哈顿距离的A*算法,上层结合二叉树原理建立冲突树对AGV之间的冲突进行规避。以最小化AGV在岸桥和堆场之间的总路径长度为目标,使用栅格法建立AGV路网模型。考虑AGV之间的点冲突与边冲突,将自动化码头多AGV无冲突路径规划问题规约为多智能体寻径问题。实验结果表明,所提出的算法在保证堵塞率为0%的前提下,缩短总路径长度并提高运算速度,验证算法的有效性。     

基于道路风险评估的城市路网实时路径选择

为了缓解城市交通拥堵、避免交通事故的发生,城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展,城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles,IoV)范式过渡,这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上,众多学者的研究主要聚焦如何提高出行效率,减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题,首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R³A-EC),并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R²S-RA). R3A-EC模型利用边缘计算技术的低延迟,高可靠性等特点对城市道路进行实时风险评估,并利用最小风险贝叶斯决策验证道路是否存在风险问...     

基于云网格集成调度的防拥堵车辆路径规划算法

在道路交通路网中,车辆拥堵问题是流量与路网结构之间相互作用的一个复杂动态过程,通过车辆路径规划,实现对路网网格集成调度,从而提高路网通行吞吐量。传统方法采用并行微观交通动态负载平衡预测算法实现车辆拥堵调度和车辆路径规划,不能准确判断路面上的车辆密度,路径规划效益不好。提出一种基于云网格集成调度的防拥堵车辆路径规划算法,即构建基于Small-World模型的云网格路网模型,采用RFID标签信息进行路况信息采集,实现交通网络拥堵评估信息特征的提取,采用固有模态函数加权平均求得各车道的车辆拥塞状态函数,对所有车道内车辆密度取统计平均可获得簇内的车辆密度。设计交通路网拥堵检测算法来对当前个体道路信息进行一维邻域搜索,从而实现车辆路径规划控制目标函数最佳寻优。通过动态博弈的方式求得车辆防拥堵路径的近似最优轨迹,实现路径规划算法的改进。仿真结果表明,该算法能准确规划车辆路径,实现最优路径控制,从而提高严重拥堵路段的车流速度和路网吞吐性能,性能优越。     

路网信息不完备条件下的动态最短路搜索

针对路网信息不完备性、路网结构特征和驾驶员习惯等因素,研究最短路搜索问题。提出以全局规划和局部规划相结合的动态最短路混合规划方法：全局规划中,基于参数d/l（起终点距离d与平均路段长度l之比）,确定路径搜索区域的椭圆方程,运用Dijkstra算法生成静态的全局最短路径;局部规划中,结合路网结构特征、突发事件影响范围,提出改进Bug算法,以避免车辆进入全局最短路径上发生的紧急事件或严重堵塞区域,实现动态诱导。仿真实验结果表明,混合规划方法能在路网信息不完备条件下实现最短路径动态诱导,有效避开拥堵区域。     

基于双层规划的自动卡车运输专用网络设计优化

为保障交通系统安全性和卡车货运自动化的发展,有必要对自动卡车货物运输专用网络进行科学规划与布局.考虑到自动卡车专用道会减少普通车辆的路权,对普通车辆的出行路径选择行为造成影响,首先从路网整体出发,以系统出行时间最小为目标,充分考虑路网普通车辆的出行路径选择行为,构建一种新的自动卡车专用运输网络设计的双层规划模型;然后提出一种基于实数编码的改进差分进化算法求解建立的双层规划模型,不仅保证解的可行性,还可避免复杂的不可行解修复过程.通过Sioux\ Falls基准网络实例和大量随机算例对比测试验证了所提出模型和算法的有效性.     

基于节点度和最小支撑聚类的路径搜索算法

在复杂网络的理论基础上,基于节点度和最小支撑聚类构造了一个阻抗函数,利用该阻抗函数提出了一种可应用于城市路网的启发式路径搜索算法,该算法搜索到的路径可以在总路径长度接近理论最短的同时,通过避免取径可能发生拥堵的路段,从而降低遭遇拥堵情况的风险;根据该算法编程实现了一个简易导航程序,通过实际路网数据验证了算法的有效性。     

Highly-scalable traffic management of autonomous industrial transportation systems

In this paper, we present a novel method for highly-scalable coordination of free-ranging automated guided vehicles in industrial logistics and manufacturing scenarios. The primary aim of this method is to enhance the current industrial state-of-the-art multi-vehicle transportation systems, which, despite their long presence on the factory floor and significant advances over the last decades, still rely on a centralized controller and predetermined network of paths. In order to eliminate the major drawbacks of such systems, including poor scalability, low flexibility, and the presence of a single point of failure, in the proposed control approach vehicles autonomously execute their assigned pick-up and delivery operations by running a fully decentralized control algorithm. The algorithm integrates path planning and motion coordination capabilities and relies on a two-layer control architecture with topological workspace representation on the top layer and state-lattice representation on the bottom layer. Each vehicle plans its own shortest feasible path toward the assigned goal location and resolves conflict situations with other vehicles as they arise along the way. The motion coordination strategy relies on the private-zone mechanism ensuring reliable collision avoidance, and local negotiations within the limited communication radius ensuring high scalability as the number of vehicles in the fleet increases. We present experimental validation results obtained on a system comprising six Pioneer 3DX robots in four different scenarios and simulation results with up to fifty vehicles. We also analyze the overall quality of the proposed traffic management method and compare its performance to other state-of-the-art multi-vehicle coordination approaches.     

基于视觉引导多AGV系统的改进A*路径规划算法

研究基于视觉引导自动引导车(AGV)的改进A*路径规划算法.首先,设计一种包含导航、定位和任务信息的图形编码标志方法,AGV通过识别位于车身前方网格型路径中有序排布的编码标志进行快速定位和下一位置预判,为多AGV规划奠定基础;其次,根据网格型路径构成的动态随机网络,提出一种改进A*算法,将AGV在运动时产生的动态时间耗费作为参考指标,以实现多AGV在路径网络中的路径规划和冲突避让策略,提高固定路网资源的利用效率;最后,对多AGV在网格型路径中协同工作的场景进行仿真,实验结果表明,所提出的改进算法可以有效应用于多AGV系统,并且提升整体系统的工作效率.