[发明专利]一种自动化码头AGV调度方法及系统

权利要求书

1.一种自动化码头AGV调度方法，其特征在于，包括以下步骤：

步骤1：为所有AGV随机分配初始作业任务并进行作业；设定模拟仿真长度r、训练集标准容量I、权重值W_H、权重值W_E和训练集样本权重参数α；

步骤2：建立未作业任务箱列表V，初始化调度策略π；

针对当前时刻空闲AGV，根据当前调度策略π筛选出策略最优任务箱π(V_T)分配给空闲AGV进行作业，所述当前时刻为空闲AGV到达交换区的时刻；

步骤3：判断未作业任务箱是否全部完成分配，若已完成分配，则输出当前调度策略π以及AGV空载距离和岸桥平均作业时间；若未完成分配，则进入步骤4至步骤5进行调度策略的更新；

步骤4：对未作业任务箱列表中除策略最优任务箱以外的任务箱进行长度为r的模拟仿真，并筛选得到仿真最优任务箱i^*，模拟仿真过程依据当前策略π进行；

根据公式(4)-(7)计算得到每一个任务箱i的模拟仿真评价值Z(i)，比较进行模拟仿真的任务箱的Z(i)值，Z(i)值最小的任务箱即为仿真最优任务箱i^*：

Z(i)＝W_HH_n+r+W_EE_n+r,i∈V_T (4)

其中H_n+r和E_n+r为n+r个任务箱装卸后，任务箱i的岸桥平均作业时间和AGV平均空载行驶距离；W_H和W_E分别为H_n+r和E_n+r对应的权重；q为岸桥数量；t_n+r为n+r个任务箱作业完成后的时刻；l为n+r个任务箱开始作业的时刻；u_m为AGV作业任务箱m的空载距离；V_T为当前时刻T未作业任务箱集合；

步骤5：通过模拟仿真筛选出仿真最优任务箱i^*后，对DBN网络模型进行训练更新；针对产生的空闲AGV，返回步骤2利用更新后的DBN网络模型进行下一轮AGV任务分配；

对DBN网络模型进行更新的过程包括对训练集S进行更新：

进行第一轮更新时，训练集S为空集；进行第二轮及后续的更新时，上一轮训练集S更新后产生的新训练集S’作为下一轮更新DBN网络模型时待更新的训练集S；

对训练集S进行更新时，将训练集S的样本容量与训练集标准容量I进行对比，若训练集S的样本容量小于I，则将初始训练集G’合并入训练集S产生新训练集S’；若训练集S的样本容量大于I，则从训练集S中随机提取I个训练样本，将剩余的训练样本与初始训练集G’合并产生新训练集S’；从训练集S中随机提取的I个训练样本作为下一轮更新DBN网络模型使用的初始训练集；

其中，初始训练集G’的产生过程为：

首先初始化一个空集作为临时训练集G；

假设当前时刻T的未作业任务箱数为d_T，将仿真最优任务箱i*与除i*外其他未作业任务箱进行两两对比，同时根据每一个训练集样本的权重产生训练集和其中每一个训练集样本的权重根据如下公式计算：

其中α为训练集样本权重参数，x、k为未作业任务箱；

为样本量为d_T-1个的积极训练集，其中1表示训练集中仿真最优任务箱i*优于与之比较的其他任务箱i，此时总偏好值为1；

为样本量为d_T-1个的消极训练集，其中0表示训练集中仿真最优任务箱i*劣于与之比较的其他任务箱i，此时总偏好值为0；

引入权重后生成的训练集和合并产生总样本量为样本量为2(d_T-1)个的权重训练集；

将权重训练集合并入临时训练集G中产生初始训练集G’：