AGV智能运输管理

1、AGV调度系统研究与开发1.1背景及意义近两年来，国内对自动导引车(AGV)的需求量正在以井喷的势头增长，除了传统的AGV使用量最多的汽车和烟草行业，AGV在其他行业中的应用也在逐渐增加，如家电业、食品饮料业等。然而，与发达国家相比，国内的技术水平还处于初级阶段，仅相当于欧美国家上世纪80年代初的水准。随着计算机集成制造系统技术的逐步发展和工厂运作自动化的趋势，AGV作为调节和联系离散型物流系统，使其作业连续化的必要的自动化装卸搬运手段,其应用范围和技术水平得到迅猛发展。据相关资料显示，在产品生产的整个过程中，用于加工制造的坏节仅占的5%时间，其余90%的时间都用于储存、装卸、等待加工和输送等

2、环节。目前诸多工业强国的企业1.2研究现状分析及文献综述1.3研究内容和结构安排2算法相关理论2.1人工蜂群优化算法研究与改进2.1.1人工蜂群简述蜂群算法源于人们对蜂群这一群居性生物行为的观察和研究，是模仿蜜蜂的各种行为提出的一种优化方法，蜂群算法和蚁群算法、微粒群算法等同属于群体智能算法。由于蜂群的生物学机理较为复杂，根据算法模仿蜂群中行为的不同，蜂群算法可以分为基于蜜蜂繁殖行为的蜂群算法(BCOonpropagating)和基于蜜蜂觅食行为的蜂群算法(BCOongathering)对于基于繁殖行为的蜂群算法，Abbass发展出一种蜜蜂繁殖优化模型(BeeMatingOptimizatio

3、n.BMO)0BozorgHaddad和A.Afshar共同将其进行改进并应用到具有离散变量的水库优化问题上。而后，BozorgHaddad等人又将这一理论应用于三种不同的数学问题测试平台上。对于基于觅食行为的蜂群算法，Yang发展出一种虚拟蜜蜂算法(VirtualBeeAlgorithm,VBA),并利用这种算法来解决数值优化问题。该算法中在空间内随机地产生一组虚拟的采蜜蜂，并且这些蜜蜂找到食物源后相互之间会产生影响。仓物源与目标函数值对应,而问题的最优解町以通过蜜蜂之间相互影响的饱和度来获得。Pham等对这种蜜蜂算法进行了描述，并模拟了蜜蜂的采蜜行为。在此版本基础上，这种兼具邻域搜索与随机

4、搜索的算法可以用于解决组合优化问题以及函数优化问题。Wedde和Farooq受蜜蜂觅仓原则的启发，提出一种BeeAdHoc算法，这是一种应用于移动自组织网络中的高效路由算法。受蜂巢中的蜜蜂信息交流行为的启发，Wedde等还提出了BeeHive算法，并将其应用于网络中的路由问题。Lucic和Teodorovic在解决组合优化问题时引入了蜜蜂系统这一概念。Teodorovic和DelKOrco针对ride-matching问题提出了蜜蜂种群优化的概念，并用来解决光纤网络中的路由和波长分配问题。模拟蜜蜂的觅食行为,Karaboga设计了人工蜂群(ArtificialBeeColonyalgorith

5、m,ABC)模型，并用来解决非约束数值优化问题。后来Karaboga将ABC理论进行扩展应并用到解决约束优化问题，并在几种比较有代表性的约束性优化问题上与DE、PSO进行了比较。在上述提到的算法中，ABC算法是目前为止研究最为广泛并且在解决现实问题中应用最多的算法。与蜜蜂智能有关的算法在刊物发表中的比重如图1.1所示，我们从中可以看出ABC算法占到了54%。木文所要研究的就是Karaboga提出的基于觅食行为的人工蜂群算法，下文中如果未经特殊说明，人工蜂群算法均指基于觅食行为的人工蜂群算法。ABC图2.1与蜜蜂智能有关的算法在期刊发表中所占的比例2.1.2人工蜂群算法原理、流程及数学模型在蜜蜂

6、群体中，虽然单个蜜蜂的智能是有限的，但是由这些蜜蜂组成的蜜蜂群体无论在何种环境中总可以在蜂巢周闱较快的找到优质的食物源。在蜂群算法模型中，主要有三个组成因素:食物源(FoodSources)、雇佣蜂(EmployedBee)和未雇佣蜂(UnemployedBee)。并且该模型中定义了两种主要的觅食行为：为食物源招募蜜蜂和抛弃某食物源。(。食物源：一个食物源包含了许多因素，包拾距蜂巢的距离，食物的丰富程度或浓度以及采集食物的难易程度。为求简便，将单一的食物数量作为食物源的评价值。（2）雇佣蜂：雇佣蜂与正在开采的或已存在招募了蜜蜂的某一特定的仓物源对应，即雇佣蜂的数屋与食物源的数量相等。并且携带有

7、该食物源诸如距蜂巢距离、方向、数量等信息。并按照一定的概率将此信息与其他蜜蜂共享。雇佣蜂又被称为引领蜂、工作蜂或采蜜蜂。（3）未雇仰蜂：未雇佣蜂不断的寻找或开釆食物源。未雇佣蜂分为两种，侦察蜂和跟随蜂。跟随蜂在蜂巢内等待，直到从引领蜂处共享到食物源信息而前去开采：而侦察蜂则在蜂巢附近搜索来寻找食物源。当某处食物源的数量过少而将其抛弃时，对应该仓物源的引领蜂转换为侦察蜂，重新对食物源进行搜索。在蜂群中，侦查蜂的数量通常占整个蜂群的5-10%o蜜蜂之间信息的交互是使蜂群具有智能的重要原因，而蜂巢中的舞蹈区就是蜜蜂在蜂巢中进行信息交流的场所。在舞蹈区交互的信息主要是食物源信息。在人工蜂群算法中，一个

8、食物源的位置代表了优化问题中的一个可行解，而食物源处花蜜的数量就代表了解的质量（适应度）；而引领蜂或跟随蜂的数量则代表了解的数量。在人工蜂群算法中，第一步算法首先产生随机分布SN个解（食物源的位置）组成的初始种群P（G=0）,这里SN就代表了种群的数量，对应的每一个解都是一个维向量，是优化参数的数量。初始化完成以后，蜜蜂种群开始对食物的位置（解）进行反复搜索，CJ,2,MCN代表了引领蜂、跟随蜂和侦察蜂的搜索次数，最犬搜索次数为MCN。引领蜂具有记忆功能，它会根据记忆中的新的食物源处探测到的花蜜数屋和位置信息来产生新解。当新的食物源处的花蜜数量多于当前记忆中位置处时，它会记忆新的位置而忘记旧的

9、位置；否则它将保持记忆中的前一位置不变。当所有的引领蜂完成搜索过程后，他们会在舞蹈区将他们的食物源处花蜜数量和位置信息与跟随蜂进行分享。跟随蜂会评估从所有引领蜂处获得的蜜源信息，并按照一定的概率（与蜜源数量有关）选择仓物源。而引领蜂则会比较它记忆中的位置和候选位置处的蜜源数量对解进行修改，当某个位置处的蜜源数量高于前一位置时，它会记忆新的位置而忘记前一位置。（还有一些公式的定义和解释，书上、文献上比比皆是，此处省略书写）通过以上说明可以明显的看出，在人工蜂群算法中有3个可控参数：食物源的数量SN（与引领蜂或侦察蜂的数量相等）、局部最人循坏次数Limit.全局最人循环次数MCN。人工蜂群算法的算

10、法流程如下：Step1.初始化种群x；,i=2.SCN,j=l.D：Step2.对初始化的种群进行适应度评价；Step3.设置全局循坏次数CycleStep4.设置局部循坏次数LJ；Step5.根据公式（2.2）引领蜂对邻域进行搜索，产生新解x；,并对其进行评价：Step6.利用贪焚原则对x；和y；进行选择；Step7.利用公式（2.1）计算解X：的門概率值；Step8.跟随蜂根据解x冲按照概率值P：选择引领蜂，并产生新解叫对其适应度进行评价;Step9.L=L+1;Step10.判断是否已达局部最人循坏次数，如呆LLimit,则转Step6;否则转Step11;Step11.判断是否有需要抛

11、弃的解，如果有，引领蜂转变为侦察蜂，根据公式（23）产生一个新的随机解X卜Step12.记忆目前为止的最好解；Step13.代数递增，Cycle二Cycle+2：Step14.判断，是否已到全局最人循坏次数MCN,如呆CycleIVICN则流程循坏结束：否则转至Step4。人工蜂群算法的流程图如图1.1所示。z怪2.2人I蜂誓算法流程图2.1.3人工蜂群算法优化及仿真测试2.2遗传算法研究与改进2.2.1遗传算法简述2.2.2遗传算法及数学模型2.2.3遗传算法优化及仿真测试AGV调度问题方案分析与设计AGV调度问题建模与分析AGV调度问题求解算法6.AGV调度管理系统实现AGV调度研究背景：自动化仓储系统中AGV的应用日渐显示出其优越性，主要是由于其适应性好、可靠性高、柔性好、能实现生产和搬运功能的自动化和集成化，在各国各行业都得到广泛地应用。近年來，国内诸多行业对于AGV的需求量自动化仓储系统中需要单台或者多台AGV同时完成多项运输任务时，为了能够实现每台AGV完成运输任务的效率的提高，并且实现无碰撞智能运行，需要设计相关的调度系统，科