一种基于改进的遗传算法对AGV任务调度的方法及系统

一种基于改进的遗传算法对agv任务调度的方法及系统
技术领域
1.本发明涉及任务调度技术领域，尤其涉及一种基于改进的遗传算法对agv任务调度的方法及系统。


背景技术：

2.任务调度是指将多个任务分配给一定数量的agv，随着agv技术的发展，agv系统在agv本体技术，导航控制技术和路径规划技术都取得了一定的成就，但是在任务分配方案中未能实现方案的最优化，是国内外研究的难题。任务调度分配主要解决的是在现有的约束条件下多agv的任务分配和组合优化问题，是指在给定的条件下，将任务指派给规定的agv并合理的完成调度任务目标，需要考虑agv运行的成本和资源分配的合理性，最大化利用资源。早期的任务分配方法主要有最近车辆优先，先来先服务，最大输出队列等，无法满足当前agv任务分配需求，因此，提出一种基于改进的遗传算法来优化任务分配的问题。


技术实现要素：

3.本发明的目的是针对现有技术的缺陷，提供了一种基于改进的遗传算法对agv任务调度的方法及系统。
4.为了实现以上目的，本发明采用以下技术方案：
5.一种基于改进的遗传算法对agv任务调度的方法，包括：
6.s1.建立与仓储相关的环境模型；
7.s2.根据建立的环境模型，以agv最短路径作为agv任务调度的指标为优化目标，构建agv调度优化模型；
8.s3.基于改进的遗传算法求解agv调度优化模型，得到agv的最优调度方案。
9.进一步的，所述步骤s1中的环境模型包括agv、货架、充电区、拣货区。
10.进一步的，所述步骤s1中还包括：
11.(1)设每辆agv只执行一个任务，表示为：
[0012][0013][0014][0015]
其中，b
ik
＝1，表示第k辆agv执行第i个任务；c
ijk
＝1，表示第k辆agv执行完第i个任务后执行第j个任务；
[0016]
(2)设agv状态良好，电量充足且agv匀速行驶，速度相同；
[0017]
(3)设agv调度任务重量不超过agv承载重量；
[0018]
(4)设相同货架被同一任务访问，且在任务被执行前没有其他任务访问。
[0019]
进一步的，所述步骤s3中改进的遗传算法是基于锦标赛选择策略对遗传算法进行改进的。
[0020]
进一步的，所述改进的遗传算法具体包括：
[0021]
a1.以任务编号i为指针，agv变量为编号制定实数编码规则；
[0022]
a2.对agv分配任务，并生成多组分配方案，得到初始种群；
[0023]
a3.计算初始种群的适应度函数值；
[0024]
a4.以锦标赛策略选择适应度值高的个体并进行复制、交叉、变异操作，产生子代种群；
[0025]
a5.计算子代种群的目标函数值；
[0026]
a6.重复执行步骤a4-a5，并判断是否达迭代终止条件，若否，则继续执行步骤a4；若是，则输出最终结果。
[0027]
进一步的，所述步骤a3中适应度函数值是采用agv的最短路径作为适应度函数的。
[0028]
相应的，还提供一种基于改进的遗传算法对agv任务调度的系统，包括：
[0029]
建立模块，用于建立与仓储相关的环境模型；
[0030]
构建模块，用于根据建立的环境模型，以agv最短路径作为agv任务调度的指标为优化目标，构建agv调度优化模型；
[0031]
求解模块，用于基于改进的遗传算法求解agv调度优化模型，得到agv的最优调度方案。
[0032]
进一步的，所述建立模块中的环境模型包括agv、货架、充电区、拣货区。
[0033]
进一步的，所述求解模块中改进的遗传算法是基于锦标赛选择策略对遗传算法进行改进的。
[0034]
进一步的，所述改进的遗传算法具体包括：
[0035]
制定模块，用于以任务编号i为指针，agv变量为编号制定实数编码规则；
[0036]
分配模块，用于对agv分配任务，并生成多组分配方案，得到初始种群；
[0037]
第一计算模块，用于计算初始种群的适应度函数值；
[0038]
处理模块，用于以锦标赛策略选择适应度值高的个体并进行复制、交叉、变异操作，产生子代种群；
[0039]
第二计算模块，用于计算子代种群的目标函数值；
[0040]
判断模块，用于判断是否达迭代终止条件。
[0041]
与现有技术相比，本发明通过改进的遗传算法，以最短路径为调度目标设计调度函数，根据锦标赛策略选择个体，然后进行复制，交叉和变异来获得子代种群，能够对传统的遗传算法进行优化，达到快速求解智能仓储中agv的任务分配问题，完成调度方案，具有一定的先进性和可行性。
附图说明
[0042]
图1是实施例一提供的一种基于改进的遗传算法对agv任务调度的方法流程图；
[0043]
图2是实施例一提供的环境模型示意图；
[0044]
图3是实施例二提供的改进的遗传算法流程示意图。
具体实施方式
[0045]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书
所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0046]
本发明的目的是针对现有技术的缺陷，提供了一种基于改进的遗传算法对agv任务调度的方法及系统。
[0047]
实施例一
[0048]
本实施例提供一种基于改进的遗传算法对agv任务调度的方法，如图1所示，包括：
[0049]
s1.建立与仓储相关的环境模型；
[0050]
s2.根据建立的环境模型，以agv最短路径作为agv任务调度的指标为优化目标，构建agv调度优化模型；
[0051]
s3.基于改进的遗传算法求解agv调度优化模型，得到agv的最优调度方案。
[0052]
在步骤s1中，建立与仓储相关的环境模型。
[0053]
环境模型一般包括agv、货架、充电区、拣货区；其中agv用来运送货物从货架到拣货区，货架用来存放货物，充电区用来给agv进行充电，拣货区即agv运送的目标点位，用来进行货物的进一步地操作。
[0054]
在本实施例中，为了合理研究仓储agv的调度策略，提出以下假设：
[0055]
(1)设每辆agv只执行一个任务，表示为：
[0056][0057][0058][0059]
其中，b
ik
＝1，表示第k辆agv执行第i个任务；c
ijk
＝1，表示第k辆agv执行完第i个任务后执行第j个任务；
[0060]
(2)设agv状态良好，电量充足且agv匀速行驶，速度相同；
[0061]
(3)设agv调度任务重量不超过agv承载重量；
[0062]
(4)设相同货架被同一任务访问，且在任务被执行前没有其他任务访问。
[0063]
如图2所示为环境模型示意图，其中包括地图信息以及货架、agv、停放/充电区，拣货区等区域。仓储agv的主要调度任务主要包括充电任务和搬运任务，且重带你任务优先级大于搬运任务，为合理研究agv的调度策略；提出以下约束包括：每辆agv只执行一个任务，所有agv在行驶过程中速度相同且匀速运行，agv搬运的货物重量小于agv所能承受的重量，每个货架只能被一个agv所访问，在当前任务未被执行之前，不能有其他任务执行。
[0064]
在步骤s2中，根据建立的环境模型，以agv最短路径作为agv任务调度的指标为优化目标，构建agv调度优化模型。
[0065]
agv调度目标对运输任务和不同agv进行排序，确定合理的任务分配方案，实现运输任务和车辆之间的最佳匹配，提升系统整体效率，降低成本。在仓储系统中，有n辆agv，有m个执行任务，若干个工作站点和物料仓库站点。通过合理分配任务，满足指定的调度指标。
[0066]
agv任务调度一般有行驶路径最短原则，等待时间最少原则，agv数量配置最少原则，成本最少原则，本发明应用路径最短原则作为agv任务调度的指标，agv的行驶过程可以
分为从停车区前往货架，从货架前往拣货区，从拣货区到货架，从拣货区到充电区或者停车区。
[0067]
对调度模型进行优化包括对仓储系统中的货架数量，货架的位置，agv数量，任务数量以及货架与货架之间的距离等进行合理分配，确定合理的任务分配方案，实现运输任务和车辆之间的最佳匹配，提升系统整体效率，降低成本。
[0068]
确定agv的调度准则，agv的调度准则一般有时间最短，距离最短，成本最低，agv数量最少等准则，采用agv行驶距离最短为调度准则设计调度方案，以此确定适应度函数。
[0069]
总体路径代价：
[0070][0071]
其中：k表示agv序号；bk表示完成剩余任务的代价；c
k,i
表示完成接收任务的代价；d
j,j+1
表示完成任务间转换的代价；ej表示完成执行任务的代价。
[0072]
采用权重系数法给指标进行权重赋值，线性组合得到适应度函数：
[0073][0074]
表示当代种群第i条染色体的agv总体行进率；
[0075]
表示所有染色体中agv总体行进代价的最大值/最小值；
[0076]
表示当代种群中第i条染色体的agv总体行进代价。
[0077]
适应度函数计算公式为：
[0078]
β为agv最大行进代价影响系数。
[0079]
在步骤s3中，基于改进的遗传算法求解agv调度优化模型，得到agv的最优调度方案。
[0080]
本实施例对遗传算法采用锦标赛选择策略进行改进，首先输入参数、订单数量、agv数量，然后将订单分解为任务，按照任务优先级进行排序；接着每次从种群中取出一定数量的个体，选择其中最好的一个进入子代种群，重复该操作，直至新的种群规模达到原来种群规模。
[0081]
如图3所示，改进的遗传算法具体包括：
[0082]
a1.以任务编号i为指针，agv变量为编号制定实数编码规则；
[0083]
在设计编码时，需要考虑基因的完备性，健全性和冗余性。多agv调度系统中根据agv编号信息，算法采用实数编码方式，以便于解码和基因操作。编码长度由任务数量m决定，初始化时在染色体每个基因位上设置为(1，n)的随机数，代表agv编号。
[0084]
a2.对agv分配任务，并生成多组分配方案，得到初始种群，以保证组合情况的多样性；
[0085]
a3.计算初始种群的适应度函数值；
[0086]
遍历种群，计算初始种群的适应度函数值，在适应度函数中对各个个体的排列情况进行优化。
[0087]
本实施例采用agv最短路径作为适应度函数。
[0088][0089]
a4.以锦标赛策略选择适应度值高的个体并进行复制、交叉、变异操作，产生子代种群；
[0090]
从种群中选出一定数量的个体，然后选择其中最好的一个进入子代种群，重复该操作，直到新的种群达到原来种群的规模，然后对种群进行复制、交叉、变异操作，产生子代种群。
[0091]
a5.计算子代种群的适应度值；
[0092]
根据适应度值进行排序，准备进行下一次遗传操作。
[0093]
a6.重复执行步骤a4-a5，并判断是否达迭代终止条件，若否，则继续执行步骤a4；若是，则输出最终结果。
[0094]
给定一个最大迭代次数g，若迭代次数大于g，则终止循环，并将迭代过程中所得到的具有最大适应度值的个体作为最优解输出。
[0095]
与现有技术相比，本实施例通过改进的遗传算法，以最短路径为调度目标设计调度函数，根据锦标赛策略选择个体，然后进行复制，交叉和变异来获得子代种群，能够对传统的遗传算法进行优化，达到快速求解智能仓储中agv的任务分配问题，完成调度方案，具有一定的先进性和可行性。
[0096]
实施例二
[0097]
本实施例提供一种基于改进的遗传算法对agv任务调度的系统，包括：
[0098]
建立模块，用于建立与仓储相关的环境模型；
[0099]
构建模块，用于根据建立的环境模型，以agv最短路径作为agv任务调度的指标为优化目标，构建agv调度优化模型；
[0100]
求解模块，用于基于改进的遗传算法求解agv调度优化模型，得到agv的最优调度方案。
[0101]
进一步的，所述建立模块中的环境模型包括agv、货架、充电区、拣货区。
[0102]
进一步的，所述求解模块中改进的遗传算法是基于锦标赛选择策略对遗传算法进行改进的。
[0103]
进一步的，所述改进的遗传算法具体包括：
[0104]
制定模块，用于以任务编号i为指针，agv变量为编号制定实数编码规则；
[0105]
分配模块，用于对agv分配任务，并生成多组分配方案，得到初始种群；
[0106]
第一计算模块，用于计算初始种群的适应度函数值；
[0107]
处理模块，用于以锦标赛策略选择适应度值高的个体并进行复制、交叉、变异操作，产生子代种群；
[0108]
第二计算模块，用于计算子代种群的目标函数值；
[0109]
判断模块，用于判断是否达迭代终止条件。
[0110]
需要说明的是，本实施例提供的与实施例一类似，在此不多做赘述。
[0111]
与现有技术相比，本实施例通过改进的遗传算法，以最短路径为调度目标设计调度函数，根据锦标赛策略选择个体，然后进行复制，交叉和变异来获得子代种群，能够对传统的遗传算法进行优化，达到快速求解智能仓储中agv的任务分配问题，完成调度方案，具
有一定的先进性和可行性。
[0112]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。