党宏社，孙心妍（陕西科技大学电气与操控工程学院，陕西 西安 710021）
摘 要：针对工厂AGV行进途径杂乱、运用局限性等问题，以AGV配送物料行进途径最短为方针，选用遗传算法进行AGV途径规划，并参加物料类型挑选的循环套，经过屡次试验确认最合理的操控参数，然后发生AGV运送多种类型物料的最优途径作用。运用Matlab软件对算法进行仿真，作用表明：该算法是有用的，能够直接完结AGV在运送多种类型物料时所发生的不同种途径的优化。
要害词：主动扶引车；途径规划；遗传算法
０ 导言
跟着社会出产技术的开展和主动化程度的进步，许多工厂为了进步运送作业功率，引入了主动扶引小车AGV（Automatic Guided Vehicle）进行物流运送。据相关材料计算，在制造业中缺乏 5% 的时刻用于加工安装，而超越 95% 的时刻用于物流配送，因而物料的及时精确供给直接关系到出产线的流畅性 [1-2] 。节省车间出产本钱，削减物料运送时刻，进步单台AGV转移功率，一直以来AGV的途径规划问题，即寻觅AGV的最优途径是工厂所重视的焦点。
现在国内外许多学者都关于AGV的途径规划问题做了相应的研讨。遗传算法是仿照自然界生物进化机制开展起来的随机大局查找优化办法，具有算法功率高、鲁棒性强、可完结并行查找等特色 [3] ，被广泛用于处理途径规划等范畴的问题。G.Jeon [4] 和William [5] 等人用混合遗传算法求解车辆途径规划问题；李青欣 [6] 进行了AGV途径规划的遗传算法研讨，依据运转环境信息杂乱度和数量的不同别离剖析了几种不同类型的途径规划。
当时国内外学者在AGV的途径规划问题上取得了许多作用，可是实践的工厂出产状况多变，机器所需的物料并不相同，因而AGV的运送途径也有差异。多类型物料的运送与AGV途径的优化相结合的研讨现在并不多见也不行完善。
针对遗传算法处理途径规划问题时只能完结单使命、完结单次运送途径规划的缺乏，为进步规划功率，扩展运用面，本文在途径规划曾经，参加关于物料的挑选状况，构建途径规划数学模型，规划遗传算法并进行数据仿真，一次得到AGV运送多种物料的行进途径。仿真作用表明本文提出的依据遗传算法的AGV途径规划计划关于处理此类运送问题是有用的。
1 工厂AGV途径规划的模型
1.1 问题描绘
某工厂的AGV运送物料模型一般能够描绘为：工厂的出产车间共有20台作业机器，需求5种物料，当AGV运送不同物料时，途经的机器坐标和数量不同，行进途径有许多种。本文将研讨怎么运用遗传算法高效直接的发生AGV运送多种物料时的不同途径优化作用。鉴于AGV运送物料的进程比较杂乱，且为了便于本文的模型树立及研讨，现做如下规则和假定：
1）单台AGV只可运送一种物料；
2）AGV初始方位均在物料配送中心；
3）AGV行进途径是指从物料配送中心坐标为起点，途经一切需求此种类型物料的机器，最终回到起点；
4）单台AGV的运送量能够满意悉数机器所需的特定类型物料量。
1.2 模型的树立
为了使AGV完结物料配送使命的途径最优，树立如下数学模型：
其间 min L 表明一种行进途径的最短途径间隔，D( i,i+1) 表明从第 i 台作业机器到第 i+1 台作业机器的间隔。
2 遗传算法的流程
本文选用遗传算法进行途径的优化。算法的详细流程图如下图1所示：
3依据遗传算法的AGV途径优化
本文选用遗传算法进行工厂AGV途径优化的研讨。
3.1 参数编码
本文中，挑选选用直接反映AGV行进途径的整数编码办法 [7] ，工厂车间共有20台机器，机器序号为{1，2，3⋯⋯20}，则编码位串为：1 2 3 4 5 6 7 8 9 10 1112 13 14 15 16 17 18 19 20，表明对机器选用升序办法拜访行进道路。若编码位串为：20 19 18 17 16 1514 13 12 11 10 9 8 7 6 5 4 3 2 1，则表明按降序办法拜访行进道路。如下图2所示，假定编码位串为：1 3 57 9 10，则表明依照特定次序“1-3-5-7-9-10”依此拜访每个机器，每种行进途径就对应一条染色体。
选用1-N的数字随机摆放的办法进行编码，能够省去解码环节，进步了算法的运转功率，其间一条染色体就代表AGV在车间内运送物料的一种行进途径。
3.2 初始集体的设定
本文中考虑一般状况下，在编码空间内均匀采样，关于 N 台作业机器，随机生成一定数意图单个（一般为机器数量的2倍，即2 N ），每个单个代表AGV运送特定类型物料的道路。传统的算法处理途径规划问题时，初始集体都是固定值，算法只发生适用一种状况的最优途径，本文在算法的前端参加了物料类型挑选的循环套。当AGV运送A、B、C、D、E这５种不同类型的物料时，初始集体的规划也不相同，详细数值如下表所示：
本文在Matlab中运用randperm(N)发生一个1*N的矩阵（N为作业机器数量）为一个随机途径。使用2N*N矩阵存储2N个随机集体作为初始集体。
3.3 习惯度函数的规划
习惯度函数的树立是遗传算法收敛性和稳定性的重要影响要素 [8] ，本文中， D(i,j) 代表机器i和机器 j 之间的间隔为
每个染色体（即N台机器的随机摆放）的总间隔也能够计算出来，由于好的途径是间隔短的，因而挑选将每个随机全摆放的总间隔的倒数作为习惯度函数，即总间隔越短，则习惯度越好，满意要求。
3.4 遗传操作的规划
遗传操作是遗传算法的精华，规范遗传算法的算子一般包含挑选、穿插和变异3种基本形式。
3.4.1 挑选操作
本文中选用习惯值份额挑选的办法，一般选用轮盘赌办法完结。
关于给定的规划为n的集体，
单个 aj ∈p的习惯值为f ( aj)，其被挑选的概率为：
挑选进程表现了自然界生物进化进程中“适者生存”的思维，而且能够保证习惯度强的优秀基因遗传到下一代的单个。
3.4.2 穿插操作
本文中，假定随机挑选两个现已被仿制的单个别离为：A=3 5 7 4 9，B=4 6 2 8 5，确认穿插点，A=35｜7 4 9，B=4 6｜2 8 5，在对应方位交流基因片段，一起保证每个单个依然是1-N的随机摆放，避免进入局部收敛，穿插进程后则发生=4 6 7 4 9，=3 5 2 8 5两个新单个。
3.4.3 变异操作
本文中，在现已被挑选的单个中，随机选取1个单个，一起随机选取单个的两个基因进行交流，完结变异操作。假定随机选取单个A=3 5 7 6 2 8 9 ，选取该单个上的“3”“7“两个基因进行方位交换，能够得到新的单个=7 5 3 6 2 8 9。经过变异操作，可增加种群的多样性，有用地避免了遗传算法过早的收敛，呈现“早熟”现象。
3.5 操控参数的设定以及循环中止条件
遗传算法中要害的参数为：穿插概率、变异概率和迭代次数C。穿插概率操控着穿插算子的运用频率，变异操作是坚持集体多样性的最有用手法，迭代次数决议了遗传操作的履行次数。为了保证参数设置的有用性和合理性，做了如下试验。
3.5.1 穿插概率
挑选将AGV运送C类物料的途径作为研讨目标，遍历机器数目为N=13，AGV行进途径个数也即集体规划为2N=26，迭代次数C为50次，设定变异概率，改动穿插概率的数值，每种状况试验15次，求出不同数值下的均匀途径长度，发现当穿插概率时，均匀途径长度最短。因而，本文中遗传算法的穿插概率取值为0.6为宜。
3.5.2 变异概率
遍历机器数目、AGV行进途径个数、迭代次数坚持不变，设定穿插概率，改动穿插概率的数值，每种状况试验15次，求出不同数值下的均匀途径长度。发现当变异概率时，均匀途径长度最短。因而，本文中遗传算法的变异概率取值为0.08为宜。
3.5.3 迭代次数
本文将AGV运送不同类型的物料时算法迭代次数设为不同的值，当遍历机器数目为N时，迭代次数C为4N，然后进步了算法的运转功率。
3.5.4 循环中止条件
本文迭代中止条件接连4代最优解不发生改变则迭代中止，输出最优解。
４ 试验仿真与作用剖析
在Matlab2016环境下运用改善后的遗传算法进行途径的优化，能够一次性得到AGV别离运送车间要求的5种物料时的优化途径，仿真作用如下图3所示：
如图所示，本文提出的算法，能够直接给出AGV运送５种物料时的途径优化作用，依据图3的仿真图形能够直观看出，在给定AGV有必要经过的固定机器坐标后，随机发生的AGV行进途径比较杂乱，而且途径过长，浪费了时刻本钱，不能在单个机器缺料时赶快进行物料补给，间接地降低了车间机器的出产功率；而经过遗传算法优化后的途径较短，道路简明，大大节省了运送时刻，能愈加高效地为车间作业机器供给物料运送服务。
５ 定论
针对工厂AGV的行进途径问题，本文在途径优化操作前参加物料类型的挑选循环套，针对不同的集体规划设定相应的迭代次数，并经过试验数据挑选优化作用最佳的操控参数，最终进行了数据的仿真验证，证明了该算法的有用性。本文的研讨作用扩展了遗传算法处理相似途径规划问题的运用面。关于工厂的实践出产状况来讲，本文的研讨作用能够进步车间的出产功率，从而进步工厂经济效益。
参考文献
[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]樊树海, 陈金龙, 曹霞, 等. 次序矩阵扩展在流水车间安置中的运用[J].工业工程与办理, 2008(6):51-53.
[3]徐翔,梁瑞仕,杨会志.依据改善遗传算法的智能体途径规划仿真[J].计算机仿真,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.主动扶引车途径规划遗传算法研讨[D]. 广州:广东工业大学, 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,张毅,杨锐敏.依据遗传算法的移动机器人途径规划[J].微计算机信息, 2008, 24(26):187-189.
本文来源于科技期刊《电子产品世界》2020年第01期第48页，欢迎您写论文时引证，并注明出处。
