物联网仓储AGV物流管理方法、系统及存储介质与流程

本发明涉及物联网仓储物流管理，特别涉及物联网仓储agv物流管理方法、系统及存储介质。

背景技术：

1、物联网驱动的智能仓储物流系统是物流行业的新兴领域，其代表了仓储和物流领域的先进技术应用，旨在实现智能化、自动化和高效化的运营。这一技术基于物联网技术，能够实时获取、传输、分析和应用大量数据，以全面优化仓储管理和物流运营，从而提高整体效率和精度。

2、物联网技术通过传感器、射频识别（rfid）、无线通信等关键技术组成，将仓库内外的设备、货物和运输工具连接在一起，实现了信息的实时采集、传输和处理。rfid技术用于标识和跟踪货物，从而提高了货物管理的效率和准确性，使仓库内的货物状态变得实时可见。

3、在智能仓储物流系统中，自动导引车（agv）是一个关键组成部分。agv是一种能够自主行驶、运输物料的无人驾驶车辆。在智能仓储物流中，agv能够根据物流需求自动规划路径、装载货物、运输至指定位置，并实现货物的自动卸载。此外，智能物流机器人能够自动搬运、分类和装箱货物。在这一技术体系中，核心挑战之一是实现对agv的路径规划，确保它能够高效地执行各项任务，从而实现仓储物流系统的顺畅运作。因此一些现有技术已经实现了agv的智能路径规划，包括：

4、（1）基于物联网的仓储监管系统（cn201710417235.4）：该系统采用了三种预设的位置关系的反馈，以实时显示和引导物流运输车辆重新选择最优路径。然而，这一传统技术的限制在于它依赖于预设的位置关系，因此在面对环境或需求的变化时，这些关系可能不再准确或适用。此外，预设位置关系无法充分考虑实时交通、拥堵和其他动态因素对路径选择的影响，从而导致路径不够优化。

5、（2）自动化智慧物流调度路径的优化系统（cn202310485289.x）：该系统利用蚁群算法自动规划导航路径。蚁群算法是一种启发式算法，其性能高度依赖于启发式规则和参数的选择，因此不适用于所有环境或情境。此外，蚁群算法在复杂、高维度问题中有可能陷入局部最优解，尤其在大型仓储环境的条件下，可能无法保证找到全局最优解，甚至可能陷入局部最优解，使多个agv小车无法进行有效的路径规划。

6、综上，可以将现有的技术的缺点总结为：

7、（1）实时适应性不足：现有技术在面对环境或需求的实时变化时，适应性不足。这导致路径规划系统难以及时应对新的情况，无法有效地调整路径选择以满足变化的需求。

8、（2）路径规划灵活性不足：现有技术的路径规划方法缺乏足够的灵活性，难以灵活应对动态变化的路径选择需求。这限制了路径规划系统的能力，使其在面对不断变化的环境和要求时显得不够灵活。

9、为此，提出物联网仓储agv物流管理方法、系统及存储介质。

技术实现思路

1、有鉴于此，本发明实施例希望提供物联网仓储agv物流管理方法、系统及存储介质，以解决或缓解现有技术中存在的技术问题，即实时适应性不足和路径规划灵活性不足，并对此至少提供一种有益的选择；

2、本发明实施例的技术方案是这样实现的：

3、第一方面

4、物联网仓储agv物流管理方法

5、（一）技术概括

6、本技术所提供的物联网仓储agv物流管理方法旨在通过综合运用洪水填充算法和支持向量机（svm）算法，以提高自动导引车（agv）的路径规划效率、适应性和准确性。

7、（二）方法概述

8、物联网仓储agv物流管理方法主要包括以下步骤：

9、s1、执行洪水填充算法

10、在这一步骤中，仓储区域被视为（抽象为）洪水边界。在每个时间步下，根据货物的rfid标签提供的位置信息和运输任务，为agv的当前任务执行路径规划。这包括以下子步骤：

11、s101、定义目标

12、确定当前任务的起点和终点。为了选择最佳路径，使用目标函数f1计算不同路径的质量，并选择一个最佳路径。所述路径的质量由路径长度l和能源消耗e构成；

13、所述目标函数f1为：；

14、w1和w2分别是路径长度和能源消耗的权重；用于调整它们在目标函数中的相对重要性；

15、路径长度l是路径上相邻点之间的距离；；

16、表示路径上相邻点之间x向和y向的距离，是路径上相邻点之间的欧几里德距离之和；即：；

17、e表示能源消耗，所述能源消耗为路径上相邻点之间的能源消耗；可以根据agv的能源模型计算；其中：；

18、其中表示路径上相邻点之间的能源消耗；

19、agv的路径p为：；

20、其中为所述任务起点，为所述任务终点；

21、在所述s101中，所述择一实施为选择f1值最小的那个路径p*的结果进行实施，即f1(p*)最小。

22、s102、初始化

23、通过dijkstra算法生成初始路径策略i1作为初始解。同时，执行洪水填充算法以确定初始水位l1和降水速率r。这些参数在搜索过程中影响着算法的收敛性和速度。在所述s102中，所述dijkstra算法包括：

24、s1021、执行dijkstra算法，计算从起点到所有其他节点的最短路径长度，得到路径长度数组 d；

25、s1022、对于每个两个节点v，通过目标函数f1确定该两个节点v所连线形成的路径p；

26、s1023、选择路径策略i1为使f1(p)最小的节点v对应的路径，即：；

27、argmin为函数的参数值，指代f1(p)解算出的最小的数值；

28、在所述s102中，所述初始水位l1是洪水填充算法的起始水位，它决定了搜索空间的大小；所述初始水位l1设置为路径长度：；

29、即初始解的路径长度。这有助于确保搜索空间从一个合理的起点开始。

30、在所述s102中，降水速率r是一个调节参数，控制了水位下降的速度。较大的 r 值会导致水位迅速下降，而较小的 r 值会使水位下降较慢；更具体来说，较小的 r 值会使算法更加渐进，但可能需要更多的迭代来收敛。较大的 r 值可以加快搜索过程，但可能会导致在水位下降过程中错过潜在的更优路径。

31、s103、执行降水函数f2并进行内循环

32、降水函数f2将初始水位l1迭代为执行水位l2，并在每次循环中计算多个邻居解r1。从这些邻居解中选择最佳解r2，并在搜索结束后提取最终路径策略i2。所述降水函数f2包括：；

33、l2表示当前水位，t表示时间；

34、降水函数f2的基本思想是，随着时间的推移，水位l2逐渐降低，从而逼近或达到最佳路径解。降水速率r可以根据问题的性质和计算资源来设置。较大的r值会导致水位下降较快，搜索速度加快，但可能错过更优路径；较小的r值会导致水位下降较慢，搜索速度减慢，但更有可能找到更优路径。

35、在所述s103中，所述内循环的步骤包括：

36、s1031、通过目标函数f1评估当前路径策略i1的目标函数值：；

37、s1032、生成当前路径策略i1的邻居解r1：；

38、n(i1)是生成函数，用于生成路径策略i1的邻居解；

39、s1033、在邻居解中选择一个最佳邻居解r2：；

40、r2是最佳邻居解，它将成为下一步的路径策略；r1是在s1032中生成的邻居解，根据不同操作，如移动节点、添加节点或删除节点而得到。

41、f1(r1)是目标函数f1在邻居解r1上的值；即，f1(r1) 用来评估邻居解r1的质量。

42、这个公式表示了在所有邻居解r1中，选择具有最小目标函数值f1(r1)的解r2作为最佳邻居解。这意味着选择了一个在目标函数f1下具有更小值的路径策略，从而寻找更优的路径。

43、s1034、比较最佳邻居解的目标函数值与当前解决方案，如果更优，则接受该邻居解r1，否则拒绝：

44、s10341、计算最佳邻居解r2的目标函数值：；

45、s10342、计算当前解决方案i1的目标函数值：；

46、s10343、执行：

47、如果 ，表示邻居解r2的目标函数值更小，即路径策略r2更优于i1，则执行以下操作：接受邻居解：i2= i1 = r2；否则，如果 ，表示邻居解r2的目标函数值不如i1，即路径策略r2不如i1，则不执行任何操作，保持当前解决方案不变。这个逻辑及约束条件进行公式化后，则表达为：

48、；

49、s1035、重复s1031~s1034。直到满足终止条件（例如，达到一定的运行时间或水位下降到一定程度）。

50、s2、执行支持向量机算法

51、在这一步骤中，引入支持向量机（svm）算法以改善路径规划。具体包括：

52、s201、提取特征并输出修正最佳解r3

53、对于s103中生成的每个邻居解r1，在当前时间步中提取相关特征，然后使用svm模型执行输出以修正最佳解r3。修正后的解r3被用作评估阈值t，以度量初始路径策略i1或最终路径策略i2的质量。

54、s2011、特征提取：对于生成的所述邻居解r1，执行特征提取，特征提取函数e(r1)将邻居解r1映射为特征向量fr1：；

55、s2012、使用所述svm模型对所述特征向量fr1执行输出修正，得到修正后的最佳解：；

56、s2013、所述评估阈值t的所述度量：

57、根据修正后的最佳解r3与原始解r1的关系来决定是否接受修正。如果r3与r1相差超过阈值t，则接受修正，否则不接受。这个逻辑及约束条件进行公式化后，则表达为：

58、；

59、dd表示欧几里德运算函数，计算了r3和r1之间的距离差异度：；

60、r3和r1是两个解或向量，||r3 - r1|| 表示它们之间的欧几里德距离。这个距离度量用于衡量两个解之间的相似性或差异性，具体数值越小表示两个解越相似，数值越大表示它们越不相似。

61、s202、计算修正因子α并修正降水函数f2

62、在s103的降水函数f2中，计算上一个时间步中生成的最佳邻居解r2与修正最佳解r3之间的误差度。然后，计算修正因子α，并在下一个时间步中使用α对降水函数f2进行修正。

63、s2021、计算所述最佳邻居解r2与所述修正最佳解r3之间的误差度向量：；

64、me(r2, r3)是计算r2和r3之间误差度的函数；

65、s2022、使用sigmoid函数将误差度映射到介于0和1之间的修正因子α：

66、；

67、e是自然对数的底数，k 是控制sigmoid函数斜率的调节参数；

68、s2023、对所述降水函数f2进行修正：通过增加或减小降水速率r，以控制搜索的收敛速度和过程：；

69、f2'表示修正后的降水函数；af2是用于根据α调整降水函数的函数。

70、s3、执行路径策略

71、根据s201中的度量，agv的控制器执行最终路径策略i2，驱动agv进行移动。

72、（三）技术特点

73、本技术所提出的该方法综合利用洪水填充算法和支持向量机算法，提高了路径规划的适应性和准确性。物联网技术的应用，包括rfid标签，为路径规划提供了实时、准确的数据。通过svm模型的使用，路径规划能够根据实时情况进行调整，以提供更优化的路径选择。修正因子α的引入，使得算法能够根据过去的性能进行自适应化的调整，提高路径规划的效率。

74、第二方面

75、物联网仓储agv物流管理系统

76、该系统是一个集成的软件系统，旨在实现物联网仓储agv物流管理方法的自动化执行。该系统包括以下主要组件：

77、（1）处理器：系统的核心部分，负责执行各项任务。处理器具有高度的计算能力，可以有效地执行程序指令，实现路径规划、数据处理和决策制定。

78、（2）寄存器：与处理器耦接的寄存器，用于存储程序指令。这些指令包括了物联网仓储agv物流管理方法的算法和逻辑。程序指令定义了系统如何执行路径规划和管理物流任务。

79、（3）程序指令：程序指令是存储在寄存器中的代码段，被处理器执行以执行物联网仓储agv物流管理方法。这些指令包括路径规划算法、数据处理逻辑和决策制定流程。

80、第三方面

81、一种存储介质

82、存储介质内包含了用于执行物联网仓储agv物流管理方法的程序指令。这些指令定义了整个物流管理系统的操作逻辑和算法。它们涵盖了路径规划、数据处理、决策制定和系统控制等关键方面。

83、与现有技术相比，本发明的有益效果是：

84、（1）智能路径规划：本发明通过洪水填充算法，系统将仓储区域视为洪水边界，从而实现路径规划的自适应性。系统可以根据不同货物的rfid标签提供的位置信息和运输任务，实时计算并调整agv的路径，适应环境变化和任务需求的变动。

85、（2）自适应调节性修正及自我纠正机制：本发明的支持向量机通过特征工程和修正机制可以提前预测潜在的问题。系统可以调整路径以规避这些问题，从而降低了故障和错误的发生。支持向量机使用特征工程提取邻居解的特征，并进行修正。支持向量机模型通过学习和调整来预测路径的质量。降水函数f2用于控制洪水填充算法中的水位和搜索过程。水位的变化会触发新路径策略的生成。根据上一步的误差度计算出修正因子α，用于调整降水函数f2。这确保了搜索过程的适应性。

86、（3）高效性：本发明的洪水填充算法在路径规划中允许系统同时考虑多个可能路径，以选择最佳路径。这提高了路径规划的效率，确保agv能够在最短时间内到达目标地点。

87、（4）自学习能力：本发明的支持向量机模型可以通过不断的训练和调整来适应新的情境和数据。这使系统具有自学习的潜力，可以不断提高路径规划的质量和准确性。