基于CiteSpace的AGV路径规划研究热点分析

AGV路径规划对于提升物料搬运效率起到了重要作用,随着技术的发展与AGV应用范围的逐步扩大,路径规划问题得到了许多学者的研究与关注。本文利用文献统计分析法与可视化工具CiteSpace软件,以中国知网与Web of Science为对象,对中外文文献分析。首先通过关键词词频与中心性排序得出研究热点,中文文献研究热点包含：路径规划算法、AGV调度、时间窗、激光导航;外文文献研究热点包含：flexible manufacturing system、material handling system、layout、AGV system、algorithm,接着对热点逐一述评。然后将中外文文献进行对比,分析异同之处。最后对AGV路径规划的研究进行展望,明确未来的研究将朝着以下几点展开：算法的组合优化、应用场景的针对性建模、相关问题的协同研究。     

基于电量和负载均衡约束的多AGV生产车间调度研究

目前多AGV的使用大大提升了制造企业的生产效率，在调度过程中也产生了诸多问题，其中以AGV负载不均和电量限制所带来的拥堵问题尤为凸显。对此，以最小化生产调度时间和负载均衡偏差为目标，考虑AGV的电池容量、充电次数、充电时间等约束，建立了一种非线性的多目标集成优化模型，基于MFC(Minimum time selection for charged volume constraint,MFC)策略设计了自适应改进遗传算法，并通过与传统遗传算法对比分析，验证了算法的有效性。最后对AGV调度中的相关参数进行分析，得到了AGV在负载均衡时的运行规律。     

求解排列组合问题的解空间动态缩减策略

针对一般群智能算法求解大规模排列组合问题时搜索空间大从而影响群体搜索效率的问题,提出了一种解空间动态缩减（SSDC）策略,以动态减少算法搜索空间。该策略中,首先通过智能算法对排列组合优化问题两次初步求解,对获得的两个解中重复的片段进行识别和融合,将融合成的新节点代入原解空间进行解空间缩小更新;而后在下一次智能算法求解的过程中,对缩小的可行空间进行搜索,从而提升个体在有限空间内的搜索效率,降低搜索时间成本。基于5个高维标准旅行商问题（TSP）和2个车辆路径优化问题对融合新策略的多种群智能算法进行测试。实验结果表明融合所提策略的群智能算法在搜索精度和稳定性上均要优于对应的原算法,证明所提解空间动态缩减策略可以有效改善算法的性能。     

具有动态拓扑结构的聚类粒子群算法研究

从增加种群多样性和信息交流能力出发,结合K-means聚类算法和Ring型拓扑结构的特点,提出了一种动态拓扑结构的改进算法(KPSO)。在粒子信息交流中,提出两种位置和速度更新方式,并通过Bench-mark函数优化问题测试,比较了KPSO算法与经典PSO的各种性能。对KPSO的重要参数聚类数K、种群规模N的选择进行了组合实验测试。结果表明,改进后的KPSO求解复杂优化问题性能良好,在搜索精度和速度上优势明显,对于不同的种群规模选择不同的聚类数对算法有重要影响。     

具有博弈概率选择的多子群粒子群算法

针对粒子群算法在求解复杂多峰函数时存在早熟、易陷入局部最优、全局收敛性能差等缺陷,考虑种群结构、多模式学习和个体间博弈等因素,提出了具有博弈概率选择的多子群粒子群算法.该算法从改善群体多样性、提升个体搜索能力的角度出发,构建了动态多种群结构,并针对每个子群构建不同的学习策略(极端学习、复合学习、邻域学习和随机学习),子群间进行最优信息共享,形成异构多子群的多源学习方式;将进化博弈思想引入群体搜索过程中,个体通过收益矩阵和扎根概率进行策略概率选择,进入适合个体能力提升的子群进行学习.基于12个标准测试函数,针对算法中重要参数子群规模L的取值进行了组合实验,结果表明L取值N/2或N/3时,种群适应度分布及中位值具有明显优势;针对算法性能测试,利用不同维度下的标准测试函数与7种同类型算法进行对比实验,实验结果显示,改进算法在最优值、求解稳定性及收敛特征上整体优于对比算法,说明多源学习和博弈概率选择策略可以有效改善粒子群算法的性能.     

云物流模式下基于最大覆盖配送中心的选址—分配问题研究

为了实现物流资源利用率的提高和物流成本的降低,根据"云"的思想,建立了云物流下基于最大覆盖的选址—分配的多目标非线性决策模型,该模型的目标是配送中心的选址优化和整体需求覆盖最大化。设计了基于遗传和粒子群的组合式启发式算法,对算法的性能进行了Benchmark测试。通过大量算例和对比分析,验证了模型和算法的有效性和稳定性。     

具有拓扑时变和搜索扰动的混合粒子群优化算法

粒子群优化（PSO）算法在求解复杂多峰函数时极易早熟,陷入局部最优无法跳出。研究表明改变粒子间的拓扑结构和调整算法的迭代机制有助于改善种群的多样性,提高算法的寻优能力。因此,提出一种具有拓扑时变和搜索扰动的混合粒子群优化（HPSO-TS）算法。该算法采用K-medoids聚类算法对粒子群进行动态分簇,形成多个异构子群,以利于子群内粒子间进行信息流通。在速度更新中,增加簇最优粒子的引导,并引入非线性变化极值扰动,帮助粒子搜索更多的区域。而后在位置迭代中引入花授粉算法（FPA）中的转换概率,使粒子在全局搜索和局部搜索之间转换。在全局搜索时结合狮群算法中的母狮觅食机制对粒子的位置进行更新;在局部搜索时引入正弦扰动因子,帮助粒子跳出局部最优。实验结果表明所提算法在求解精度和鲁棒性方面明显优于FPA、PSO、改进粒子群算法（IPSO）、具有动态拓扑结构的粒子群算法（PSO-T）;并且随着测试维度和次数的增加,这种优势更加明显。HPSO-TS算法所引入的拓扑时变策略和搜索扰动机制能有效地提高种群的多样性和粒子的活性,从而改善寻优能力。