基于混合粒子群ASRS输送系统优化调度.docVIP

基于混合粒子群ASRS输送系统优化调度 　　[摘 要] 为提高自动化立体仓库中输送系统的效率，提出遗传算法、模拟退火算法和粒子群算法相结合的混合粒子群算法，解决自动化立体仓库输送系统AGV调度问题。分析自动化立体仓库输送系统中AGV的工作过程，建立数学模型，利用基本粒子群算法、模拟退火粒子群算法和混合粒子群算法通过编码演绎，建立了输送系统数学模型，通过实例仿真比较三种算法，结果验证了混合粒子群算法在解决AGV调度问题中的可行性及有效性。 　　[关键词] 自动化立体仓库； AGV调度； 粒子群算法； 模拟退火算法； 混合粒子群算法 　　中图分类号：TP 18 文献标识码：A 　　0 引言 　　在自动化立体仓库（Automatic Storage Retrieval System，AS/RS）调度中，输送系统调度居于核心地位，是影响仓库运行效率的主要因素。输送系统的合理调度能够在自动化立体仓库的运行中缩短系统作业时间，降低物流运输成本，提高设备效率，增加企业效益。 　　目前，对AGV的研究侧重于其运行路线和智能避障问题，对其在仓库输送系统中的调度研究较少，常发亮，刘长有[1]等研究了许多输送系统调度问题，之后提出了启发式调度规则并建立了Petri网模型进行了仿真实验，但是模型建立复杂不适用与大规模的仓库中。王会丽[2]对AGV的路径规划作了仿真实验研究。柳赛男，柯映林[3]针对基于AGV在仓库系统中的输送问题，用遗传算法做了路径优化，但是输送系统的瓶颈问题仍未解决。刘思尧，王冬[4]提出基于博弈论的AGV系统优化调度。张虹娟[5] 提出基于蚁群算法的AGV调度数学模型，并将其应用到了堆垛机拣选作业作中。ZhengYao，Shigeru Fujimura[6]对AGV的路径作了规划设计并在企业中进行了验证。Mitsuo Gen， Lin Lin and Jung-Bok Jo[7]提出了一种混合遗传算法解决车辆路径问题及柔性制造系统中AGV调度的问题。 　　上述方法对AGV调度问题作了深入的研究，但并没有从根本上解决输送系统的瓶颈问题，并且不能够解决实际模型中的大规模复杂问题。为了解决这些不足，本文提出基于遗传算法、模拟退火思想、蚁群算法的混合粒子群算法对自动化立体仓库输送系统调度进行优化，并与基本粒子群算法和模拟退火粒子群算法进行对比，通过实例验证了该混合粒子群算法的有效性和优越性。 　　1 AGV数学模型 　　1.1 输送系统的工作原理 　　自动化立体仓库的输送系统图如图1所示，输送系统是货架存储区与分拣系统的关键连接。输送系统的调度问题可以理解为关于系统中AGV的优化调度，目标是能在多约束条件下，完成任务的合理分配，使每台AGV都能够得到合理利用，提高输送系统的效率，并在提高自动化立体仓库周转率的同时，降低物流成本。 　　AGV的工作过程可描述为：通过电控系统对各I/O台的状态进行监测，若信号显示运送任务，则小车运行到I/O台处得到货箱，通过对分拣系统的上包台状态检测，将货箱输送至空闲的分拣上包台，或者将其运送至分拣缓存器。分拣系统按照分拣货单拣选完毕后，把货箱从下包台输出，电控监测得到信息后，AGV运行到该处取得货箱，将其运送至原巷道的入库台，输送系统的一个输送周期完成[9]。 　　本文研究的目标是依据系统得到的实时状态来确定优化调度方案，使AGV获得最大的资源利用，实现并行操作，避免由输送系统输送状态混乱进而导致系统陷入死锁状态，保证系统能够达到有效地并行度，提高自动化立体仓库的吞吐效率。 　　1.2 数学模型 　　对AGV调度的研究，基于以下几个假设条件：AGV的运行速度恒定且相同，不考虑其制动和起动过程；AGV执行完系统分配的任务后，就近停置；AGV在执行任务的运行过程路线没有限制，且不会发生冲撞；不允许并发操作，即对同一辆AGV同一时刻不能有两个调度任务同时进行。由此，AGV优化调度的目标是找到一个有效地调度策略，能够使AGV完成输送任务所花费得时间最小。数学模型表述如下： 　　2 混合粒子群算法解决AGV优化调度问题 　　2.1 基本粒子群算法[9] 　　粒子群优化算法（Particle Swarm Optimizer， PSO）是一种基于群智能方法的演化计算技术。PSO最早是由Kennedy博士和Eberhart博士于1995年提出的一种基于群智能的优化算法，该算法是一种模拟鸟群觅食的仿生算法，其原理可简单地表述为：每只鸟（粒子）在自己最优位置的基础上通过追踪有限个处于当前最优位置的邻居，一步步地向食物目标位置靠近。 　　其数学模型表达如下[10]： 　　2.2 模拟退火粒子群算法 　　模拟退火算法（Simulated Annealing，SA）是基于Monte-Car