[发明专利]基于混合粒子群算法的AGV优化调度方法

摘要

本发明涉及一种基于混合粒子群算法的AGV优化调度方法，首先将AGV的工作过程抽象出数学模型，确定调度方案的目标函数，其次运用基于遗传算法、模拟退火算法及蚁群算法的混合粒子群算法求解模型，产生一个优化调度方案。本发明通过实例与标准粒子群算法作了对比分析，该混合算法的变异操作采用了蚁群算法的思想，且在交叉操作过程中保证个体极优和群体极优进行交叉，确保了该混合粒子群算法的可行性，具有解决大规模调度任务的有效性。

主权项

一种基于混合粒子群算法的AGV优化调度方法，其特征在于：包括以下步骤：步骤1：将上/下包台、入/出库台及AGV定为调度对象，并以AGV完成输送任务所花费的工作时间最小作为优化调度的目标构造AGV调度优化问题数学模型；步骤2：以基于调度对象的三维矩阵对粒子位置进行编码，并运用基于遗传算法、模拟退火算法及蚁群算法的混合粒子群算法对AGV调度优化问题数学模型进行求解，得到给定任务量下AGV的最优调度方案；所述步骤2具体包括以下步骤：1)种群初始化首先，设定粒子种群大小N、最大迭代数tmax、学习因子以及粒子速度VA的最大值和最小值；然后，对种群中粒子进行初始化：位置初始化：XA＝unifrnd(Qi，Si，S'i)T；速度初始化：VA＝unifrnd(vi，vi，vi)T；Qi表示随机选择的AGV的编号，Si表示随机选择的入/出库台的编号，S'i表示随机选择的上/下包台的编号，Qi∈Q，Si∈S，S'i∈S'，vi表示速度的随机数，i＝1,2,...,N；2)以Tk＝dik‑rik+Pk×sk×tijk+djk‑rjk+Pk×sk×tijk为适应度函数，根据适应度函数计算种群中粒子的适应度值fit1；Tk表示第k辆AGV的工作时间，dik表示第k辆AGV离开第i个入/出库台的时间，rik表示第k辆AGV到达第i个入/出库台的时间，djk表示第k辆AGV离开第j个上/下包台的时间，rjk表示第k辆AGV到达第j个上/下包台的时间，Q表示AGV的编号集合，S表示入/出库台的编号集合，S'表示上/下包台的编号集合，tijk表示第k辆AGV从第i个入/出库台到第j个上/下包台的时间；3)根据适应度值fit1从种群中选择出个体极值Pbest以及全局极值Pgbest，记录个体极值位置Pcbest以及全局极值位置Pcgbest；4)经过步骤3)后，进入迭代循环，当迭代次数小于tmax时，执行如下循环操作：(a)将粒子的第j个粒子位置x1(j)与全局极值位置Pcgbest作交叉得到x1'(j)，交叉公式为：x1'(j)＝x1(j)+ω(t)*pcgbest；ω(t)为惯性因子；j＝1,2,...,D，D是寻优空间维度；(b)将x1'(j)与个体极值位置Pcbest再作交叉得到x1”(j)，交叉公式为x1”(j)＝x1'(j)+ω(t)*pcbest；(c)对x1”(j)进行变异操作得到x2(j)，变异公式为x2(j)＝[0.5+rand()]*x1”(j)；rand()表示0～1之间的随机数；(d)经过步骤(c)后，计算每个粒子当前的适应度值fit2；(e)计算每个粒子在两个粒子位置x2(j)和x1(j)的适应度值的变化ΔE，ΔE＝fit2‑fit1，若ΔE<e，则将粒子位置更新为x2(j)，否则不更新粒子位置，粒子的位置仍为x1(j)，e为允许目标函数变差的范围；(f)经过步骤(e)后，对个体极值与个体极值位置作更新；(g)经过步骤(f)后，找出并记录新的全局极值和全局极值位置；(h)经过步骤(g)后，对所有粒子的速度与位置按照以下公式进行更新，得到下一代粒子，转至步骤(a)，进入下一次循环：vidt+1=ω(t)vidt+c1r1(pit-xidt)+c2r2(pgt-xidt)]]>xidt+1=xidt+vidt+1]]>式中，d＝1,2,...,D，D是寻优空间维度；i＝1,2,...,N；t为迭代代数；c1、c2为学习因子；r1和r2取值为在(0，1)上均匀分布的随机数；Pi表示经过步骤(f)更新后的个体极值位置，Pg表示经过步骤(g)得到的全局极值位置，x表示粒子的位置，v表示粒子的速度；5)当迭代代数等于tmax时，迭代停止，并输出最终的全局极值以及全局极值位置。