[发明专利]一种基于水波优化-禁忌搜索的智能仓库AGV作业优化调度方法

说明书

一种基于水波优化‑禁忌搜索的智能仓库AGV作业优化调度方法，不仅考虑了AGV的拣货路径规划，还考虑到多个AGV间的拣货任务分配；采用网格法描述仓库环境，使用简易型水波优化算法作为主算法为AGV分配拣货子集，传播和碎浪算子使用基于比特反转的局部搜索操作，传播和随浪操作将全局搜索和局部搜索很好地相结合，既保证了算法的全局搜索能力，又一定程度避免了搜索陷入局部最优；而用于规划拣货路径的子算法采用了禁忌搜索；该方法引入了避碰策略，可以更好地最小化所有AGV的最大拣货完成时间，并避免拣货过程中发生碰撞。本发明合理地调度仓储作业中的多个AGV，提高仓库作业效率，缩短最大拣货时间，提升仓储系统运转效率。

技术领域

本发明涉及一种基于水波优化-禁忌搜索的智能仓库AGV作业优化调度方法。

背景技术

互联网的蓬勃发展催生了在线零售等新的销售方式的出现，这使得仓储物流业如今所面对的订单交易量越来越繁重，仓库也因此较以往变得规模更大、巷道结构更复杂，使得拣货作业日益艰难。采取人工管理方式的传统仓库既耗费人力成本，又消耗作业时间，无法满足如今仓储系统中的作业需求，会极大程度降低仓储作业效率。拣货作业是仓储作业的核心所在，占据仓库总作业成本约为55％～75％，而拣货作业中，仓库间运输货物的行驶时间占据总拣货时间的50％以上，故优化拣货作业的关键在于优化货物在仓库中的运输时间，即优化拣货路径，从而做到减少拣货距离，缩短拣货时间。因此，需要采用适当的方法来解决仓库中的拣货路径规划问题。

以AGV(Auto Guided Vehicle)为代表的智能仓储机器人具有自动化程度高、灵敏等特点，可根据取货位置要求灵活改变行驶路径，对场地环境要求较小；另一方面，AGV可使仓储系统在无需人直接参与的情况下高效率完成拣货作业，降低人工和时间成本。因此，越来越多的仓库引入了AGV的智能仓库。面对繁重作业量，通常仓库中需多个AGV协同完成拣货作业，在大型仓库和大量货物的情况下调度AGV非常复杂，而AGV调度效率对仓储作业至关重要。Pinkam等人针对仓库中拣货作业，采用贪婪算法为AGV规划最优拣货路线，并使用Dijkstra算法来进行路径规划和避障，使用局部搜索来寻找最近的目标货物。Vivaldini等人2010年在其研究中介绍了决定AGV行为的三个关键例程：用于计算全局路径的基于Dijkstra的最短路径方法，用于局部路径规划的A*算法，和基于扩展卡尔曼滤波器的AGV自动定位算法。2016年，Vivaldini等人又提出了一种在特定时间窗口内确定执行给定运输订单所需的AGV数量的估算方法，在任务分配问题中比较了最短作业优先算法和禁忌搜索(Tabu Search，TS)算法，并使用Dijkstra最短路径方法来规划路径。汤旻安等人使用改进的PSO(Particle Swarm Optimization)算法解决了自动化立体仓库中的AGV路径规划问题，该算法中引入了高斯算子对粒子进行变异，防止搜索陷入局部最优。在前述这些方法中，Dijkstra算法主要特点是以起始点开始向所有可能的节点层层往外扩展，直到到达目标节点，该算法搜索到的解可能并不是最优的，且搜索速度慢；A*算法在路径节点数目较多时算法效率会降低，因为该算法在每一路径节点上的计算量大且搜索速度慢，搜索范围小，得到的解也并非最优解；PSO算法由一组随机个体在解空间中搜索，粒子在解空间内根据自我历史经验及其他例子的经验来自我调整，从而整个种群不断向最优解靠拢，且汤旻安等人并未考虑到AGV的避碰问题。此外，在考虑多AGV作业调度问题时，需考虑将拣货任务合理地分配给每个AGV，并为AGV规划拣货路径，该问题是一个组合优化问题，难以在短时间内使用精确算法求得最优可行解。

发明内容