2.3 基于基因表达规划算法的多AGV调度

原创文章，禁止转载、抄袭或用于报告、交流等学术或商业用途

全文（其它章节内容）

https://blog.csdn.net/qq_38757869/article/details/106885769

2.3 基于基因表达规划算法的多AGV调度
为了满足复杂的物料搬运需求，自动导引车（AGV）被广泛用于智能仓储系统和智能生产物流系统，其可以自主路径规划与避障，极大地提高了物料搬运的灵活性和准确性。根据AGV的承载能力，可以分为单负载、多负载、协作AGV三种。单负载由于具有较好的搬运柔性，且管理相对简单，在实际生产应用中更为常见，本节介绍常见的生产物流系统多AGV调度问题。
2.3.1 问题描述
如下图所示，为某脉动式飞机装配线的生产现场，包括6个装配机位和7个物料以及装配所需设备的仓库，其中W1-W4为物料仓库，W5-W7为装配工具仓库。在装配过程中，装配工具首先需要按照生产计划被搬运至生产现场，在使用完成后需要返回至仓库。物料配送任务动态抵达生产车间，需要为每个任务分配对应的AGV执行任务。

在此研究问题中，做出不失一般性的假设：
 所有AGV都是相同的；
 两点间的运输时间已知且确定；
 每个AGV每次当且仅当最多搬运一件物料/工具；
 所有的AGV可以在任何位置等待下一任务；
 不考虑AGV失效、路径规划问题；

2.3.2 数学模型
基于上述的问题描述和假设，AGV调度问题表述如下。
符号定义：
I 运输任务索引
j AGV索引
n任务数量
T 任务集合
A AGV集合
psi 任务Ti的起始点
pfi 任务Ti的终点
esti 任务Ti的释放时间
esaj AGV的最早开始时间
dtui 任务Ti的开始时间上限
dtli 任务Ti的开始时间下限
paj AGV 的最终位置
ttkk’ 从k到k’的运输时间
Xij 如果任务Ti被Aj执行，Xij=1，否则Xij=0

因此，本问题的目标函数为最小化物料搬运任务的延迟时间。

约束如下：

约束（2）表示每个任务当且仅当被分配给一个AGV。约束（3）表示任务的完成时间。

2.3.3 算法设计
针对此动态AGV调度问题，提出一种基于混合遗传规划的AGV动态调度方法。基因表达编程（Gene expression programming， GEP）是一种重要的进化计算方法，它利用自然选择来探索更好的个体。 它通常用于学习历史数据的知识，从而为所有这些实例生成一般规则。 在本文中，开发了一种改进的 GEP，如图 2 所示，包括四个主要步骤。 首先，初始种群是随机生成的。 然后，计算个体的适应度，用于选择好的个体。 最后，执行交叉、变异、邻居搜索和随机初始化以生成新个体。 GEP的参数如表1所示。

本文采用基于决策树的 GEP，根据 AGV 的相关属性和运输任务计算 SAGV 的优先级，然后选择优先级最小的 AGV 执行任务。 GAVs和运输任务的属性如表2所示。决策树如图3所示。

在本文中，优先选择用于从种群中选择较好的个体。 然后，根据这些好的个体生成新的个体，包括交叉、变异、邻域搜索和随机初始化。 单点交叉和变异用于探索新个体并避免局部最优。 为了提高 GEP 的收敛速度，如图 4 所示，使用邻域搜索来探索选择后的好个体附近的新个体，其中好的函数和属性由选择的个体确定。 此外，产生一些随机个体以增加每一代种群的多样性。 通过交叉和变异、邻域搜索和随机初始化生成的个体数量分别为 20,160 和 20。

2.3.4 实例验证
对某脉动式飞机装配线的物料配送任务进行优化，来验证本文踢出算法的有效性。
表3为装配站之间的运输时间，表4为装配站和仓库间的运输时间，表5为仓库间的运输任务，表6为运输任务。




其学习得到的3个最优调度规则如下所示，调度规则选择的五个属性出现在这三个规则中，说明了这五个参数的重要性。

可得到调度结果如下甘特图所示。（引自自己的论文，非本文的调度结果）

2.4 小结
本章内容起到抛砖引玉的作业，使得读者对调度这个概念有一个初步的了解。由于很多调度问题都相对复杂，基于规则的方法难以使用，因此本章内容相对简短，仅介绍了最为经典的一些规则。除此之外的单机调度规则还有STT、MWKR、SCR、LWKR、MOPNR和随机规则等，有兴趣的读者可以自行查阅生产计划与控制相关的数据进行学习。