基于遺傳算法的工廠AGV路徑優(yōu)化研究
黨宏社,孫心妍(陜西科技大學(xué)電氣與控制工程學(xué)院,陜西?西安?710021)
本文引用地址:http://www.ex-cimer.com/article/201912/408674.htm摘?要:針對工廠AGV行駛路徑復(fù)雜、應(yīng)用局限性等問題,以AGV配送物料行駛路徑最短為目標(biāo),采用遺傳算法進行AGV路徑規(guī)劃,并加入物料類型選擇的循環(huán)套,通過多次實驗確定最合理的控制參數(shù),從而產(chǎn)生AGV運輸多種類型物料的最優(yōu)路徑結(jié)果。使用Matlab軟件對算法進行仿真,結(jié)果表明:該算法是有效的,能夠直接實現(xiàn)AGV在運輸多種類型物料時所產(chǎn)生的不同種路徑的優(yōu)化。
關(guān)鍵詞:自動導(dǎo)引車;路徑規(guī)劃;遺傳算法
0 引言
隨著社會生產(chǎn)技術(shù)的發(fā)展和自動化程度的提高,很多工廠為了提升運輸工作效率,引入了自動導(dǎo)引小車AGV(Automatic Guided Vehicle)進行物流運輸。據(jù)相關(guān)資料統(tǒng)計,在制造業(yè)中不足 5% 的時間用于加工裝配,而超過 95% 的時間用于物流配送,因此物料的及時準(zhǔn)確供應(yīng)直接關(guān)系到生產(chǎn)線的流暢性 [1-2] 。節(jié)約車間生產(chǎn)成本,減少物料運輸時間,提升單臺AGV搬運效率,一直以來AGV的路徑規(guī)劃問題,即尋找AGV的最優(yōu)路徑是工廠所關(guān)注的焦點。
目前國內(nèi)外很多學(xué)者都對于AGV的路徑規(guī)劃問題做了相應(yīng)的研究。遺傳算法是模仿自然界生物進化機制發(fā)展起來的隨機全局搜索優(yōu)化方法,具有算法效率高、魯棒性強、可實現(xiàn)并行搜索等特點 [3] ,被廣泛用于解決路徑規(guī)劃等領(lǐng)域的問題。G.Jeon [4] 和William [5] 等人用混合遺傳算法求解車輛路徑規(guī)劃問題;李青欣 [6] 進行了AGV路徑規(guī)劃的遺傳算法研究,根據(jù)運行環(huán)境信息復(fù)雜度和數(shù)量的不同分別分析了幾種不同類型的路徑規(guī)劃。
當(dāng)前國內(nèi)外學(xué)者在AGV的路徑規(guī)劃問題上取得了諸多成果,但是實際的工廠生產(chǎn)情況多變,機器所需的物料并不相同,因而AGV的運輸路徑也有差異。多類型物料的運輸與AGV路徑的優(yōu)化相結(jié)合的研究目前并不多見也不夠完善。
針對遺傳算法解決路徑規(guī)劃問題時只能完成單任務(wù)、實現(xiàn)單次運輸路徑規(guī)劃的不足,為提升規(guī)劃效率,擴大應(yīng)用面,本文在路徑規(guī)劃以前,加入對于物料的選擇情況,構(gòu)建路徑規(guī)劃數(shù)學(xué)模型,設(shè)計遺傳算法并進行數(shù)據(jù)仿真,一次得到AGV運輸多種物料的行駛路徑。仿真結(jié)果表明本文提出的基于遺傳算法的AGV路徑規(guī)劃方案對于解決此類運輸問題是有效的。
1 工廠AGV路徑規(guī)劃的模型
1.1 問題描述
某工廠的AGV運輸物料模型一般可以描述為:工廠的生產(chǎn)車間共有20臺工作機器,需要5種物料,當(dāng)AGV運輸不同物料時,途經(jīng)的機器坐標(biāo)和數(shù)量不同,行駛路徑有很多種。本文將研究如何運用遺傳算法高效直接的產(chǎn)生AGV運輸多種物料時的不同路徑優(yōu)化結(jié)果。鑒于AGV運輸物料的過程比較復(fù)雜,且為了便于本文的模型建立及研究,現(xiàn)做如下規(guī)定和假設(shè):
1)單臺AGV只可運輸一種物料;
2)AGV初始位置均在物料配送中心;
3)AGV行駛路徑是指從物料配送中心坐標(biāo)為起點,途經(jīng)所有需要此種類型物料的機器,最后回到起點;
4)單臺AGV的運輸量可以滿足全部機器所需的特定類型物料量。
1.2 模型的建立
為了使AGV完成物料配送任務(wù)的路徑最優(yōu),建立如下數(shù)學(xué)模型:
其中 min L 表示一種行駛路徑的最短路徑距離,D( i,i+1) 表示從第 i 臺工作機器到第 i+1 臺工作機器的距離。
2 遺傳算法的流程
本文采用遺傳算法進行路徑的優(yōu)化。算法的具體流程圖如下圖1所示:
3基于遺傳算法的AGV路徑優(yōu)化
本文采用遺傳算法進行工廠AGV路徑優(yōu)化的研究。
3.1 參數(shù)編碼
本文中,選擇采用直接反映AGV行駛路徑的整數(shù)編碼方法 [7] ,工廠車間共有20臺機器,機器序號為{1,2,3??20},則編碼位串為:1 2 3 4 5 6 7 8 9 10 1112 13 14 15 16 17 18 19 20,表示對機器采用升序方法訪問行駛路線。若編碼位串為:20 19 18 17 16 1514 13 12 11 10 9 8 7 6 5 4 3 2 1,則表示按降序方法訪問行駛路線。如下圖2所示,假設(shè)編碼位串為:1 3 57 9 10,則表示按照特定順序“1-3-5-7-9-10”依此訪問每個機器,每種行駛路徑就對應(yīng)一條染色體。
采用1-N的數(shù)字隨機排列的方式進行編碼,可以省去解碼環(huán)節(jié),提高了算法的運行效率,其中一條染色體就代表AGV在車間內(nèi)運輸物料的一種行駛路徑。
3.2 初始群體的設(shè)定
本文中考慮一般情況下,在編碼空間內(nèi)均勻采樣,對于 N 臺工作機器,隨機生成一定數(shù)目的個體(一般為機器數(shù)量的2倍,即2 N ),每個個體代表AGV運輸特定類型物料的路線。傳統(tǒng)的算法解決路徑規(guī)劃問題時,初始群體都是固定值,算法只產(chǎn)生適用一種情況的最優(yōu)路徑,本文在算法的前端加入了物料類型選擇的循環(huán)套。當(dāng)AGV運輸A、B、C、D、E這5種不同類型的物料時,初始群體的規(guī)模也不相同,具體數(shù)值如下表所示:
本文在Matlab中使用randperm(N)產(chǎn)生一個1*N的矩陣(N為工作機器數(shù)量)為一個隨機路徑。利用2N*N矩陣存儲2N個隨機群體作為初始群體。
3.3 適應(yīng)度函數(shù)的設(shè)計
適應(yīng)度函數(shù)的建立是遺傳算法收斂性和穩(wěn)定性的重要影響因素 [8] ,本文中, D(i,j) 代表機器i和機器 j 之間的距離為
每個染色體(即N臺機器的隨機排列)的總距離也可以計算出來,因為好的路徑是距離短的,因此選擇將每個隨機全排列的總距離的倒數(shù)作為適應(yīng)度函數(shù),即總距離越短,則適應(yīng)度越好,滿足要求。
3.4 遺傳操作的設(shè)計
遺傳操作是遺傳算法的精髓,標(biāo)準(zhǔn)遺傳算法的算子一般包括選擇、交叉和變異3種基本形式。
3.4.1 選擇操作
本文中采用適應(yīng)值比例選擇的方法,通常采用輪盤賭方式實現(xiàn)。
對于給定的規(guī)模為n的群體,
個體 aj ∈p的適應(yīng)值為f ( aj),其被選擇的概率為:
選擇過程體現(xiàn)了自然界生物進化過程中“適者生存”的思想,并且能夠確保適應(yīng)度強的優(yōu)良基因遺傳到下一代的個體。
3.4.2 交叉操作
本文中,假設(shè)隨機選擇兩個已經(jīng)被復(fù)制的個體分別為:A=3 5 7 4 9,B=4 6 2 8 5,確定交叉點,A=35|7 4 9,B=4 6|2 8 5,在對應(yīng)位置交換基因片段,同時保證每個個體依然是1-N的隨機排列,防止進入局部收斂,交叉過程后則產(chǎn)生=4 6 7 4 9,=3 5 2 8 5兩個新個體。
3.4.3 變異操作
本文中,在已經(jīng)被選擇的個體中,隨機選取1個個體,同時隨機選取個體的兩個基因進行交換,實現(xiàn)變異操作。假設(shè)隨機選取個體A=3 5 7 6 2 8 9 ,選取該個體上的“3”“7“兩個基因進行位置互換,可以得到新的個體=7 5 3 6 2 8 9。通過變異操作,可增加種群的多樣性,有效地防止了遺傳算法過早的收斂,出現(xiàn)“早熟”現(xiàn)象。
3.5 控制參數(shù)的設(shè)定以及循環(huán)終止條件
遺傳算法中關(guān)鍵的參數(shù)為:交叉概率、變異概率和迭代次數(shù)C。交叉概率控制著交叉算子的應(yīng)用頻率,變異操作是保持群體多樣性的最有效手段,迭代次數(shù)決定了遺傳操作的執(zhí)行次數(shù)。為了確保參數(shù)設(shè)置的有效性和合理性,做了如下實驗。
3.5.1 交叉概率
選擇將AGV運輸C類物料的路徑作為研究對象,遍歷機器數(shù)目為N=13,AGV行駛路徑個數(shù)也即群體規(guī)模為2N=26,迭代次數(shù)C為50次,設(shè)定變異概率,改變交叉概率的數(shù)值,每種情況實驗15次,求出不同數(shù)值下的平均路徑長度,發(fā)現(xiàn)當(dāng)交叉概率時,平均路徑長度最短。因此,本文中遺傳算法的交叉概率取值為0.6為宜。
3.5.2 變異概率
遍歷機器數(shù)目、AGV行駛路徑個數(shù)、迭代次數(shù)保持不變,設(shè)定交叉概率,改變交叉概率的數(shù)值,每種情況實驗15次,求出不同數(shù)值下的平均路徑長度。發(fā)現(xiàn)當(dāng)變異概率時,平均路徑長度最短。因此,本文中遺傳算法的變異概率取值為0.08為宜。
3.5.3 迭代次數(shù)
本文將AGV運輸不同類型的物料時算法迭代次數(shù)設(shè)為不同的值,當(dāng)遍歷機器數(shù)目為N時,迭代次數(shù)C為4N,從而提高了算法的運行效率。
3.5.4 循環(huán)終止條件
本文迭代終止條件連續(xù)4代最優(yōu)解不發(fā)生變化則迭代停止,輸出最優(yōu)解。
4 實驗仿真與結(jié)果分析
在Matlab2016環(huán)境下運用改進后的遺傳算法進行路徑的優(yōu)化,可以一次性得到AGV分別運輸車間要求的5種物料時的優(yōu)化路徑,仿真結(jié)果如下圖3所示:
如圖所示,本文提出的算法,可以直接給出AGV運輸5種物料時的路徑優(yōu)化結(jié)果,根據(jù)圖3的仿真圖形可以直觀看出,在給定AGV必須經(jīng)過的固定機器坐標(biāo)后,隨機產(chǎn)生的AGV行駛路徑比較復(fù)雜,并且路徑過長,浪費了時間成本,不能在個別機器缺料時盡快進行物料補給,間接地降低了車間機器的生產(chǎn)效率;而經(jīng)過遺傳算法優(yōu)化后的路徑較短,路線簡明,大大節(jié)約了運輸時間,能更加高效地為車間工作機器提供物料運輸服務(wù)。
5 結(jié)論
針對工廠AGV的行駛路徑問題,本文在路徑優(yōu)化操作前加入物料類型的選擇循環(huán)套,針對不同的群體規(guī)模設(shè)定相應(yīng)的迭代次數(shù),并通過實驗數(shù)據(jù)選擇優(yōu)化效果最佳的控制參數(shù),最后進行了數(shù)據(jù)的仿真驗證,證明了該算法的有效性。本文的研究成果擴大了遺傳算法解決類似路徑規(guī)劃問題的應(yīng)用面。對于工廠的實際生產(chǎn)情況來講,本文的研究成果可以提高車間的生產(chǎn)效率,進而提升工廠經(jīng)濟效益。
參考文獻
[1] KOO P H , JANG J , SUH J . Vehicle dispatching forhighly loaded semiconductor production consideringbottleneck machines first[J]. International Journal of FlexibleManufacturing Systems, 2005, 17(1):23-38.
[2]樊樹海, 陳金龍, 曹霞, 等. 順序矩陣擴展在流水車間布置中的應(yīng)用[J].工業(yè)工程與管理, 2008(6):51-53.
[3]徐翔,梁瑞仕,楊會志.基于改進遺傳算法的智能體路徑規(guī)劃仿真[J].計算機仿真,2014(6):357-361.
[4] JEON G , LEEP H R , SHIM J Y . A vehicle routing problemsolved by using a hybrid genetic algorithm[J]. Computers andIndustrial Engineering, 2007, 53(4):680-692.
[5] HO W . HO G T S , JI P , et al. A hybrid genetic algorithmfor the multi-depot vehicle routing problem[J]. EngineeringApplications of Artificial Intelligence, 2008, 21(4):548-557.
[6]李青欣.自動導(dǎo)引車路徑規(guī)劃遺傳算法研究[D]. 廣州:廣東工業(yè)大學(xué), 2011.
[7] BAKER B M , AYECHEW M A . A genetic algorithm for thevehicle routing problem[J]. Computers & Operations Research,2003, 30(5):787-800.
[8]王洲,張毅,楊銳敏.基于遺傳算法的移動機器人路徑規(guī)劃[J].微計算機信息, 2008, 24(26):187-189.
本文來源于科技期刊《電子產(chǎn)品世界》2020年第01期第48頁,歡迎您寫論文時引用,并注明出處。
評論