[go: up one dir, main page]

CN119536276A - 一种用于多agv多任务分配的方法 - Google Patents

一种用于多agv多任务分配的方法 Download PDF

Info

Publication number
CN119536276A
CN119536276A CN202411691811.0A CN202411691811A CN119536276A CN 119536276 A CN119536276 A CN 119536276A CN 202411691811 A CN202411691811 A CN 202411691811A CN 119536276 A CN119536276 A CN 119536276A
Authority
CN
China
Prior art keywords
task
agv
tasks
model
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411691811.0A
Other languages
English (en)
Inventor
钟永彦
吴含亲
陈娟
洪志明
范玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN202411691811.0A priority Critical patent/CN119536276A/zh
Publication of CN119536276A publication Critical patent/CN119536276A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/40—Control within particular dimensions
    • G05D1/43—Control of position or course in two dimensions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/246—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
    • G05D1/622—Obstacle avoidance
    • G05D1/633—Dynamic obstacles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/648—Performing a task within a working area or space, e.g. cleaning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/69—Coordinated control of the position or course of two or more vehicles
    • G05D1/693—Coordinated control of the position or course of two or more vehicles for avoiding collisions between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于多AGV多任务分配的方法，包括：获取实时任务，并对任务按照动态优先级进行排序；根据AGV状态与任务信息，考虑充电决策，建立多AGV多任务分配的上层模型，使用APSO‑NSGA‑Ⅲ混合算法进行调度优化，为每辆AGV分配待执行任务队列；根据上层模型生成的任务队列信息，考虑冲突消解，建立以总路径成本最低为目标的下层模型，使用改进的A*算法进行多AGV的最优路径规划；下层模型生成的最优路径规划结果反馈给上层模型，上层模型根据反馈形成新的任务队列方案，并继续对下层模型产生影响，上下双层模型之间相互反馈，生成多AGV多任务分配的最佳方案。

Description

一种用于多AGV多任务分配的方法
技术领域
本发明涉及一种资源调度方法，具体为涉及一种用于多AGV多任务分配的方法。
背景技术
随着工业自动化的快速发展，自动导引车(Automated GuidedVehicle，AGV)作为智能仓储系统的核心组成部分，承担着物料搬运、货物分拣等关键任务。当前的多AGV任务分配方法存在着以下一些问题：
任务优先级和实时性问题：在实际应用中，任务的紧急程度、截止时间以及与其他任务的依赖关系可能会随时变化，现有的任务分配方法难以实时地响应和调整，导致高优先级任务不能及时完成，影响整体效率。
AGV状态和充电问题：AGV的电池状态和充电需求对任务执行的具有很大的影响。现有的方法往往没有充分考虑AGV的电池状态和充电安排，导致AGV在执行任务过程中可能出现电量不足的情况，增加了任务延迟和系统停机的风险。
任务分配模型和优化问题：现有的任务分配模型通常是静态的，无法动态地适应任务和AGV状态的变化。此外，现有的优化算法在处理多目标、多约束的任务分配问题时，常常难以达到全局最优解。
路径规划和冲突消解问题：路径规划和冲突消解是多AGV系统中的关键问题，AGV之间的路径冲突会导致交通拥堵，甚至发生碰撞事故。现有的方法在路径规划和冲突消解上缺乏有效的策略，导致路径规划效率低下，系统的整体性能受到影响。
发明内容
发明目的：针对上述现有技术，提出一种用于多AGV多任务分配的方法，该方法对AGV进行最优无冲突路径的规划。
技术方案：一种用于多AGV多任务分配的方法，包括：
S1.获取实时任务，并对任务按照动态优先级进行排序；
S2.根据AGV状态与任务信息，考虑充电决策，建立多AGV多任务分配的上层模型，使用APSO-NSGA-Ⅲ算法进行调度优化，为每辆AGV分配待执行任务队列；
S3.根据上层模型生成的任务队列信息，考虑冲突消解，建立以总路径成本最低为目标的下层模型，使用改进的A*算法进行多AGV的最优路径规划；
S4.下层模型生成的最优路径规划结果反馈给上层模型，上层模型根据反馈形成新的任务队列方案，并继续对下层模型产生影响，上下双层模型之间相互反馈，生成多AGV多任务分配的最佳方案。
有益效果：(1)本方法能够实时获取任务信息，并根据任务的紧急程度、截止时间、与其他任务的依赖关系进行动态优先级排序，确保高优先级任务能够及时得到处理，提升了系统的响应速度和灵活性。
(2)上层模型采用APSO-NSGA-Ⅲ混合算法进行任务分配优化，该算法结合了APSO算法和NSGA-Ⅲ算法的优点，能够有效解决NSGA-Ⅲ算法存在的收敛速度慢、种群多样性维护差的问题，提升了任务分配的全局最优性；下层模型采用改进的A*算法进行路径规划，并考虑多AGV之间的路径冲突消解，通过优化路径规划策略，减少了路径冲突，提升了路径规划的效率和安全性。
(3)本方法采用上下双层模型架构，上层模型负责任务分配和调度优化，下层模型负责路径规划和冲突消解。上下模型之间相互反馈，形成闭环优化，使得任务分配方案能够根据路径规划结果进行动态调整，形成最优的多AGV多任务分配方案，提高了任务分配和路径规划的整体效率。
附图说明
图1为本发明一种用于多AGV多任务分配的方法的整体流程图；
图2为本发明方法中APSO-NSGA-Ⅲ混合算法流程图；
图3为本发明方法中染色体编码图；
图4为本发明方法中交叉算子图；
图5为本发明方法中变异算子图；
图6为本发明方法中改进A*算法进行路径规划的流程图；
图7为本发明方法中动态避让策略示例。
具体实施方式
下面结合附图对本发明做更进一步的解释。
参照图1，一种用于多AGV多任务分配的方法，基于任务分配和路径规划之间的相互作用，构建任务调度与路径规划的双层耦合动态调度任务分配模型，构建为每辆AGV分配相对均衡的任务队列的上层模型，并在此基础上构建进行最优无冲突路径规划下层模型。上层模型是最终优化结果，下层模型在上层模型的最佳分配队列的基础上给出最优路径无冲突行驶方案，再反馈给上层模型，从而对上层模型的目标进一步优化，最终多AGV多任务分配的最佳方案是上下双层模型相互耦合计算的结果。具体步骤如下：
S1.获取实时任务，并对任务按照动态优先级进行排序，在任务执行时，优先考虑执行紧急程度高、截止时间近的任务，同时也需要考虑任务之间的依赖关系；通过计算任务的动态优先级，然后根据优先级的大小，从大到小依次排序：
Pij t＝α·Eij t+β·Lij t+γ·Dij t
式中，i为任务编号；j为AGV编号；t为AGV执行任务时刻；Eij t为任务紧急程度；Lij t为任务截止时间；Dij t为任务依赖性；α、β、γ为权重系数。
S2.根据AGV状态与任务信息，考虑充电决策，建立多AGV多任务分配的上层模型，使用APSO-NSGA-Ⅲ算法进行调度优化，为每辆AGV分配待执行任务队列；
S3.根据上层模型生成的任务队列信息，考虑冲突消解，建立以总路径成本最低为目标的下层模型，使用改进的A*算法进行多AGV的最优路径规划；
S4.下层模型生成的最优路径规划结果反馈给上层模型，上层模型根据反馈形成新的任务队列方案，并继续对下层模型产生影响，上下双层模型之间相互反馈，生成多AGV多任务分配的最佳方案。
参照图2，针对传统NSGA-Ⅲ算法存在的收敛速度慢、种群多样性维护差的问题，提出一种基于APSO-NSGA-Ⅲ的混合算法对多AGV多任务分配进行最优调度，包括以下步骤：
S201.初始化参考点：在M维空间中均匀分布生成数量为的参考点集合Zr＝{z1,z2,...,zM}，归一化生成参考点位置其中，H1为每个目标上的分段个数；k1,k2…kM为非负整数，k1+k2+...+kM＝H1。
S202.初始化种群：在M维空间生成种群大小为N佳点集P0＝{x1,x2,...,xN}，佳点坐标其中，aj、bj分别为当前维度上限、下限；{i·r-k}为前(D-1)个素数r的逆序列。
S203.评价种群：计算种群中每个个体在目标函数空间中的适应度，以多AGV多任务分配上层模型作为适应度函数，考虑在AGV调度相对均衡的情况下，任务完成时间最短且AGV能耗成本最低：
F＝min(f1,f2,f3)
AGV调度均衡指数f1考虑任务数量均衡、均衡充电站利用率：
式中，m为AGV总数；qj为第j辆AGV分配任务数；为每辆AGV平均分配任务数；uk为第k个充电站的利用率，k为充电站编号，p为充电站总数；为每个充电站的平均利用率。
任务完成时间f2考虑任务执行时间、任务等待时间以及可能存在的充电任务时间：
决策变量：
式中，i为任务编号，n为任务总数；j为AGV编号；为前往任务点的行驶时间；tw为AGV等待时间；为前往充电站的行驶时间；tc为充电时间。
AGV能耗成本f3主要考虑行驶能耗，包括执行负载任务的行驶能耗、执行空载任务的行驶能耗以及可能存在的充电任务的行驶能耗：
式中，为AGV负载行驶距离；eload为负载行驶的单位能耗；为AGV空载行驶距离；为前往充电站的行驶距离；eunload为空载行驶的单位能耗。
约束条件如下：
任务依赖关系约束：sl≥eh,if D(l,h)＝1
电池电量约束：bj≥bthreshold
充电站容量约束：
AGV速度约束：
AGV任务约束：
式中，sl为第l个任务的开始时间；eh为第h个任务的结束时间；D(l,h)＝1为第l个任务依赖于第h个任务；bj为第j辆AGV电池当前电量；bthreshold为电池规定的阈值；为第k个充电站进行充电的AGV数量；Cmax为充电站最大容量；dij为第j辆AGV执行第i个任务的行驶距离；tij为第j辆AGV执行第i个任务的行驶时间；vmax为车辆最大速度；为第j辆AGV执行任务的数量。
S204.PMX交叉操作：使用部分匹配交叉(PMX)算子，对于任务顺序层，随机选择两个父代染色体V为染色体长度，确定交叉点c1,c2∈{1,2,...,W},c1＜c2，W≤V，W为交叉终点，交叉点之间的基因片段根据映射关系调整剩余部分的基因，生成两个子代AGV分配层遗传自父代。
S205.Logistic混沌映射变异策略：对于父代Pt＝(P1,P2,...,PV)中每个变量v(v＝1,2,...,V)，生成一个均匀分布随机数xv∈[0,1]，使用Logistic映射公式生成混沌序列：
xv+1＝r·xv(1-xv)
式中，xv为序列当前值，r为混沌参数。
将生成的混沌序列映射到任务序列的索引范围，根据生成的变异索引对任务顺序进行变异操作生成子代Ct＝(C1,C2,...,CV)。AGV分配层遗传自父代。
S206.种群合并：将父代种群Pt和子代种群Ct合并为新的候选种群Rt。
S207.快速非支配排序：个体Xi支配个体Xj的条件：
对于每一个目标K，个体Xi的目标值fi K必须小于或等于个体Xj的目标值存在至少一个目标L，个体Xi的目标值fi L必须严格小于个体Xj的目标值
根据支配关系将候选种群Rt划分为不同的非支配前沿F1,F2,...FK。第一前沿F1包含所有非支配个体，第二前沿F2包含被第一前沿F1支配但不被其他个体支配的个体，依次类推。
S208.APSO优化：使用快速非支配排序将Rt分成不同的非支配等级Fi，更新每个粒子的速度和位置：
vi(t+1)＝ω·vi(t)+γ·[c1·(pi(t)-xi(t))+c2·(g(t)-xi(t))]
xi(t+1)＝xi(t)+vi(t+1)
式中，vi表示速度，xi表示位置，t为迭代次数；ω为惯性权重；γ为[0,1]均匀分布的随机数；c1、c2是加速系数；pi(t)是粒子i的最佳位置；g(t)是全局最佳位置；ωmax为最大惯性权重；ωmin为最小惯性权重；favg为目标函数平均值；fworst为目标函数最差值；fbest为目标函数最优值。
评估每个粒子的适应度f(xi(t+1))，更新个体的最佳位置和全局最佳位置：
如果优化后的解xi(t+1)支配原来的解xi(t)，则使用xi(t+1)替换xi(t)。
S209.基于参考点选择的选择策略：对第i个目标函数fi进行自适应归一化，得到：
式中，ai为极值点所构成的平面与坐标轴的截距；fi min为第i个目标函数的最小值。
对每个个体xi，归一化目标函数值得方向向量：
计算个体xi与参考点zM之间的距离：
将个体分配到最近的参考点，每个参考点的小生境数是分配到该参考点的个体数量，从非支配排序的前沿开始，优先选择小生境数较小的参考点上的个体，构建一个新的种群大小为N的种群St。
S210.迭代：迭代执行，直到满足停止条件，为每辆AGV生成最佳的待执行任务队列。
参照图3，根据多AGV多任务分配的复杂性，为了有效地协调任务与AGV的匹配，提高调度效率与系统的整体性能，采用基于任务序列和AGV序列的双层实数编码机制，以优化m辆AGV执行n个调度任务的过程。染色体由两层构成，第一层使用任务编号i进行编码，表示各个任务的执行序列；第二层使用AGV编号j进行编码，表示各个任务分配给特定AGV的顺序。
参照图4，为了保留父代个体的优良基因，同时避免产生非法组合，确保子代个体的合法性，考虑使用部分匹配交叉(PMX)算子对按照优先级排序的任务序列进行交叉。AGV序列遗传自父代，不进行交叉。以10个任务为例：
随机选择一对染色体，确定交叉点位置c1＝4，c2＝7：
交换两组基因的位置：
进行冲突检测，根据交换的基因建立一个映射关系，可以发现Proto-child1中存在两个基因3，这时将其通过映射关系转变为基因4，以此类推，保证子代基因无冲突：
最终结果为：
参照图5，以10个任务为例：
Parent：4 10 9 3 8 1 5 7 2 6
初始化x0＝0.7，选择r＝4，使用Logistic映射公式xn+1＝r·xn(1-xn)生成混沌序列：x＝[0.84,0.5376,0.99549184,0.017625608,0.069204283]。
由于任务序列长度为10，将生成的混沌序列映射到任务序列的索引范围，并取其整数部分作为索引：x＝[8,5,9,0,0]。
根据索引，选择变异位置9和6，10和1，交换得到变异后的最终结果：
Child：6 10 9 3 8 2 5 7 1 4
参照图6，多AGV多任务分配下层模型中的路径成本最低目标使用改进的A*算法进行规划，包括以下步骤：
S301.根据仓储环境信息生成栅格地图；
S302.根据任务信息，确定路径规划的起点(xs,ys)和终点(xe,ye)；
S303.初始化OpenList和CloseList列表，将障碍点添加到CloseList，起始点加入OpenList；
S304.五邻域搜索策略筛选父节点周围的可行节点，并将已搜索的节点加入OpenList；
S305.在代价函数中引入动态加权因子和障碍率，避免斜穿静态障碍物顶点，提高搜索的速度和精度：
f(n)＝g(n)+μ·(1-log(θ))h(n)
式中，f(n)为从起点到达目标点经过当前点(xn,yn)的总路径成本；g(n)起点到当前点的实际路程成本；h(n)为当前点到终点的距离代价；μ为动态加权因子；θ为起点与终点之间的障碍率；l为栅格地图长度；w为栅格地图宽度。
S306.确定代价函数最小的节点，如果该节点是终点，依次连接父节点得到当前任务的最优路径，使用SmoothFloyd算法优化生成的最优路径，删除多余节点，减少转折，增加路径的平滑度；
S307.检测规划的最优路径之间是否存在行驶冲突，根据任务避障策略确定避让的AGV，两两循环检测，直到没有行驶冲突后，输出无冲突的最优路径规划结果。
参照图7，动态避让原则中，通过识别不同类型的动态冲突，结合任务的动态优先级与AGV的状态来进行冲突避让决策。多AGV在单行双向通道中同时行驶时，会发生同向冲突、逆向冲突以及转弯冲突，对于负载状态不同的车辆，优先考虑空载车辆进行避让；当负载状态相同时，考虑电量充足且任务动态优先级较低的车辆进行避让。空载车辆具备穿过货架底部行驶的能力，能够灵活避让；负载车辆只能沿着单行双向通道行驶，优先权较高。
同向冲突发生时，对于负-空状态的AGV，空载车辆通过货架底部行驶避让负载车辆；对于空-空状态的AGV，选择电量充足且任务优先级低的车辆通过货架底部行驶避让，若电量和任务优先级均相等，则考虑距离待执行任务更近的车辆进行避让；对于负-负状态的AGV，如果提前在可行点等待也无法完成避让，选择重新规划路线，寻找替代路径。
逆向冲突发生时，对于负-空状态的AGV，空载车辆通过货架底部行驶避让负载车辆；对于空-空状态的AGV，选择电量充足且任务优先级低的车辆通过货架底部行驶避让，若电量和任务优先级均相等，则考虑距离待执行任务更近的车辆进行避让；对于负-负状态的AGV，根据执行任务的优先级，选择优先级低的车辆减速避让，或者根据实时交通情况，考虑前车加速通过冲突区域。
转向冲突发生时，对于负-空状态的AGV，空载车辆通过货架底部行驶避让负载车辆；对于空-空状态的AGV，选择电量充足且任务优先级低的车辆通过货架底部行驶避让，若电量和任务优先级均相等，则考虑距离待执行任务更近的车辆进行避让；对于负-负状态的AGV，选择任务优先级低的车辆提前在无冲突点等待，通过动态调整等待时间以减少对系统整体效率的影响。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种用于多AGV多任务分配的方法，其特征在于，包括：
S1.获取实时任务，并对任务按照动态优先级进行排序；
S2.根据AGV状态与任务信息，考虑充电决策，建立多AGV多任务分配的上层模型，使用APSO-NSGA-Ⅲ算法进行调度优化，为每辆AGV分配待执行任务队列；
S3.根据上层模型生成的任务队列信息，考虑冲突消解，建立以总路径成本最低为目标的下层模型，使用改进的A*算法进行多AGV的最优路径规划；
S4.下层模型生成的最优路径规划结果反馈给上层模型，上层模型根据反馈形成新的任务队列方案，并继续对下层模型产生影响，上下双层模型之间相互反馈，生成多AGV多任务分配的最佳方案。
2.根据权利要求1所述的用于多AGV多任务分配的方法，其特征在于，所述S1中，在任务执行时，优先考虑执行紧急程度高、截止时间近的任务，同时也需要考虑任务之间的依赖关系；通过计算任务的动态优先级，然后根据优先级的大小，从大到小依次排序：
Pij t＝α·Eij t+β·Lij t+γ·Dij t
式中，i为任务编号；j为AGV编号；t为AGV执行任务时刻；Eij t为任务紧急程度；Lij t为任务截止时间；Dij t为任务依赖性；α、β、γ为权重系数。
3.根据权利要求1所述的用于多AGV多任务分配的方法，其特征在于，使用APSO-NSGA-Ⅲ算法进行调度优化，包括以下步骤：
S201.在M维空间中生成H个均匀分布的参考点集Zr；
S202.使用参考点集在M维空间内生成种群大小为N的佳点集P0作为初始种群；
S203.多AGV多任务分配上层模型作为适应度函数，计算种群中每个个体在目标函数空间中的适应度；
S204.使用部分匹配交叉算子，对于任务顺序层，随机选择两个父代染色体P1、P2，确定交叉点c1、c2，根据映射关系调整染色体的基因，生成两个子代染色体C1、C2；AGV分配层遗传自父代；
S205.对于父代P中每个变量v，生成一个均匀分布随机数xv∈[0,1]，使用Logistic映射公式生成混沌序列，将生成的混沌序列映射到任务序列的索引范围，根据生成的变异索引对任务顺序进行变异操作生成子代Ct；
S206.将父代种群Pt和子代种群Ct合并为新的候选种群Rt；
S207.根据支配关系将候选种群Rt划分为不同的非支配前沿Fi；第一前沿包含所有非支配个体，第二前沿包含被第一前沿支配但不被其他个体支配的个体，依次类推；
S208.初始化每个粒子的速度vi(0)和位置xi(0)，初始化个体最佳位置pi(0)和全局最佳位置g(0)，评估每个粒子的适应度f(xi(t+1))，更新个体的最佳位置pi(t+1)和全局最佳位置g(t+1)，更新每个粒子的速度vi(t+1)和位置xi(t+1)，如果优化后的解xi(t+1)支配原来的解xi(t)，则使用xi(t+1)替换xi(t)；
S209.对第i个目标函数进行自适应归一化fi′，计算目标函数归一化后的方向向量计算个体xi与参考点zM之间的距离di，将个体分配到最近的参考点，每个参考点的小生境数是分配到该参考点的个体数量，从非支配排序的前沿开始，优先选择小生境数较小的参考点上的个体，构建一个新的种群大小为N的种群St；
S210.迭代执行，直到满足停止条件，为每辆AGV生成最佳的待执行任务队列。
4.根据权利要求1所述的用于多AGV多任务分配的方法，其特征在于，使用改进的A*算法进行多AGV的最优路径规划，包括以下步骤：
S301.根据仓储环境信息生成栅格地图；
S302.根据任务信息，确定路径规划的起点(xs,ys)和终点(xe,ye)；
S303.初始化OpenList和CloseList列表，将障碍点添加到CloseList，起始点加入OpenList；
S304.五邻域搜索策略筛选父节点周围的可行节点，并将已搜索的节点加入OpenList；
S305.在代价函数中引入动态加权因子和障碍率，避免斜穿静态障碍物顶点，提高搜索的速度和精度；
S306.确定代价函数最小的节点，如果该节点是终点，依次连接父节点得到当前任务的最优路径，使用Smooth Floyd算法优化生成的最优路径，删除多余节点，减少转折，增加路径的平滑度；
S307.检测规划的最优路径之间是否存在行驶冲突，根据任务避障策略确定避让的AGV，两两循环检测，直到没有行驶冲突后，输出无冲突的最优路径规划结果。
5.根据权利要求4所述的用于多AGV多任务分配的方法，其特征在于，为了满足多AGV多任务分配的特点，NSGA-Ⅲ中种群的染色体基因编码方式采用基于任务序列和AGV序列的双层实数编码机制，以优化m辆AGV执行n个调度任务的过程；其中，染色体由两层构成，第一层使用任务编号i进行编码，表示各个任务的执行序列；第二层使用AGV编号j进行编码，表示各个任务分配给特定AGV的顺序。
6.根据权利要求4所述的用于多AGV多任务分配的方法，其特征在于，所述S203中，多AGV多任务分配上层模型，考虑在AGV调度相对均衡的情况下，任务完成时间最短且AGV能耗成本最低；具体的，AGV调度均衡指数考虑任务数量均衡、充电站利用率均衡；任务完成时间考虑任务执行时间、任务等待时间以及可能存在的充电任务时间；AGV能耗成本主要考虑行驶能耗，包括执行负载任务的行驶能耗、执行空载任务的行驶能耗以及可能存在的充电任务的行驶能耗。
7.根据权利要求4所述的用于多AGV多任务分配的方法，其特征在于，所述S307的避让原则中，通过识别不同类型的动态冲突，结合任务的动态优先级与AGV的状态来进行冲突避让决策；多AGV在单行双向通道中同时行驶时，会发生同向冲突、逆向冲突以及转弯冲突，对于负载状态不同的车辆，优先考虑空载车辆进行避让；当负载状态相同时，考虑电量充足且任务动态优先级较低的车辆进行避让；空载车辆具备穿过货架底部行驶的能力，能够灵活避让；负载车辆只能沿着单行双向通道行驶，优先权较高。
CN202411691811.0A 2024-11-25 2024-11-25 一种用于多agv多任务分配的方法 Pending CN119536276A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411691811.0A CN119536276A (zh) 2024-11-25 2024-11-25 一种用于多agv多任务分配的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411691811.0A CN119536276A (zh) 2024-11-25 2024-11-25 一种用于多agv多任务分配的方法

Publications (1)

Publication Number Publication Date
CN119536276A true CN119536276A (zh) 2025-02-28

Family

ID=94710013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411691811.0A Pending CN119536276A (zh) 2024-11-25 2024-11-25 一种用于多agv多任务分配的方法

Country Status (1)

Country Link
CN (1) CN119536276A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120278495A (zh) * 2025-06-10 2025-07-08 天津联汇智造科技有限公司 一种机器人动态任务管理方法
CN120578167A (zh) * 2025-05-29 2025-09-02 南陵县邮政业发展中心 一种基于改进狼群算法的仓库agv路径规划方法
CN120875801A (zh) * 2025-07-24 2025-10-31 萨牌智能驱动技术(河北)有限公司 一种agv叉车协同部署运作方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120578167A (zh) * 2025-05-29 2025-09-02 南陵县邮政业发展中心 一种基于改进狼群算法的仓库agv路径规划方法
CN120278495A (zh) * 2025-06-10 2025-07-08 天津联汇智造科技有限公司 一种机器人动态任务管理方法
CN120278495B (zh) * 2025-06-10 2025-08-26 天津联汇智造科技有限公司 一种机器人动态任务管理方法
CN120875801A (zh) * 2025-07-24 2025-10-31 萨牌智能驱动技术(河北)有限公司 一种agv叉车协同部署运作方法及系统

Similar Documents

Publication Publication Date Title
CN119536276A (zh) 一种用于多agv多任务分配的方法
CN117669992B (zh) 面向智能仓储多移动机器人实时两阶段调度方法及系统
CN113706081B (zh) 基于城市屋顶自动快递装置的无人机取送货系统和方法
CN116400651B (zh) 智慧工厂数字孪生平台的多agv协同调度方法及装置
CN114707707A (zh) 一种基于改进的遗传算法对agv任务调度的方法及系统
CN112306658A (zh) 一种多能源系统数字孪生应用管理调度方法
Shi et al. Multi-objective automated guided vehicle scheduling based on MapReduce framework.
Manavi et al. Resource allocation in cloud computing using genetic algorithm and neural network
CN116523221A (zh) 一种智能仓储拣选任务的优化调度方法及系统
CN118396208A (zh) 智能化分类钢铁仓库中agv避障路径规划方法及系统
CN118466582A (zh) 基于分解学习粒子群的异构无人机集群多任务分配方法
Hani et al. Simulation based optimization of a train maintenance facility
CN116011724A (zh) 基于灰狼算法的飞机出入库转运调度方法、装置及设备
CN118469525A (zh) 基于改进nsga-ii的粮面多巡检机器人协同任务分配方法
Bai et al. Efficient hybrid multi-population genetic algorithm for multi-UAV task assignment in consumer electronics applications
Xiang et al. An improved multi-objective hybrid genetic-simulated annealing algorithm for AGV scheduling under composite operation mode
CN117094460A (zh) 一种基于od数据的多目标旅行商控制方法、系统及介质
CN120523201B (zh) 一种用于agv集群的调度方法及系统
CN115857436B (zh) 多载量自动导引车系统任务调度优化方法
CN119273103B (zh) 一种基于蚁群算法的无人机任务分配方法及装置
Ge et al. Research on online scheduling method for flexible assembly workshop of multi-agv system based on assembly island mode
CN120087892A (zh) 一种跨层跨巷道穿梭车仓储系统配置优化方法
CN120196059A (zh) 一种直线往复多rgv协同作业的出入库调度方法
Xia et al. A multi-AGV optimal scheduling algorithm based on particle swarm optimization
Zheng et al. Research on tasks allocation of multi-AGVs System based on a hybrid genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination