一种智能调度系统的资源分配全局优化方法与流程

本发明属于agv运行调度技术领域,具体涉及一种智能调度系统的资源分配全局优化方法。

背景技术：

在智能物流调度系统中涉及资源分配问题，其中资源主要指的是自动导引车(automatedguidedvehicle，agv)，即分拣仓库内agv小车的最优调度问题。agv小车作为一种灵活高效的输送设备在制造系统、仓储系统等领域得到了广泛推广和应用。agv小车的优化调度问题一般定义为对一系列装货点或卸货点，组织适当的行车顺序，使agv小车有序通过，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制、电量大小等)下，达到一定的目标(如路程最短、费用最少、时间尽量小、利润最大、使用车辆数尽量少等)，所以agv小车的调度优化是一种有约束的组合优化问题。

目前国内外对agv小车的调度研究主要集中于agv的路径和生产效率优化方面。王国新等针对制造系统中单agv任务调度优化问题，提出离散仿真和分支定界(branchandboundalgorithm，bba)相结合的方法，但是该方法迭代次数较多；罗建等针对自动仓储系统调度优化问题，建立单agv调度数学模型，运用一种改进量子微粒群算法(quantumparticleswarmoptimization，qpso)来求解模型，但是没有考虑多任务调度问题；nishi等针对制造系统中多agv路径规划问题，建立多agv调度模型，提出一种分解算法进行求解。但是多集中于单agv单任务的调度问题，本发明针对多agv小车的调度问题进行研究，提出一种新的遗传算法实现多agv小车的全局优化调度。

技术实现要素：

本发明的目的在于提供一种智能调度系统的资源分配全局优化方法，其采用直接反映agv配送任务分配的整数编码方式，避免了常规交叉变异过程中产生不可行解的情况，改进了交叉变异算子，采用最好－最差交叉模式和基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题，获取优化的调度方案。

为实现上述目的，本发明采用的技术方案是：

一种智能调度系统的资源分配全局优化方法，其包括以下步骤：

步骤1、建立多agv调度优化的数学模型：

f＝minmax{d1,d2,...,dn}(1)

其约束条件如下：

其中，uj表示第j个任务的起点；

vj表示第j个任务的终点；

r(uj,vj)表示agv执行任务j时从起点uj执行装载操作后运行到终点vj的行驶路径；

r(vj-1,uj)表示agv执行完任务j-1的卸载操作后，由任务j-1终点vj-1运行到任务j起点uj的行驶路径；

α表示agv的空载距离折算系数；

式(1)表示最小化完成所有任务agv的行驶路径；

式(2)表示第i辆agv的行驶路径；

式(3)表示同一任务只能分配给一辆agv；

式(4)表示一辆agv同时只能完成一个任务；

步骤2、对所需处理的任务进行染色体整数编码，个体基因信息解释为agv任务分配信息和任务配送路径信息；然后采用新遗传算法对agv调度优化数学模型进行求解，获取agv小车的全局优化方案，具体如下：

(1)初始化：采用随机方法初始化产生初始种群，将初始种群作为父代种群；

(2)选择操作：采用轮盘赌选择法，将种群中所有个体按照适应度升序排列，各个个体被选择的概率与其适应度成正比，每次从父代种群中选择两个个体进入交叉变异操作；

所述个体si适应度函数f(si)定义如下：

其中，total表示表示当前种群中所有个体目标值的总和；ps表示当前种群的规模；f(si)表示个体si的目标值；

(3)交叉操作：采用最好－最差交叉模式将两父代个体的部分基因进行替换或重组从而生成新的个体；

(4)变异操作：采用基因段随机交换的变异模式，即从交叉操作后产生的个体的两个不同配送路径中随机取两段基因，然后将两段基因进行交换形成新个体；

(5)精英保留策略：父代种群经过选择、交叉和变异操作后形成子代种群，与父代种群合并得到2ps个个体作为候选种群，计算候选种群中每个个体的目标值和平均值，对其中目标值相同而基因不同的个体，根据其平均值进行筛选，对平均值高的个体处以罚函数，降低其适应度；将调整后的2ps个个体按其适应度进行降序排列，取其中适应度高的ps个个体作为下一代父代种群；

(6)当种群均值连续8代不发生变化则迭代停止，输出最优解。

所述最好－最差交叉模式具体如下：首先，父代个体s1和s2中选择最好和最差的两条配送路径；然后用s1中的最优配送路径替换s2中最差配送路径，从而产生子代p2，s2中最优配送路径替换s1中最差配送路径，从而产生子代p1；最后删掉p1，p2中重复的货物，并同时将失去的货物重新修补插入到最佳位置。

所述罚函数为高斯罚函数：

式中：p(x)为罚函数，x为agv行驶路径长度，μ为均值，σ²为方差。

采用上述方案后，本发明具有以下优点：

一、本发明考虑到agv满载行驶路径与空载行驶路径的区别，在空载行驶路径前加了折算系数α，其值在(0,1)之间，并建立了agv全局优化调度的新型数学模型f＝minmax{d1,d2,...,dn}；

二、本发明对交叉算子进行改进，在综合两点交叉和bcbrc的混合交叉模式基础上，提出一种最好-最差交叉模式，避免了由于染色体编码规则变化容易产生不可行解的问题。

三、本发明采用基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题。

四、本发明将迭代终止条件改进为种群均值连续8代不发生变化时迭代停止。而通常遗传算法迭代终止条件是连续数代目标值或最优解不发生变化，但是在迭代过程中往往个体目标值虽没有发生变化，种群均值却不断变化，种群仍在进化。

附图说明

图1为本发明新遗传算法流程图；

图2为本发明个体编码示意图；

图3a为本发明父代种群中两个自个体的最好和最差路径选取示意图；

图3b为本发明交叉操作过程中形成的新个体删除修补示意图；

图3c为本发明交叉操作后形成的新个体示意图；

图4为本发明变异过程示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明进行详述。

如图1所示，本发明揭示了一种智能调度系统的资源分配全局优化方法，其包括以下步骤：

步骤1、根据自动化仓库系统中多agv的工作原理，首先建立多agv调度优化的数学模型。

假设在自动化仓库中共有n辆相同容量的agv小车，某时段系统有p个任务需要处理。如果将任务j(＝1,2,...,p)分配给agvi(＝1,2,...,n)来执行，记为变量xij＝1，否则xij＝0，其满足

所有agv中行驶路径最长耗时最多的agv完成任务的时间点即是所有任务的完成时间点，通过保证系统中耗时最多的agv运行时间最短来减少多agv完成所有任务的时间。

假设系统中n辆agv小车的行驶路径长度为d1,d2,...,dn，为了使agv完成货物运送行驶路径最短，建立数学模型如下：

f＝minmax{d1,d2,...,dn}(1)

约束条件如下：

其中，uj表示第j个任务的起点；

vj表示第j个任务的终点；

r(uj,vj)表示agv执行任务j时从起点uj执行装载操作后运行到终点vj的行驶路径；

r(vj-1,uj)表示agv执行完任务j-1的卸载操作后，由任务j-1终点vj-1运行到任务j起点uj的行驶路径；

α表示agv的空载距离折算系数。

式(1)表示最小化完成所有任务agv的行驶路径；式(2)表示第i辆agv的行驶路径；式(3)表示同一任务只能分配给一辆agv；式(4)表示一辆agv同时只能完成一个任务。

步骤2、对所需处理的任务进行染色体整数编码，个体基因信息解释为agv任务分配信息和任务配送路径信息；然后采用新遗传算法对agv调度优化数学模型进行求解，获取agv小车的全局优化方案；

如图2所示，一个包含12个任务的个体s1的编码，其中，0表示工作人员分拣区，数字1～12是各任务编号。图中每一条支线代表一辆agv执行货物运送任务，支线的数量为系统中参与货物运送的agv数量，编号顺序代表agv执行配送任务的先后顺序，其序列表达方式为[0,1,3,4,7,0,2,8,9,10,0,5,6,11,12]。

优化方案的获取具体如下：

(3)初始化：采用随机方法初始化产生初始种群，将初始种群作为父代种群；

(4)选择操作：采用轮盘赌选择法，将种群中所有个体按照适应度升序排列，各个个体被选择的概率与其适应度成正比，然后每次从父代种群中选择两个个体进入交叉变异操作。

通过模拟agv调度过程，记录每辆agv完成任务的目标值，进而获得个体的目标值，而个体si适应度函数f(si)定义如下：

其中，total表示表示当前种群中所有个体目标值的总和；ps表示当前种群的规模；f(si)表示个体si的目标值。

根据上述定义可知，个体的目标值越大，其适应度值越小。

交叉操作：交叉是将两父代个体的部分基因进行替换或重组从而生成新的个体，本发明在两点交叉和bcbrc(bestcostbestroutecrossover)相结合的混合交叉模式基础上，提出一种最好－最差交叉模式，其基本思想是保证优秀基因在进化过程中不被破坏。

如图3a至图3c所示，最好－最差交叉模式的过程如下：首先，父代个体s1和s2中选择最好和最差的两条配送路径；然后用s1中的最优配送路径替换s2中最差配送路径，从而产生子代p2，s2中最优配送路径替换s1中最差配送路径，从而产生子代p1；最后删掉p1，p2中重复的货物，并同时将失去的货物重新修补插入到最佳位置。

(4)变异操作：变异算子影响种群的多样性和局部搜索能力，本发明采用基因段随机交换的变异模式。如图4所示，具体操作过程如下：从个体p1的两个不同配送路径中随机取两段基因，然后将两段基因进行交换形成新的个体p1，采用此种方法可以保证新个体中含有所有的工作站。

(5)精英保留策略：父代种群经过选择、交叉和变异操作后形成子代种群，与父代种群合并得到2ps个个体作为候选种群，计算候选种群中每个个体的目标值和平均值，对其中目标值相同而基因不同的个体，根据其平均值进行筛选，对平均值高的个体处以罚函数，降低其适应度；将调整后的2ps个个体按其适应度进行降序排列，取其中适应度高的ps个个体作为下一代父代种群。此种方法能够保证在种群进化过程中保留优良个体，避免伪优良个体即目标值低而平均值高的个体大量充斥解空间。

本发明采用高斯罚函数：

式中：p(x)为罚函数，x为agv行驶路径长度，μ为均值，σ²为方差，本发明取σ²＝0.04。

(6)当种群均值连续8代不发生变化则迭代停止，输出最优解。

本发明考虑到agv满载行驶路径与空载行驶路径的区别，在空载行驶路径前加了折算系数α，其值在(0,1)之间，并建立了agv全局优化调度的新型数学模型f＝minmax{d1,d2,...,dn}；通过对交叉算子进行改进，在综合两点交叉和bcbrc的混合交叉模式基础上，提出一种最好-最差交叉模式，避免了由于染色体编码规则变化容易产生不可行解的问题；采用基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题；在精英保留策略中综合考量个体的目标值和平均值，保证在种群进化过程中保留优良个体，避免伪优良个体目标值低而平均值高的优良个体大量充斥解空间。

以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。