0 引言

自動導(dǎo)引車輛(AGV)通過自動化運輸，能夠?qū)崿F(xiàn)貨物的自動搬運、運輸和存儲，極大程度上提高了物流運作的效率[1]。在滿足任務(wù)需求的同時，最大限度地提高運行效率。先進技術(shù)在AGV路徑優(yōu)化問題中得到了廣泛應(yīng)用。基于強化學(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，以實現(xiàn)AGV的自動學(xué)習(xí)和優(yōu)化。此外，基于協(xié)同調(diào)度的算法也可以實現(xiàn)多AGV之間的協(xié)同作業(yè)和任務(wù)分配，提高整個系統(tǒng)的效率和靈活性。使得配送更加智能化，實時化，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)計劃，無法實時響應(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)化為研究對象，基于智能物流，結(jié)合實際情況進行實驗與分析。

1 AGV路徑優(yōu)化

1.1 建立智能物流配送路徑優(yōu)化模型

為了實現(xiàn)對智能配送路徑的優(yōu)化,首先,需采用最短路徑規(guī)劃法進行智能配送路徑規(guī)劃[3]。同時,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)對物流路徑進行分析,建立網(wǎng)絡(luò)結(jié)構(gòu)模型進行物流路徑規(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)點位置;s(t)為路徑長度。根據(jù)建立的物流配送模型,計算物流配送路徑的路段運行時間,對AGV配送路徑進行規(guī)劃設(shè)計選址[4]。當(dāng)路段流量為1時,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個物流路徑節(jié)點A(1,…,.n),不同節(jié)點處都有物流配送負(fù)載為b(1,…,.n),采用最短路徑進行物流配送。路徑規(guī)劃后,我們推導(dǎo)了物流AGV運輸問題的配送數(shù)學(xué)表達式。通過復(fù)雜理論對物流配送路徑進行線性規(guī)劃,對相鄰節(jié)點的物流配送路徑進行智能搜索。設(shè)定配送過程中的路徑數(shù)量為n,空閑路徑的節(jié)點為pmin,在節(jié)點進行功率譜分析,控制物流配送流程。確定觀測點(ta,tb),獲取最短路徑設(shè)計下物流配送路徑中心的實際貨物數(shù)量,并計算最大配送數(shù)量。根據(jù)在線性規(guī)劃條件下,物流配送的貨品運送路線的拓?fù)浣Y(jié)構(gòu)描述進行物流配送路徑動態(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,需要對物流配送路徑最短問題進行分析。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)回歸分析方式對物流動向數(shù)據(jù)特征分量進行分配,得到在智能物流環(huán)境下的,AGV配送路徑促進性模型,其表達式為:

式(2)中:n為配送中心的分布數(shù)量;N為統(tǒng)計特征量;p為節(jié)點數(shù)量。根據(jù)統(tǒng)計特征預(yù)測值對物流數(shù)據(jù)進行采樣,結(jié)合最佳配送路徑進行全面的分析[6]。針對物流統(tǒng)計特征迭代分析的最小迭代次數(shù)結(jié)果,對路徑優(yōu)化后的變量值進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開始，在工作行進途中不與障礙物發(fā)生碰撞的最優(yōu)路徑。為了實現(xiàn)在倉庫內(nèi)多個AGV在運行時出現(xiàn)路徑?jīng)_突，使其能夠穩(wěn)定有序地完成任務(wù)。運用基于路徑優(yōu)化模型的A*算法進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，在AGV行進過程中，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，并生成動態(tài)加權(quán)地圖進行多個AGV 之間的路徑規(guī)劃。具體如圖1所示：

在動態(tài)環(huán)境中,規(guī)定AGV只能單方向前進,通過使用交通規(guī)則來保障AGV的正常運行。如果一個AGV進入已被占用的柵格,需要等待該柵格變?yōu)榭諘r,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)間隔時間Δt更新一次預(yù)約表。剩余的AGV可以通過查詢當(dāng)前時刻,決定移動的向或者等待其余AGV通過。如果多個AGV在相同時刻占用一個柵格,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*算法對智能倉儲中多AGV進行無碰撞路徑規(guī)劃,估算與所在柵格相鄰的柵格路徑代價,直到整理到目標(biāo)位置。在不同柵格的估算代價的公式為:

式(3)中:g(j)為實際代價;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。需要在動態(tài)加權(quán)地圖中,根據(jù)權(quán)重動態(tài)規(guī)劃路徑來減少出現(xiàn)擁賭的情況。從k時刻開始,間隔一段時間對預(yù)約表進行更新。通過對比不同權(quán)重大小,判斷該區(qū)域內(nèi)的交通堵塞情況,權(quán)重計算公式為:

式(4)中:N為在規(guī)定時刻內(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)前時刻。當(dāng)一個AGV到達貨架區(qū)域的十字路口時,通過獲取當(dāng)前時刻區(qū)域內(nèi)其他AGV的位置信息,根據(jù)信息估算在下一時刻AGV應(yīng)該通過的數(shù)量。在這種情況下,直到估算最終時刻應(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,用一組隨機的粒子解作為粒子群的初始解,反復(fù)迭代使其能夠達到最優(yōu)解。在一個三維的目標(biāo)搜索空間中,設(shè)定第i個粒子的向量為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個粒子的濃度表達式為:

式(5)中:f(xi)為i個粒子的適應(yīng)度函數(shù)。計算當(dāng)前粒子群體中的適應(yīng)度值,得到當(dāng)前粒子獨立后的最優(yōu)位置,并其先將其存儲到免疫數(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行迭代計算,以此,確定其最優(yōu)的配送路徑序列,輸出計算結(jié)果。

2 實驗測試與分析

2.1 搭建實驗環(huán)境

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

2.2 結(jié)果與分析

通過對三個小組在路徑參數(shù)優(yōu)化后的最優(yōu)路徑圖進行繪制，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，兩個對照組的參數(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可行的路徑。而相比于對照組，實驗組的參數(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。說明運用本文路徑優(yōu)化方法能夠使得AGV在運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，針對本文方法，在不同場景中對獲得較短的路徑尋優(yōu)時間進行統(tǒng)計(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)的時間均在15s以下，達到較為快速的路徑尋優(yōu)，節(jié)約了運行時間，結(jié)果符合預(yù)期。說明運用本文優(yōu)化方法能夠控制AGV完成時間在最優(yōu)結(jié)果范圍之內(nèi)，達到良好的優(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)更加完善計算，通過實時追蹤AGV的位置，建立一個詳細的環(huán)境模型反映實際環(huán)境的變化。在實際運行中，防止AGV遇到障礙物，使得AGV具備動態(tài)避障的能力，能夠?qū)崟r感知并避開。