AGV智能運輸管理

1、AGV調(diào)度系統(tǒng)研究與開發(fā)1.1背景及意義近兩年來，國內(nèi)對自動導(dǎo)引車(AGV)的需求量正在以井噴的勢頭增長，除了傳統(tǒng)的AGV使用量最多的汽車和煙草行業(yè)，AGV在其他行業(yè)中的應(yīng)用也在逐漸增加，如家電業(yè)、食品飲料業(yè)等。然而，與發(fā)達國家相比，國內(nèi)的技術(shù)水平還處于初級階段，僅相當(dāng)于歐美國家上世紀(jì)80年代初的水準(zhǔn)。隨著計算機集成制造系統(tǒng)技術(shù)的逐步發(fā)展和工廠運作自動化的趨勢，AGV作為調(diào)節(jié)和聯(lián)系離散型物流系統(tǒng)，使其作業(yè)連續(xù)化的必要的自動化裝卸搬運手段,其應(yīng)用范圍和技術(shù)水平得到迅猛發(fā)展。據(jù)相關(guān)資料顯示，在產(chǎn)品生產(chǎn)的整個過程中，用于加工制造的壞節(jié)僅占的5%時間，其余90%的時間都用于儲存、裝卸、等待加工和輸送等

2、環(huán)節(jié)。目前諸多工業(yè)強國的企業(yè)1.2研究現(xiàn)狀分析及文獻綜述1.3研究內(nèi)容和結(jié)構(gòu)安排2算法相關(guān)理論2.1人工蜂群優(yōu)化算法研究與改進2.1.1人工蜂群簡述蜂群算法源于人們對蜂群這一群居性生物行為的觀察和研究，是模仿蜜蜂的各種行為提出的一種優(yōu)化方法，蜂群算法和蟻群算法、微粒群算法等同屬于群體智能算法。由于蜂群的生物學(xué)機理較為復(fù)雜，根據(jù)算法模仿蜂群中行為的不同，蜂群算法可以分為基于蜜蜂繁殖行為的蜂群算法(BCOonpropagating)和基于蜜蜂覓食行為的蜂群算法(BCOongathering)對于基于繁殖行為的蜂群算法，Abbass發(fā)展出一種蜜蜂繁殖優(yōu)化模型(BeeMatingOptimizatio

3、n.BMO)0BozorgHaddad和A.Afshar共同將其進行改進并應(yīng)用到具有離散變量的水庫優(yōu)化問題上。而后，BozorgHaddad等人又將這一理論應(yīng)用于三種不同的數(shù)學(xué)問題測試平臺上。對于基于覓食行為的蜂群算法，Yang發(fā)展出一種虛擬蜜蜂算法(VirtualBeeAlgorithm,VBA),并利用這種算法來解決數(shù)值優(yōu)化問題。該算法中在空間內(nèi)隨機地產(chǎn)生一組虛擬的采蜜蜂，并且這些蜜蜂找到食物源后相互之間會產(chǎn)生影響。倉物源與目標(biāo)函數(shù)值對應(yīng),而問題的最優(yōu)解町以通過蜜蜂之間相互影響的飽和度來獲得。Pham等對這種蜜蜂算法進行了描述，并模擬了蜜蜂的采蜜行為。在此版本基礎(chǔ)上，這種兼具鄰域搜索與隨機

4、搜索的算法可以用于解決組合優(yōu)化問題以及函數(shù)優(yōu)化問題。Wedde和Farooq受蜜蜂覓倉原則的啟發(fā)，提出一種BeeAdHoc算法，這是一種應(yīng)用于移動自組織網(wǎng)絡(luò)中的高效路由算法。受蜂巢中的蜜蜂信息交流行為的啟發(fā)，Wedde等還提出了BeeHive算法，并將其應(yīng)用于網(wǎng)絡(luò)中的路由問題。Lucic和Teodorovic在解決組合優(yōu)化問題時引入了蜜蜂系統(tǒng)這一概念。Teodorovic和DelKOrco針對ride-matching問題提出了蜜蜂種群優(yōu)化的概念，并用來解決光纖網(wǎng)絡(luò)中的路由和波長分配問題。模擬蜜蜂的覓食行為,Karaboga設(shè)計了人工蜂群(ArtificialBeeColonyalgorith

5、m,ABC)模型，并用來解決非約束數(shù)值優(yōu)化問題。后來Karaboga將ABC理論進行擴展應(yīng)并用到解決約束優(yōu)化問題，并在幾種比較有代表性的約束性優(yōu)化問題上與DE、PSO進行了比較。在上述提到的算法中，ABC算法是目前為止研究最為廣泛并且在解決現(xiàn)實問題中應(yīng)用最多的算法。與蜜蜂智能有關(guān)的算法在刊物發(fā)表中的比重如圖1.1所示，我們從中可以看出ABC算法占到了54%。木文所要研究的就是Karaboga提出的基于覓食行為的人工蜂群算法，下文中如果未經(jīng)特殊說明，人工蜂群算法均指基于覓食行為的人工蜂群算法。ABC圖2.1與蜜蜂智能有關(guān)的算法在期刊發(fā)表中所占的比例2.1.2人工蜂群算法原理、流程及數(shù)學(xué)模型在蜜蜂

6、群體中，雖然單個蜜蜂的智能是有限的，但是由這些蜜蜂組成的蜜蜂群體無論在何種環(huán)境中總可以在蜂巢周闈較快的找到優(yōu)質(zhì)的食物源。在蜂群算法模型中，主要有三個組成因素:食物源(FoodSources)、雇傭蜂(EmployedBee)和未雇傭蜂(UnemployedBee)。并且該模型中定義了兩種主要的覓食行為：為食物源招募蜜蜂和拋棄某食物源。(。食物源：一個食物源包含了許多因素，包拾距蜂巢的距離，食物的豐富程度或濃度以及采集食物的難易程度。為求簡便，將單一的食物數(shù)量作為食物源的評價值。（2）雇傭蜂：雇傭蜂與正在開采的或已存在招募了蜜蜂的某一特定的倉物源對應(yīng)，即雇傭蜂的數(shù)屋與食物源的數(shù)量相等。并且攜帶有

7、該食物源諸如距蜂巢距離、方向、數(shù)量等信息。并按照一定的概率將此信息與其他蜜蜂共享。雇傭蜂又被稱為引領(lǐng)蜂、工作蜂或采蜜蜂。（3）未雇仰蜂：未雇傭蜂不斷的尋找或開釆食物源。未雇傭蜂分為兩種，偵察蜂和跟隨蜂。跟隨蜂在蜂巢內(nèi)等待，直到從引領(lǐng)蜂處共享到食物源信息而前去開采：而偵察蜂則在蜂巢附近搜索來尋找食物源。當(dāng)某處食物源的數(shù)量過少而將其拋棄時，對應(yīng)該倉物源的引領(lǐng)蜂轉(zhuǎn)換為偵察蜂，重新對食物源進行搜索。在蜂群中，偵查蜂的數(shù)量通常占整個蜂群的5-10%o蜜蜂之間信息的交互是使蜂群具有智能的重要原因，而蜂巢中的舞蹈區(qū)就是蜜蜂在蜂巢中進行信息交流的場所。在舞蹈區(qū)交互的信息主要是食物源信息。在人工蜂群算法中，一個

8、食物源的位置代表了優(yōu)化問題中的一個可行解，而食物源處花蜜的數(shù)量就代表了解的質(zhì)量（適應(yīng)度）；而引領(lǐng)蜂或跟隨蜂的數(shù)量則代表了解的數(shù)量。在人工蜂群算法中，第一步算法首先產(chǎn)生隨機分布SN個解（食物源的位置）組成的初始種群P（G=0）,這里SN就代表了種群的數(shù)量，對應(yīng)的每一個解都是一個維向量，是優(yōu)化參數(shù)的數(shù)量。初始化完成以后，蜜蜂種群開始對食物的位置（解）進行反復(fù)搜索，CJ,2,MCN代表了引領(lǐng)蜂、跟隨蜂和偵察蜂的搜索次數(shù)，最犬搜索次數(shù)為MCN。引領(lǐng)蜂具有記憶功能，它會根據(jù)記憶中的新的食物源處探測到的花蜜數(shù)屋和位置信息來產(chǎn)生新解。當(dāng)新的食物源處的花蜜數(shù)量多于當(dāng)前記憶中位置處時，它會記憶新的位置而忘記舊的

9、位置；否則它將保持記憶中的前一位置不變。當(dāng)所有的引領(lǐng)蜂完成搜索過程后，他們會在舞蹈區(qū)將他們的食物源處花蜜數(shù)量和位置信息與跟隨蜂進行分享。跟隨蜂會評估從所有引領(lǐng)蜂處獲得的蜜源信息，并按照一定的概率（與蜜源數(shù)量有關(guān)）選擇倉物源。而引領(lǐng)蜂則會比較它記憶中的位置和候選位置處的蜜源數(shù)量對解進行修改，當(dāng)某個位置處的蜜源數(shù)量高于前一位置時，它會記憶新的位置而忘記前一位置。（還有一些公式的定義和解釋，書上、文獻上比比皆是，此處省略書寫）通過以上說明可以明顯的看出，在人工蜂群算法中有3個可控參數(shù)：食物源的數(shù)量SN（與引領(lǐng)蜂或偵察蜂的數(shù)量相等）、局部最人循壞次數(shù)Limit.全局最人循環(huán)次數(shù)MCN。人工蜂群算法的算

10、法流程如下：Step1.初始化種群x；,i=2.SCN,j=l.D：Step2.對初始化的種群進行適應(yīng)度評價；Step3.設(shè)置全局循壞次數(shù)CycleStep4.設(shè)置局部循壞次數(shù)LJ；Step5.根據(jù)公式（2.2）引領(lǐng)蜂對鄰域進行搜索，產(chǎn)生新解x；,并對其進行評價：Step6.利用貪焚原則對x；和y；進行選擇；Step7.利用公式（2.1）計算解X：的門概率值；Step8.跟隨蜂根據(jù)解x沖按照概率值P：選擇引領(lǐng)蜂，并產(chǎn)生新解叫對其適應(yīng)度進行評價;Step9.L=L+1;Step10.判斷是否已達局部最人循壞次數(shù)，如呆LLimit,則轉(zhuǎn)Step6;否則轉(zhuǎn)Step11;Step11.判斷是否有需要拋

11、棄的解，如果有，引領(lǐng)蜂轉(zhuǎn)變?yōu)閭刹旆?，根?jù)公式（23）產(chǎn)生一個新的隨機解X卜Step12.記憶目前為止的最好解；Step13.代數(shù)遞增，Cycle二Cycle+2：Step14.判斷，是否已到全局最人循壞次數(shù)MCN,如呆CycleIVICN則流程循壞結(jié)束：否則轉(zhuǎn)至Step4。人工蜂群算法的流程圖如圖1.1所示。z怪2.2人I蜂誓算法流程圖2.1.3人工蜂群算法優(yōu)化及仿真測試2.2遺傳算法研究與改進2.2.1遺傳算法簡述2.2.2遺傳算法及數(shù)學(xué)模型2.2.3遺傳算法優(yōu)化及仿真測試AGV調(diào)度問題方案分析與設(shè)計AGV調(diào)度問題建模與分析AGV調(diào)度問題求解算法6.AGV調(diào)度管理系統(tǒng)實現(xiàn)AGV調(diào)度研究背景：自動化倉儲系統(tǒng)中AGV的應(yīng)用日漸顯示出其優(yōu)越性，主要是由于其適應(yīng)性好、可靠性高、柔性好、能實現(xiàn)生產(chǎn)和搬運功能的自動化和集成化，在各國各行業(yè)都得到廣泛地應(yīng)用。近年來，國內(nèi)諸多行業(yè)對于AGV的需求量自動化倉儲系統(tǒng)中需要單臺或者多臺AGV同時完成多項運輸任務(wù)時，為了能夠?qū)崿F(xiàn)每臺AGV完成運輸任務(wù)的效率的提高，并且實現(xiàn)無碰撞智能運行，需要設(shè)計相關(guān)的調(diào)度系統(tǒng)，科