物流配送中心场景下多负载AGV任务调度与路径规划研究.pdfVIP

摘要

作为现代服务业的核心组成部分，现代物流业依托数据驱动的物流配送网络，

实现了商品从仓储到终端消费者的时效跃进。作为物流体系的核心环节，物流配

送中心承担着货物分拣、存储、配送等一系列复杂任务。随着订单量的激增，如

何提高物流配送中心的运营效率，成为业界关注的焦点。在这样的背景下，自动

导引车（automatedguidedvehicle，AGV）以其高效、灵活的特点，逐渐成为物

流配送中心的重要运输工具。然而，面对多负载AGV在复杂环境下的任务调度

与路径规划问题的研究较少，且如何实现资源优化配置、降低运营成本，成为急

需解决的问题。由此本文以物流配送中心为场景，以多负载AGV为研究对象，

对AGV的任务调度和路径规划问题展开研究：

（1）本文在非支配排序遗传算法II（non-dominatedsortinggeneticalgorithm-

II，NSGA-II）算法上加以改进，得到MLNSGA-II算法以解决中小型物流配送中

心场景下多负载AGV任务调度时其使用数量与配送效率之间存在边际效益的问

题。以最小化AGV使用数量和最小化最大配送时间为优化目标的多目标调度模

型，并考虑小车当前电量与负载行驶速度间的动态关系以及订单组数量等约束条

件。进行仿真实验，得到MLNSGA-II算法在不同场景下求得最小AGV使用数

量与最小-最大配送订单组总时间，以及订单任务和AGV之间的具体分配情况。

仿真实验证明改进后的算法在解决该物流配送中心复杂任务调度问题时具有较

好的可行性和易用性。对比实验结果显示，改进后的NSGA-II算法在求解时收

敛速度更快，效果更优。

（2）本文提出了融入注意力机制的DDQN-A深度强化算法，以求解单AGV

在静态环境中的路径规划问题。将配送中心抽象为栅格网络，AGV抽象为单智

能体。在环境设置时，将智能体观察到的局部矩阵划分为三个通道：静态障碍物

矩阵、历史访问矩阵、智能体所在位置矩阵，这些矩阵表示智能体的当前状态，

将其输入到Q网络的卷积层中；为了平衡探索与利用之间的关系，在越界碰撞

奖励、移动奖励、目标奖励的基础上，加入历史访问奖励。同时，将表示智能体

与目标间关系的目标向量归一化后输入Q网络的全连接层，并结合Attention机

I

制，动态调整智能体在不同时刻的环境下的观察重点。将融入注意力机制的Q网

络与DDQN算法（doubledeepQnetworks，DDQN）相结合得到DDQN-A算法。

通过实验，将DDQN-A算法与Q-learning和双Q网络算法进行对比。结果表明，

本文提出的DDQN-A算法在求解路径规划问题时具有更快的收敛速度和更好的

稳定性，且路径更短更平滑。

关键词：任务调度路径规划多负载AGV非支配排序智能体

II

Abstract

Asacorecomponentofmodernserviceindustry,modernlogistics

industryhasachievedasignificantleapindeliveryefficiencyfrom

warehousingtoendconsumersbyrelyingondata-drivenlogistics

distributionnetworks.Asacorelinkinthelogisticssystem,logistics

distributioncentersundertakeaseriesofcomplextaskssuchasgoods

sorting,storage,anddistribution.Withthesharpincreaseinordervolume,

howtoimprovetheoperationaleffic