AGV系統設備協同優化方法與流程
2023-10-10 11:07:49
本發明涉及agv技術領域，尤其涉及一種agv系統設備協同優化方法。
背景技術：
agv是指裝備有主控計算機，多種傳感器等設備的自主運載車輛，它能沿著規定的導引路逕行駛並執行短途運送任務。agv屬於輪式移動機器人的一種，其實為計算機控制、車輛工程、硬體和軟體系統等多學科領域知識和技術的交叉產品。
在當前企業製造系統中自動化技術不斷提高的背景下，柔性生產組織和自動化物流運輸等系統對於物料運輸方式提出了更高的要求，同時運輸方式的革新也在推動生產方式的轉變。agv系統(agvsystem)這種生產模式逐漸出現在生產製造系統中，agv系統建立在agv運輸物料的基礎上，其為一種柔性製造模式。
agv系統是涵蓋了光學、機電、信息通信等技術的一體化系統，其中agv是承擔物流運輸工作的載體，其包含了驅動系統，導航系統，控制系統，轉向系統等。agv在製造系統中的應用能夠顯著降低物料搬運時間，運輸等待時間和裝卸時間等用以提高生產效率。agv還需與上位機的控制系統進行搭接互通，以實現生產過程的柔性化。一個完整的現代化製造系統還需要進行數位化物料配送以優化倉儲管理，優化物料輸運流程。當前rfid廣泛的應用在製造系統中以實現對物料的信息化和集成化管理，在agv系統布局設計完成後，使用rfid技術對agv生產物料的配送過程進行跟蹤和管理。rfid技術將在下文進行詳細闡述。
agv系統有諸多布局形式，如網格式布局方式，區域式布局方法和區段式布局等。其中網格式布局方式的agv系統更具柔性，對這類布局模式的研究較多，但是其agv行進路線的控制較為複雜，需要考慮到多車調度，以解決車輛堵塞和衝突的情況。而區域式布局模式即將生產單元劃分為若干互相獨立互不幹涉的迴路，由bozer於1989年提出，其每個迴路只有一臺agv負責本迴路的物料搬運工作，相鄰的迴路之間由轉運站(又稱裝卸點，p/d站)負責跨迴路之間的物料的運送工作。這種模式得到了眾多規劃布局設計人員的青睞。
鑑於區域式布局形式簡單，且易於管理，所以本發明研究的agv系統為區域式agv系統(tandemagvsystems)，其採用區域式布局模式。除了agv的布局模式，對於agv系統規劃設計的相關問題研究已有多年，如設備的分配(指派)，迴路的布局，迴路中轉運站(p/d站)的設置，迴路的布置，迴路間負載的平衡問題，車輛的路徑規劃，車輛的調度和控制系統的設計等等。
技術實現要素：
本發明旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本發明的目的在於提出一種agv系統設備協同優化方法。
為實現上述目的，根據本發明實施例的agv系統設備協同優化方法，包括以下步驟：
s1、初始化種群並計算其適應度值；
s2、設定iter＝1，iter為當前迭代次數；
s3、按照適應度值大小排序並將前10％*m的個體保存至子代；
s4、對前40％*m，40％-70％*m，70％-100％*m的種群分別執行進化機制，其中，前40％*m進行交叉操作，40％-70％m進行變異操作，70％-100％*m進行重生成操作；
s5、按照種群生成規則形成新種群並計算適應度值；
s6、根據裁剪規則裁剪種群；
s7、保存該代最優個體；
s8、判斷iter+1是否小於itermax，itermax為最大迭代次數；
若iter+1小於itermax，則輸入最優解；
若iter+1大於或等於itermax，則返回執行步驟s3及後續步驟。
優選地，所述交叉操作為：取兩個不超過在該個體設備序列中設備的數量n的隨機數r1和r2，並將1-r1和r2-n之間的片段進行交換。
優選地，所述變異操作為：任取不超過設備數量n的兩個隨機數r1和r2，然後交換在r1和r2位置上的設備。
優選地，所述種群的生成規則表示為：
wi＝fi+σcur*randn(1,dim)*ξ，其中，
fi為父代序列，σcur*randn(1,dim)為震蕩因子，其中randn為服從正態分布的隨機數，ξ為調和係數。
優選地，所述裁剪規則為：採用分層隨機裁剪法，隨機的去處種群每一層中的部分個體，根據種群的不同層次實施不同的操作。
根據本發明實施例提供的agv系統設備協同優化方法，可以提高尋優能力，進而最小化整個生產系統的物料運輸成本。
本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖示出的結構獲得其他的附圖。
圖1為agv系統設備協同優選的框架圖；
圖2為相關技術中野草算法流程圖；
圖3為本發明agv系統設備協同優化方法的流程圖；
圖4為本發明中實數整數映射過程的示意圖；
圖5為本發明中交叉操作的示意圖；
圖6為本發明中變異操作的示意圖。
本發明目的的實現、功能特點及優點將結合實施例，參照附圖做進一步說明。
具體實施方式
下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用於解釋本發明，而不能理解為對本發明的限制，基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
參照圖1及圖3至圖6所示，根據本發明實施例提供的agv系統設備協同優化方法，包括以下步驟：
s1、初始化種群並計算其適應度值；
s2、設定iter＝1，iter為當前迭代次數；
s3、按照適應度值大小排序並將前10％*m的個體保存至子代；
s4、對前40％*m，40％-70％*m，70％-100％*m的種群分別執行進化機制，其中，前40％*m進行交叉操作，40％-70％m進行變異操作，70％-100％*m進行重生成操作；
s5、按照種群生成規則形成新種群並計算適應度值；
s6、根據裁剪規則裁剪種群；
s7、保存該代最優個體；
s8、判斷iter+1是否小於itermax，itermax為最大迭代次數；
若iter+1小於itermax，則輸入最優解；
若iter+1大於或等於itermax，則返回執行步驟s3及後續步驟。
具體的，所述交叉操作為：取兩個不超過在該個體設備序列中設備的數量n的隨機數r1和r2，並將1-r1和r2-n之間的片段進行交換。
所述變異操作為：任取不超過設備數量n的兩個隨機數r1和r2，然後交換在r1和r2位置上的設備。
所述種群的生成規則表示為：
wi＝fi+σcur*randn(1,dim)*ξ，其中，
fi為父代序列，σcur*randn(1,dim)為震蕩因子，其中randn為服從正態分布的隨機數，ξ為調和係數。
所述裁剪規則為：採用分層隨機裁剪法，隨機的去處種群每一層中的部分個體，根據種群的不同層次實施不同的操作。
相關技術中，採用野草算法(iwo)對agv系統設備進行協同優化，其執行過程是模擬自然界中野草的殖民化過程，該過程以下列方式進行：首先發掘一些未被佔用的空間並通過擴散的方式開始侵入這些空間，隨後通過殖民化過程來逐漸這些空間田地；接下來通過其本身的生物多樣性使得野草進化出許多不同的變種植物，這些植物能夠很好地適應空間並進行探索學習，隨著時間的推移，它們通過適者生存原則進行局部適應和種群改進使其更加適應這個環境；隨著農耕季節的進行，野草的這種特性在他們生命的最佳時期被廣泛傳播，它們藉此在植物社區中使它們的適應性達到最大化。野草算法在圖像特徵識別，路徑規劃，綜合資源規劃，天線陣列，流水車間作業調度，旅行商問題等方面得到了深入的研究和應用。宋玉堅等還將多智能體融入到標準野草算法中實現了個體間信心的交流，智能體中的學習算子增加了算法的求解精度。iwo具有適應性好、易於編程實現的特點，其應用領域也逐漸被拓展。野草算法的執行過程要經歷四個步驟：(1)初始化種群；(2)繁殖；(3)空間分布；(4)競爭性生存。
而agv系統設備協同優化方法採用了改進的野草算法(也即是遺傳野草算法，iwoga)，其包括編碼方式和種群生成法則，並引入了一個調和係數來改進個體生成法則。iwoga中的綜合進化機制旨在增強算法的全局搜索能力，其中包含了交叉、變異和重生成三個操作策略。對於這些新提出的概念以及iwoga的運作流程依次進行介紹。
(1)編碼方式
針對原有野草算法生成個體的規則，iwoga採用了適用於整數規劃的種群生成規則。在這裡我們採用空間分布中公式來產生區間步長，同時我們需要將迭代過程中產生的實數與設備的整數編號相對應起來，才能使其解決整數規劃問題。其中需要將實數轉換為整數，然後將整數對連續或者非連續的設備序號相對應起來。這裡使用編碼方式是隨機鍵實數編碼，它是一種最早的由實數編碼串到序列優化問題映射的編碼機制。
其主要操作過程如下：每一個設備布局方案都編碼為一個n維實數向量,向量中每個分量的取值範圍是[0.0,1.0],對該向量中的所有分量的值按照從小到大進行排序,每個分量在向量中的排序的序號就組成了布局問題的解,即設備的排列。例如對於8個設備的布局問題,設求解過程進化到第g代時種群中一個個體i的設備編碼為：[8.383.538.311.034.91-3.555.7213.67]，我們將其按照數字大小進行排列，[-3.551.033.534.915.728.318.3813.67]，那麼相對應的設備排序為：[17243658].在迭代過程中會涉及到重分配的原因，所以可能遇到非連續的設備順序排列，如可能是[m2m12m3m7m5m10m9m15]。其設備排列是依據大小次序排布的。
舉一個簡單的例子來闡述編碼過程過程，若一個種群中個體編碼為[m12,m2,m14,m15,m10,m13,m8,m9,m1,m5,m11,m7,m6,m3,m4]，其中設備數量為15，以m代表，分配到3個迴路中去，每個迴路在某迭代次數時分配的方案為5-5-5，即每個迴路中分配5臺設備。則從個體編碼中可以得出迴路1的設備布局方案為[m12,m2,m14,m15,m10]，迴路2和3的分別為[m13,m8,m9,m1,m5]，[m11,m7,m6,m3,m4]。通過將完整解進行劃分可以生成每個迴路中的物料運送成本。轉運站應在每個迴路中第一臺設備的前面，即在迴路中的位置0，在迭代過程中沒有顯示，在流量和距離矩陣的生成中均將轉運站看做一臺設備生成其各項矩陣。
例如：一個設備序列為[52674138]，其加上震蕩因子後成為新個體：[8.383.538.311.034.91-3.555.7213.67]，我們將其按照數字大小進行排列為[-3.551.033.534.915.728.318.3813.67]，那麼相對應的設備排序也變為為：[17243658]，在迭代過程中會涉及到重分配的原因，所以可能遇到非連續的設備順序排列如[m2m3m5m7m9m10m12m15]，那麼最後映射完成的設備序列應為[m2m12m3m7m5m10m9m15]，其中m代表設備，這樣就完成了從實數序列到設備整數序列的映射過程。
(2)種群生成準則及調和係數
產生新種群wi的方法為wi＝fi+σcur*randn(1,dim)，它是由父代序列fi加上震蕩因子σcur*randn(1,dim)組成的，其中randn為服從正態分布的隨機數。
但是在新步長的產生過程中，震蕩因子σcur*randn(1,dim)這一項要與設備序列數字相加，但是由於迭代步數與最大方差的關係，這一隨機數組的產生與當前步長相乘後震蕩十分不規則，在其在迭代初期震蕩十分劇烈，隨著迭代的進行區域平穩直至趨於0，這與我們想要的均衡擾動是相悖的。為了解決在迭代過程中當前區間步長的震蕩問題，使震蕩因子限定在設備序列數值附近大小，即與設備數列數值相近，從而很好的擾動父代解，特設計調和係數ξ來調整在個體生成時的震蕩問題，該調和係數修改為
其中x設為3，當我們採用了調和係數後，震蕩因子之間的劇烈程度將顯著減小，穩定在一個合適的區間內震蕩，並且隨著迭代的進行而逐漸變小。這反映了對於種群進化的保護策略：在迭代的初始，種群在全局範圍內以較大範圍進行震動，以充分搜索域空間來尋找優秀解，隨著迭代的進行，種群逐漸收斂，此時在種群生成準則中的變化應較小以保護精英種群的完整性，對應的，種群的生成規則應表示為：wi＝fi+σcur*randn(1,dim)*ξ。
(3)綜合進化機制
為了改善野草算法原有的缺點，iwoga提出一個融合ga的綜合進化機制來改善野草算法原有的進化策略。這個協同機制包括三個操作，即交叉，變異和種群的重生成。其目的在於為種群中的不同層次個體實行不同的進化策略，所謂不同層次指的是適應度值優劣不同的種群個體，對於優秀的個體需要實施保護策略，以儘可能小的變化促使他們向上進化，所以對該類個體實施交叉和變異的操作；而對適應度值差的個體，需要對其實施重生成操作實現較大範圍的變異。通過這種機制能夠融合ga和iwo的優點，幫助種群及時跳出局部最優值並且保存種群的精英解，從而推動種群不斷進化。
綜合進化機制的實現過程為：得到一個某一代的新種群m之後，將每個個體連同其目標適應值機序列一起做升序排列，然後我們保存前10％m的個體直接到新種群中，前40％m的個體執行交叉操作，40％m-70％m的個體為變異操作，70％m-100％m為用於重生成。經過對種群的不同個體執行這些操作後，形成一個新的種群，然後根據個體的適應度值大小再次排序，因為執行綜合進化機制後種群規模大於m，所以進行特定的裁剪規則使種群保持在m的規模內進入下一次迭代。
31)改進的交叉操作
在遺傳算法交叉操作的基礎之上提出了一個改進的交叉操作。遺傳算法的交叉操作能夠很好地實現種群的交叉變異，但是可能會破壞掉一些重要個體中具有潛力的片段，另一方面，原有的交叉操作需要兩個個體進行交換，交換之後可能會出現重複序號，所以還需進行排錯，這種交叉模式具有一定的複雜性，增加了運算時間。
改進的交叉操作任取兩個不超過在該個體設備序列中設備的數量n的隨機數，r1和r2。並將1-r1和r2-n之間的片段進行交換。這種交叉操作只需要一個個體，較大程度地減少了編程的複雜性。同時一些具有優良潛質的個體得以在很大程度上的保護，儘可能減少對優秀片段的破壞。交叉的示意圖如圖4。
32)變異操作
對於部分種群需要對其以一定的概率實行變異操作使其加快收斂，並儘可能的減少對優良個體的破壞，使其向最優解逼近。所提出的協同進化機制中的變異策略與標準遺傳算法的一樣，都為任取不超過設備數量n的兩個隨機數，r1和r2，然後交換在r1和r2位置上的設備。變異操作的示意圖如圖5所示。
33)種群的裁剪
當種群規模大於m時，需要對種群實施裁剪操作，但單純裁剪適應度值較差的個體會導致整個種群快速陷入局部最優無法跳出，且某些具有良好潛力的個體可能在適應度值上表現較差，經過數次迭代後可能會成為精英解，而這些個體可能也會被抹殺，所以只將適應度值排在後面的個體暴力裁剪掉會產生較差的效果。
在iwoga提出的種群裁剪規則中，我們採用分層隨機裁剪法，隨機的去處種群每一層中中的部分個體，根據上面對種群的不同層次實施不同的操作。可以看出採取不同操作後種群會多出10％m的個體，我們將每10％的種群中隨機生成一個裁剪位去除該個體，從而維持整個種群在m的規模。
4)算法終止原則
算法的迭代設定終止條件同樣對。當迭代達到它的最大迭代次數，迭代終止；如果有些新一代不前進的迭代,即組的值不會改變10％的迭代，迭代過程也應該終止節省計算時間和提高效率。
綜上所述，我們提出的綜合進化機制針對每一層次的種群都採用了不同的操作策略，從而保證了種群進化的效率並推動了他們的進化。
根據本發明實施例提供的agv系統設備協同優化方法，可以提高尋優能力，進而最小化整個生產系統的物料運輸成本。
以上所述僅為本發明的優選實施例，並非因此限制本發明的專利範圍，凡是在本發明的發明構思下，利用本發明說明書及附圖內容所作的等效結構變換，或直接/間接運用在其他相關的技術領域均包括在本發明的專利保護範圍內。