0 引言

自動(dòng)導(dǎo)引車輛(AGV)通過自動(dòng)化運(yùn)輸，能夠?qū)崿F(xiàn)貨物的自動(dòng)搬運(yùn)、運(yùn)輸和存儲(chǔ)，極大程度上提高了物流運(yùn)作的效率[1]。在滿足任務(wù)需求的同時(shí)，最大限度地提高運(yùn)行效率。先進(jìn)技術(shù)在AGV路徑優(yōu)化問題中得到了廣泛應(yīng)用?；趶?qiáng)化學(xué)習(xí)的路徑規(guī)劃算法可以根據(jù)環(huán)境的特征和AGV的歷史行為數(shù)據(jù)，學(xué)習(xí)最優(yōu)的路徑規(guī)劃策略，以實(shí)現(xiàn)AGV的自動(dòng)學(xué)習(xí)和優(yōu)化。此外，基于協(xié)同調(diào)度的算法也可以實(shí)現(xiàn)多AGV之間的協(xié)同作業(yè)和任務(wù)分配，提高整個(gè)系統(tǒng)的效率和靈活性。使得配送更加智能化，實(shí)時(shí)化，構(gòu)建最為優(yōu)化的路徑。

由于傳統(tǒng)AGV路徑優(yōu)化方法往往依賴于預(yù)先設(shè)定的路徑和任務(wù)計(jì)劃，無法實(shí)時(shí)響應(yīng)突發(fā)情況，如貨物的緊急需求、設(shè)備故障等[2],任務(wù)分配和路徑規(guī)劃時(shí)間久，使得結(jié)果難以符合預(yù)期。因此，以AGV路徑優(yōu)化為研究對(duì)象，基于智能物流，結(jié)合實(shí)際情況進(jìn)行實(shí)驗(yàn)與分析。

1 AGV路徑優(yōu)化

1.1 建立智能物流配送路徑優(yōu)化模型

為了實(shí)現(xiàn)對(duì)智能配送路徑的優(yōu)化,首先,需采用最短路徑規(guī)劃法進(jìn)行智能配送路徑規(guī)劃[3]。同時(shí),結(jié)合智能物流的道路結(jié)構(gòu)模型,完善了最短路徑的規(guī)劃。利用路段和交叉口網(wǎng)絡(luò)對(duì)物流路徑進(jìn)行分析,建立網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行物流路徑規(guī)劃。該模型能夠有效地將物流路徑與交通路網(wǎng)進(jìn)行結(jié)合,從而更好地滿足物流配送的需求。其物流規(guī)劃組網(wǎng)結(jié)構(gòu)模型為:

式(1)中:i(t)為物流AGV配送路徑的節(jié)點(diǎn)位置;s(t)為路徑長度。根據(jù)建立的物流配送模型,計(jì)算物流配送路徑的路段運(yùn)行時(shí)間,對(duì)AGV配送路徑進(jìn)行規(guī)劃設(shè)計(jì)選址[4]。當(dāng)路段流量為1時(shí),智能物流配送問題可線性規(guī)劃,在分配過程中,設(shè)在模型中有m個(gè)物流路徑節(jié)點(diǎn)A(1,…,.n),不同節(jié)點(diǎn)處都有物流配送負(fù)載為b(1,…,.n),采用最短路徑進(jìn)行物流配送。路徑規(guī)劃后,我們推導(dǎo)了物流AGV運(yùn)輸問題的配送數(shù)學(xué)表達(dá)式。通過復(fù)雜理論對(duì)物流配送路徑進(jìn)行線性規(guī)劃,對(duì)相鄰節(jié)點(diǎn)的物流配送路徑進(jìn)行智能搜索。設(shè)定配送過程中的路徑數(shù)量為n,空閑路徑的節(jié)點(diǎn)為pmin,在節(jié)點(diǎn)進(jìn)行功率譜分析,控制物流配送流程。確定觀測點(diǎn)(ta,tb),獲取最短路徑設(shè)計(jì)下物流配送路徑中心的實(shí)際貨物數(shù)量,并計(jì)算最大配送數(shù)量。根據(jù)在線性規(guī)劃條件下,物流配送的貨品運(yùn)送路線的拓?fù)浣Y(jié)構(gòu)描述進(jìn)行物流配送路徑動(dòng)態(tài)搜索,使得自適應(yīng)路徑規(guī)劃能力得到提升[5]。在構(gòu)建智能物流配送路徑最優(yōu)模型的基礎(chǔ)上,需要對(duì)物流配送路徑最短問題進(jìn)行分析。設(shè)定智能物流路徑序列采樣結(jié)果{xi}N,根據(jù)序列的物流動(dòng)向的量化分布數(shù)據(jù),得到智能配送路徑的原始序列。采用自適應(yīng)回歸分析方式對(duì)物流動(dòng)向數(shù)據(jù)特征分量進(jìn)行分配,得到在智能物流環(huán)境下的,AGV配送路徑促進(jìn)性模型,其表達(dá)式為:

式(2)中:n為配送中心的分布數(shù)量;N為統(tǒng)計(jì)特征量;p為節(jié)點(diǎn)數(shù)量。根據(jù)統(tǒng)計(jì)特征預(yù)測值對(duì)物流數(shù)據(jù)進(jìn)行采樣,結(jié)合最佳配送路徑進(jìn)行全面的分析[6]。針對(duì)物流統(tǒng)計(jì)特征迭代分析的最小迭代次數(shù)結(jié)果,對(duì)路徑優(yōu)化后的變量值進(jìn)行分析整合完成模型建立。

1.2 多 AGV路徑規(guī)劃

AGV在搭載好的地圖中，利用路徑規(guī)劃算法搜索出一條從起始點(diǎn)開始，在工作行進(jìn)途中不與障礙物發(fā)生碰撞的最優(yōu)路徑。為了實(shí)現(xiàn)在倉庫內(nèi)多個(gè)AGV在運(yùn)行時(shí)出現(xiàn)路徑?jīng)_突，使其能夠穩(wěn)定有序地完成任務(wù)。運(yùn)用基于路徑優(yōu)化模型的A*算法進(jìn)行一定程度上的路徑規(guī)劃，找到最短的路徑[7]。根據(jù)不同的倉儲(chǔ)情況，以貨架寬度為單位，將智能物流倉地圖劃分成柵格，確定對(duì)應(yīng)的坐標(biāo)。在柵格地圖中路徑由相鄰的柵格構(gòu)成，AGV可以自由通行，為了最大程度地利用空間，路徑需形成單行道。同時(shí)，在AGV行進(jìn)過程中，需要通過集中控制的方式生成預(yù)約表[8]。通過預(yù)約表與交通規(guī)則來防止AGV之間的碰撞，并生成動(dòng)態(tài)加權(quán)地圖進(jìn)行多個(gè)AGV 之間的路徑規(guī)劃。具體如圖1所示：

在動(dòng)態(tài)環(huán)境中,規(guī)定AGV只能單方向前進(jìn),通過使用交通規(guī)則來保障AGV的正常運(yùn)行。如果一個(gè)AGV進(jìn)入已被占用的柵格,需要等待該柵格變?yōu)榭諘r(shí),通過預(yù)約表查看柵格地圖中不同柵格的使用情況,根據(jù)間隔時(shí)間Δt更新一次預(yù)約表。剩余的AGV可以通過查詢當(dāng)前時(shí)刻,決定移動(dòng)的向或者等待其余AGV通過。如果多個(gè)AGV在相同時(shí)刻占用一個(gè)柵格,則需要根據(jù)權(quán)重確定使用順序。這樣結(jié)合預(yù)約表的A*算法對(duì)智能倉儲(chǔ)中多AGV進(jìn)行無碰撞路徑規(guī)劃,估算與所在柵格相鄰的柵格路徑代價(jià),直到整理到目標(biāo)位置。在不同柵格的估算代價(jià)的公式為:

式(3)中:g(j)為實(shí)際代價(jià);h(j)為估算的最短距離。為了簡化AGV路徑規(guī)劃,提高AGV系統(tǒng)的整體效率。需要在動(dòng)態(tài)加權(quán)地圖中,根據(jù)權(quán)重動(dòng)態(tài)規(guī)劃路徑來減少出現(xiàn)擁賭的情況。從k時(shí)刻開始,間隔一段時(shí)間對(duì)預(yù)約表進(jìn)行更新。通過對(duì)比不同權(quán)重大小,判斷該區(qū)域內(nèi)的交通堵塞情況,權(quán)重計(jì)算公式為:

式(4)中:N為在規(guī)定時(shí)刻內(nèi)通行的AGV數(shù)量的估值;c為預(yù)約更新的次數(shù);k為當(dāng)前時(shí)刻。當(dāng)一個(gè)AGV到達(dá)貨架區(qū)域的十字路口時(shí),通過獲取當(dāng)前時(shí)刻區(qū)域內(nèi)其他AGV的位置信息,根據(jù)信息估算在下一時(shí)刻AGV應(yīng)該通過的數(shù)量。在這種情況下,直到估算最終時(shí)刻應(yīng)該通過的AGV數(shù)目。這樣可以更加準(zhǔn)確地預(yù)估貨架區(qū)域內(nèi)的交通情況。

1.3 免疫粒子群路徑優(yōu)化

在粒子群系統(tǒng)中,用一組隨機(jī)的粒子解作為粒子群的初始解,反復(fù)迭代使其能夠達(dá)到最優(yōu)解。在一個(gè)三維的目標(biāo)搜索空間中,設(shè)定第i個(gè)粒子的向量為Xi,表示為在搜索空間中的位置。將免疫算法和蟻群算法結(jié)合起來求解問題,可以優(yōu)化得到的解。通過結(jié)合免疫算法的免疫記憶能力和免疫調(diào)節(jié)機(jī)制,粒子群中的最優(yōu)粒子減少了早熟收斂特性,避免陷入局部最優(yōu)解。因此,有必要提出抗體濃度的調(diào)整策略,使群體中的抗體具有多樣性,在新一代粒子陣列中,它們的兼容性可以將不同層的粒子在一定濃度內(nèi)結(jié)合在一起。其中第i個(gè)粒子的濃度表達(dá)式為:

式(5)中:f(xi)為i個(gè)粒子的適應(yīng)度函數(shù)。計(jì)算當(dāng)前粒子群體中的適應(yīng)度值,得到當(dāng)前粒子獨(dú)立后的最優(yōu)位置,并其先將其存儲(chǔ)到免疫數(shù)據(jù)庫中。判斷當(dāng)前是否滿足算法的結(jié)束條件,即結(jié)果是否為目標(biāo)最優(yōu)解,如果當(dāng)前已經(jīng)達(dá)到最大迭代次數(shù)則可以停止,輸出結(jié)果,獲得得到路徑規(guī)劃項(xiàng)目的目標(biāo)最優(yōu)解;否則,需要重新生成基于抗體濃度選擇合適的粒子并進(jìn)行迭代計(jì)算,以此,確定其最優(yōu)的配送路徑序列,輸出計(jì)算結(jié)果。

2 實(shí)驗(yàn)測試與分析

2.1 搭建實(shí)驗(yàn)環(huán)境

為獲取更優(yōu)的路徑規(guī)劃結(jié)果，運(yùn)用 MATLAB軟件求解適合本次案例的最優(yōu)參數(shù)組合。以路徑最短作為評(píng)價(jià)指標(biāo)，將最優(yōu)參數(shù)組合代入算例中進(jìn)行仿真實(shí)驗(yàn)。設(shè)置三個(gè)小組，其中運(yùn)用本文方法的小組為實(shí)驗(yàn)組，運(yùn)用傳統(tǒng)方法的兩個(gè)小組為對(duì)照1組和對(duì)照2組。在參數(shù)設(shè)置下，采用Barron求解器對(duì)不同算法的模型獲得的結(jié)果進(jìn)行對(duì)比分析，根據(jù)記錄表進(jìn)行最優(yōu)路徑規(guī)劃。

2.2 結(jié)果與分析

通過對(duì)三個(gè)小組在路徑參數(shù)優(yōu)化后的最優(yōu)路徑圖進(jìn)行繪制，得到具體的路徑圖結(jié)果如圖2所示：

由圖中的優(yōu)化結(jié)果來看，兩個(gè)對(duì)照組的參數(shù)優(yōu)化后路徑轉(zhuǎn)折次數(shù)為3次以上，說明這兩種方法的AGV在運(yùn)行過程中的避障能力較差，方法所優(yōu)化的路徑并不是切實(shí)可行的路徑。而相比于對(duì)照組，實(shí)驗(yàn)組的參數(shù)優(yōu)化后沒有提前收斂，使得轉(zhuǎn)折次數(shù)保持在2次以內(nèi)，能夠?qū)ふ业阶顑?yōu)路徑。說明運(yùn)用本文路徑優(yōu)化方法能夠使得AGV在運(yùn)行中具有較高避障能力，把多參數(shù)優(yōu)化與 AGV 結(jié)合，在實(shí)際情況中合理優(yōu)化路徑結(jié)果，提高智能物流的效率。同時(shí)，針對(duì)本文方法，在不同場景中對(duì)獲得較短的路徑尋優(yōu)時(shí)間進(jìn)行統(tǒng)計(jì)(預(yù)期目標(biāo)為15s以內(nèi)均為有效規(guī)劃),得到AGV任務(wù)完成時(shí)間總表，具體如表1所示：

由表中數(shù)據(jù)可知，在不同場景下，AGV完成任務(wù)的時(shí)間均在15s以下，達(dá)到較為快速的路徑尋優(yōu)，節(jié)約了運(yùn)行時(shí)間，結(jié)果符合預(yù)期。說明運(yùn)用本文優(yōu)化方法能夠控制AGV完成時(shí)間在最優(yōu)結(jié)果范圍之內(nèi)，達(dá)到良好的優(yōu)化效果。

3 結(jié)語

本次從路徑優(yōu)化入手，結(jié)合了智能物流方法，探究了基于智能物流的AGV路徑優(yōu)化的應(yīng)用。但方法中還存在一些不足之處，例如啟發(fā)式調(diào)度問題、死鎖的問題、設(shè)備故障問題等。今后應(yīng)更加完善計(jì)算，通過實(shí)時(shí)追蹤AGV的位置，建立一個(gè)詳細(xì)的環(huán)境模型反映實(shí)際環(huán)境的變化。在實(shí)際運(yùn)行中，防止AGV遇到障礙物，使得AGV具備動(dòng)態(tài)避障的能力，能夠?qū)崟r(shí)感知并避開。