基于改進(jìn)蟻群算法的智慧物流調(diào)度規(guī)劃①

葉杭璐,何利力

(浙江理工大學(xué) 信息學(xué)院,杭州 310018)

目前,我國(guó)物流業(yè)發(fā)展的特點(diǎn)之一是智慧物流進(jìn)入創(chuàng)新爆發(fā)時(shí)期,“互聯(lián)網(wǎng)+智慧倉(cāng)儲(chǔ)”等創(chuàng)新模式迅速發(fā)展.人工智能技術(shù)已經(jīng)融入到了物流行業(yè)的生產(chǎn)倉(cāng)儲(chǔ)環(huán)境中,智慧倉(cāng)儲(chǔ)物流設(shè)備的使用大大節(jié)省了人力資源,充分發(fā)揮機(jī)器換人、貨物找人、可視管理的運(yùn)行理念,遵循依托物聯(lián)網(wǎng)與智能算法,進(jìn)行物流倉(cāng)儲(chǔ)的全流程自動(dòng)控制的核心思想,通過(guò)生產(chǎn)物流的信息化、快速、高效、可追溯性,實(shí)現(xiàn)真正智能化.智慧倉(cāng)儲(chǔ)物流通過(guò)依托物聯(lián)網(wǎng)與智能算法,進(jìn)行全流程自動(dòng)控制,實(shí)時(shí)、有效地管理物流,提供更具社會(huì)價(jià)值的物流效應(yīng)[1].中國(guó)作為生產(chǎn)大國(guó),智慧物流為大勢(shì)所趨.

智慧物流調(diào)度設(shè)計(jì)的關(guān)鍵是要滿(mǎn)足系統(tǒng)訂單貨物運(yùn)送的要求,滿(mǎn)足客戶(hù)、AGV 和云技術(shù)之間動(dòng)態(tài)協(xié)作的需求以及滿(mǎn)足物流倉(cāng)儲(chǔ)的實(shí)際操作需求.高效率和一致性是智慧物流調(diào)度系統(tǒng)的關(guān)鍵.在智慧倉(cāng)儲(chǔ)中,貨物被放在可以移動(dòng)的貨架上,用來(lái)進(jìn)行貨物運(yùn)送工作的自動(dòng)引導(dǎo)車(chē)(Automated Guided Vehicle,AGV)是一種先進(jìn)的自動(dòng)化物流設(shè)備,具有自動(dòng)化程度高,生產(chǎn)線靈活的特點(diǎn).當(dāng)接收到需要處理的命令時(shí),控制系統(tǒng)對(duì)AGV 發(fā)送指令,AGV 執(zhí)行具體的指令,完成物料貨架的搬運(yùn)工作,等貨架上的物品被取下后,然后再將貨架再送回至指定位置[2].

本文通過(guò)對(duì)概率轉(zhuǎn)換公式的改進(jìn)和更新信息素,提出一種改進(jìn)的蟻群算法,規(guī)劃AGV 的運(yùn)行路線.在規(guī)劃最佳路徑的同時(shí),需要考慮AGV 互相之間的碰撞或與貨架碰撞的情況.通過(guò)時(shí)間窗模型,為優(yōu)化路徑規(guī)劃的模型和算法提供了有效的方法.最后在基于理論的基礎(chǔ)上,結(jié)合倉(cāng)儲(chǔ)物流的實(shí)際運(yùn)行環(huán)境,建立柵格地圖,通過(guò)模擬仿真實(shí)驗(yàn),表明該算法可以快速、準(zhǔn)確地獲得最優(yōu)解.

1 建立AGV 的工作環(huán)境模型

在智慧倉(cāng)儲(chǔ)的制造車(chē)間內(nèi),從AGV 的起始移動(dòng)位置到指定貨物對(duì)應(yīng)的貨架位置,需要獲取一條優(yōu)化的路徑來(lái)引導(dǎo)AGV 的運(yùn)動(dòng)[3].首先根據(jù)AGV 的工作環(huán)境建立模型,通過(guò)模型的建立把車(chē)間內(nèi)AGV 的工作環(huán)境轉(zhuǎn)化為機(jī)器能夠識(shí)別的信息.在制造車(chē)間內(nèi),由于貨物數(shù)量龐大,貨架布局時(shí)會(huì)盡量工整、對(duì)稱(chēng),為AGV的行駛設(shè)計(jì)出便于通行的過(guò)道.因此在制造車(chē)間內(nèi),只考慮靜態(tài)障礙物的情況下,所有障礙物的數(shù)量及規(guī)模都是有限的且已知的[4].

1.1 柵格法

柵格法建立模型時(shí)將需要建模的空間環(huán)境視為一個(gè)平面,然后將平面分割成一個(gè)個(gè)柵格,存儲(chǔ)了環(huán)境信息.柵格類(lèi)型可分為兩種類(lèi)型：陰影部分表示障礙柵格(由1 表示),AGV 禁止通行的區(qū)域；白色部分表示自由柵格(由0 表示),AGV 可以通行的區(qū)域[5].AGV 只能在自由柵格中移動(dòng),單位柵格的大小必須完全包含AGV[6].為了避免碰撞,在規(guī)定障礙物柵格時(shí)應(yīng)該適當(dāng)?shù)念A(yù)留出一定的安全空間.本文使用柵格法[7]將制造車(chē)間劃分為由m×n個(gè)大小相同的柵格方塊組成的二維空間.

路徑規(guī)劃的目標(biāo)是尋找包含開(kāi)始網(wǎng)格、結(jié)束網(wǎng)格和有序網(wǎng)格子集的網(wǎng)格集,并在遇到障礙物網(wǎng)格時(shí)避開(kāi)它們[8].AGV 實(shí)時(shí)上報(bào)位置信息,在這些柵格化的環(huán)境中,將通過(guò)相應(yīng)的算法檢索路線,遍歷整個(gè)柵格地圖并記錄整個(gè)路線[9].本文柵格環(huán)境的編號(hào)是從左到右、由下往上的,如圖1所示,為模擬車(chē)間的10×10 的柵格圖模型.

圖1 環(huán)境柵格模型圖

按行駛方向,圖1中AGV1 在節(jié)點(diǎn)32,則它下一步到達(dá)的節(jié)點(diǎn)為33,AGV2 在節(jié)點(diǎn)55,則它下一步到達(dá)的節(jié)點(diǎn)為45.

1.2 時(shí)間窗模型

AGV 從進(jìn)入節(jié)點(diǎn)到離開(kāi)節(jié)點(diǎn)所形成的時(shí)間周期稱(chēng)為時(shí)間窗,每個(gè)時(shí)間窗口的時(shí)間段只能通過(guò)當(dāng)前AGV,其他AGV 不允許通過(guò)當(dāng)前AGV 停留時(shí)間窗內(nèi)的節(jié)點(diǎn)[10].在對(duì)多個(gè)AGV 進(jìn)行路徑規(guī)劃時(shí),為了避免出現(xiàn)沖突和死鎖現(xiàn)象,每個(gè)節(jié)點(diǎn)在任務(wù)開(kāi)始到任務(wù)結(jié)束期內(nèi),通過(guò)節(jié)點(diǎn)的AGV 小車(chē)將時(shí)間劃分為不同的預(yù)留時(shí)間段,每個(gè)節(jié)點(diǎn)預(yù)留時(shí)間段中間的空閑時(shí)間間隔可以用來(lái)規(guī)劃其他AGV 的行駛路徑,此時(shí)其他AGV 可以通過(guò)該節(jié)點(diǎn).

AGV 通過(guò)每個(gè)網(wǎng)格的時(shí)間可以通過(guò)各種傳感器收集,并且可以分為保留時(shí)間和空閑時(shí)間.如圖2引入變量：保留時(shí)間是在第n個(gè)節(jié)點(diǎn)占用的第k個(gè)時(shí)間窗；空閑時(shí)間是在第n個(gè)節(jié)點(diǎn)占用的第k個(gè)空閑時(shí)間窗[11].通過(guò)空閑時(shí)間窗口來(lái)計(jì)劃避障,根據(jù)圖1的兩個(gè)AGV的行駛方向,規(guī)劃路徑：AGV1 的路徑信息位節(jié)點(diǎn)32、33、34、35、36,最終到達(dá)目標(biāo)節(jié)點(diǎn)37,相應(yīng)節(jié)點(diǎn)的保留時(shí)間窗為AGV2 從起始節(jié)點(diǎn)55 出發(fā),經(jīng)過(guò)節(jié)點(diǎn)45、35、25,到達(dá)目標(biāo)節(jié)點(diǎn)15,相應(yīng)節(jié)點(diǎn)的保留時(shí)間窗為兩個(gè)AGV 的時(shí)間窗口模型的示意圖如圖2所示.

當(dāng)出現(xiàn)選擇路徑?jīng)_突時(shí),AGV 行進(jìn)的優(yōu)先級(jí)先后順序根據(jù)3 個(gè)方面來(lái)制定：(1)裝有行李架的AGV的優(yōu)先級(jí)高于未裝有行李架的；(2)任務(wù)完成設(shè)定的時(shí)間早的AGV 優(yōu)于任務(wù)完成時(shí)間遲的；(3)當(dāng)出現(xiàn)兩個(gè)AGV 朝同一目標(biāo)節(jié)點(diǎn)移動(dòng)的情況,后一個(gè)AGV 根據(jù)等待策略重新規(guī)劃[12].

圖2 時(shí)間窗模型圖

2 基于蟻群算法的路徑規(guī)劃

在智慧倉(cāng)儲(chǔ)物流中的路徑調(diào)度規(guī)劃需要解決3 方面問(wèn)題：(1)AGV 與障礙物碰撞問(wèn)題；(2)實(shí)現(xiàn)任務(wù)完成的時(shí)間最小化和貨物運(yùn)送效率最大化的目標(biāo)；(3)傳統(tǒng)的蟻群算法不能直接用于解決有障礙的最短路徑問(wèn)題.因此,應(yīng)改進(jìn)蟻群算法的實(shí)用性來(lái)解決障礙問(wèn)題,這也解決了理論上的困境問(wèn)題.

2.1 基本蟻群算法

蟻群算法是以類(lèi)比蟻群現(xiàn)實(shí)生活中尋找食物的行為為靈感.螞蟻在覓食的過(guò)程中隨機(jī)行走,并在沿途鋪設(shè)名為信息素的化學(xué)痕跡.信息網(wǎng)將信息發(fā)送給其他成員,其他螞蟻則很可能沿著鋪有信息素的路徑行走,而不是隨意走動(dòng).這一觀察結(jié)果啟發(fā)了意大利學(xué)者Dorigo 等人,提出了一種智能多主體系統(tǒng)的啟發(fā)式算法,魯棒性更強(qiáng),速度更快,分布式計(jì)算和良好的可擴(kuò)展性[13],并且具有實(shí)現(xiàn)全局最優(yōu)解的概率更高.

在蟻群算法中,螞蟻運(yùn)動(dòng)的過(guò)程可用圖3表示.蟻巢(起點(diǎn)) 和食物(終點(diǎn)) 之間往往有多條路徑,可用{e1}、{e2、e3}集合表示.在螞蟻覓食尋路的過(guò)程中,信息素殘留量會(huì)開(kāi)始蒸發(fā),因此減少對(duì)螞蟻的吸引力.路徑越長(zhǎng),信息素蒸發(fā)量越多.因此最短路徑上的信息素強(qiáng)度增加到與蒸發(fā)速率相平衡的水平,導(dǎo)致較短路徑上的信息素?cái)?shù)量比較長(zhǎng)路徑上的信息素增量更快.在自動(dòng)催化過(guò)程中通過(guò)信息素的積累,當(dāng)螞蟻面對(duì)交叉點(diǎn)時(shí),信息素量越大的路徑更易優(yōu)先被選擇.

完整的螞蟻的尋路過(guò)程包括兩部分：路徑選擇和信息素釋放.

圖3 螞蟻尋路模型圖

(t)表示在t時(shí)刻,螞蟻k位于柵格i時(shí),選擇下一柵格j的概率,表達(dá)式如式(1)所示：

其中,allowk表示螞蟻k當(dāng)前可以選擇到達(dá)的節(jié)點(diǎn)的集合；α表示信息啟發(fā)因子,用來(lái)表示螞蟻在行路過(guò)程中積累的信息量產(chǎn)生的作用大小[14],β表示期望啟發(fā)因子,值越大,表示啟發(fā)信息在螞蟻運(yùn)動(dòng)方向的選擇中越受重視[15],τij表示t周期時(shí)路段(i,j)上的聯(lián)系信息素,dij表示城市i與j之間的距離,ηij表示啟發(fā)函數(shù),ηij和dij的關(guān)系如式(2)所示：

螞蟻在每次覓食中信息素的量主要由兩個(gè)因素組成：蒸發(fā)的信息素和新添加的信息素.經(jīng)過(guò)一段時(shí)間n后,螞蟻完成一個(gè)周期,會(huì)更新并更改通過(guò)路徑上的信息素?cái)?shù)量,t+n時(shí)刻在路徑(i,j)上信息素更新規(guī)則為：

其中,ρ是信息素蒸發(fā)的速率,且取值范圍為ρ ∈(0,1),1?ρ為 信息素殘差因子,Δτij(t,t+n)是 在時(shí)間段(t,t+n)內(nèi)路徑(i,j)增 加的信息素的量,在循環(huán)開(kāi)始時(shí),Δτij(0)=c.(t,t+n)是由螞蟻k在(t,t+n)增加的信息素的量.

2.2 改進(jìn)蟻群算法

智慧物流制造車(chē)間的空間環(huán)境屬于靜態(tài)空間,改進(jìn)的蟻群算法通過(guò)環(huán)境地圖和目標(biāo)節(jié)點(diǎn)的位置信息,通過(guò)優(yōu)化概率轉(zhuǎn)移公式來(lái)改變運(yùn)動(dòng)方向和信息素更新兩個(gè)方面[16],選擇從起始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的最佳路徑.在改進(jìn)的算法中,提高算法全局尋優(yōu)能力和收斂性[17].

2.2.1 優(yōu)化概率轉(zhuǎn)移規(guī)則

蟻群算法在禁忌表的限制下,前期迭代的過(guò)程中會(huì)產(chǎn)生大量交叉路徑,導(dǎo)致螞蟻行進(jìn)的過(guò)程中容易進(jìn)入一個(gè)凹形的障礙物區(qū)域,出現(xiàn)無(wú)路可走的“死鎖”狀態(tài)時(shí),就成為路徑死鎖[18].螞蟻進(jìn)入死角時(shí),死鎖狀態(tài)的位置如圖4所示.

圖4 死角示意圖

圖4中,螞蟻運(yùn)動(dòng)到13 節(jié)點(diǎn)時(shí),進(jìn)入死角,成為死鎖狀態(tài).在路徑搜索過(guò)程中進(jìn)入死角,則死角的位置會(huì)被列在禁忌表中,螞蟻會(huì)返回到前一個(gè)位置,然后搜索下一個(gè)位置.本文通過(guò)建立死角表并引入懲罰函數(shù)[19]來(lái)解決這個(gè)問(wèn)題.當(dāng)螞蟻遇到死角時(shí),使用懲罰函數(shù)而不是更新規(guī)則,懲罰函數(shù)為：

懲罰函數(shù)使死角的周?chē)吘壭畔⑺販p少,指引螞蟻在下一個(gè)迭代搜索的過(guò)程中忽略那些邊緣,解決了死鎖問(wèn)題,加快找到運(yùn)動(dòng)方向路徑.

2.2.2 信息素更新優(yōu)化

S為起點(diǎn),E為終點(diǎn),n是從S到E(包括S和E)所經(jīng)過(guò)的路徑上的網(wǎng)格數(shù)[20],m為轉(zhuǎn)彎處網(wǎng)格數(shù),AGV的速度保持恒定且轉(zhuǎn)向模式是繞自己的中心旋轉(zhuǎn),則用vs表示角速度.網(wǎng)格的單位長(zhǎng)度用ln.基本蟻群算法的路徑成本函數(shù)為：

改進(jìn)的路徑成本函數(shù)為：

因此,Δτij(t,t+n)可以表示為：

Q表示信息素總量,能在螞蟻運(yùn)動(dòng)的過(guò)程中影響算法速度.Lk表示在此次任務(wù)中,螞蟻k所經(jīng)過(guò)的路徑長(zhǎng)度.

2.2.3 算法步驟

本算法選用蟻群算法對(duì)智慧倉(cāng)儲(chǔ)物流的車(chē)間的地圖模型進(jìn)行優(yōu)化,設(shè)AGV 的出發(fā)點(diǎn)為S,目標(biāo)貨架為E處,算法的目的目的是繞開(kāi)所有障礙物,尋找一條從S到E的最短路徑,引導(dǎo)AGV 小車(chē)運(yùn)作.基于改進(jìn)蟻群算法的路徑規(guī)劃的算法實(shí)現(xiàn)步驟如算法1.

算法1.基于改進(jìn)蟻群算法的路徑規(guī)劃算法1)初始化參數(shù).首先讀取柵格地圖的信息,設(shè)置AGV 個(gè)數(shù)m,最大迭代次數(shù)K,信息素強(qiáng)度Q 以及、、,初始化常數(shù).將螞蟻放在起始位置S 處,同時(shí)將此網(wǎng)格位置設(shè)置為禁忌表 的第一個(gè)元素,此時(shí)各邊上的信息素相等,則；2)當(dāng)螞蟻k 選擇了下一個(gè)網(wǎng)格時(shí),如果不是目標(biāo)網(wǎng)格,則螞蟻根據(jù)式(1)選擇概率最高的下一個(gè)空閑網(wǎng)絡(luò)；如果是目標(biāo)網(wǎng)格,則該螞蟻將在循環(huán)中完成了此次無(wú)碰撞路徑的任務(wù).3)根據(jù)式(4)和式(8)更新路由,由式(7)計(jì)算在路線上消耗的最佳時(shí)間.4)重復(fù)執(zhí)行2)、3),直到螞蟻到達(dá)終點(diǎn)或者無(wú)處可去,迭代結(jié)束.5)根據(jù)式(3)更新信息素矩陣,并且不考慮到達(dá)目的地的螞蟻,直到迭代結(jié)束.α β ρ Δτij(0)=c tabuk Δτij(0)=0

通過(guò)改進(jìn)的蟻群算法,結(jié)合時(shí)間窗網(wǎng)格法,多AGV的避障規(guī)劃算法步驟如算法2.

算法2.多AGV 的避障規(guī)劃算法1)根據(jù)優(yōu)先級(jí)對(duì)所有AGV 進(jìn)行排序,對(duì)優(yōu)先級(jí)最高的AGV 進(jìn)行最優(yōu)路徑搜索,得了該AGV 所經(jīng)過(guò)的所有網(wǎng)格都占據(jù)的時(shí)間窗,然后初始化時(shí)間窗.2)安排下一個(gè)優(yōu)先級(jí)高的任務(wù),并搜索下一個(gè)AGV 的最佳路徑,同時(shí)獲得該AGV 通過(guò)的網(wǎng)格的時(shí)間窗口,并更新所有網(wǎng)格的時(shí)間窗口.將網(wǎng)格進(jìn)行比較,以確定是否發(fā)生時(shí)間窗口沖突.3)如果2)中存在沖突,則根據(jù)優(yōu)先級(jí)規(guī)則采用等待策略,將在表(k=1,2,…,m)中放置沖突節(jié)點(diǎn),然后再次搜索路線.如果2)中沒(méi)有沖突,則規(guī)劃結(jié)束.tabuk

基于改進(jìn)蟻群算法的多AGV 的避障路徑規(guī)劃算法步驟流程圖如圖5所示.

3 實(shí)驗(yàn)分析

3.1 路徑優(yōu)化仿真實(shí)驗(yàn)

已知某工廠生產(chǎn)車(chē)間的貨物暫存區(qū)的平面設(shè)計(jì)圖如圖6所示.

本文通過(guò)Matlab 仿真實(shí)驗(yàn)驗(yàn)證算法,首先利用柵格法建立25×25 仿真環(huán)境模型,從左到右、從下到上對(duì)該環(huán)境進(jìn)行編號(hào),螞蟻數(shù)量m、信息啟發(fā)因子 α、期望啟發(fā)式值 β、信息素的蒸發(fā)系數(shù) ρ、信息素強(qiáng)度Q、最大迭代次數(shù)K的參數(shù)設(shè)置如表1所示.

AGV 車(chē)從起始節(jié)點(diǎn)25,到達(dá)目標(biāo)節(jié)點(diǎn)510.仿真結(jié)果如圖7、圖8所示.

圖5 多AGV 路徑規(guī)劃算法流程圖

圖6 某生產(chǎn)車(chē)間平面布置圖

表1 仿真實(shí)驗(yàn)系數(shù)設(shè)置表

圖7 基本蟻群算法路徑規(guī)劃圖

圖8 基本蟻群算法收斂曲線

采用改進(jìn)的蟻群算法對(duì)路徑優(yōu)化進(jìn)行仿真,仿真結(jié)果如圖9.

圖9 基于改進(jìn)蟻群算法路徑規(guī)劃圖

根據(jù)實(shí)驗(yàn)結(jié)果結(jié)果表明,由圖8基本蟻群算法收斂曲線可得經(jīng)過(guò)73 次迭代后,達(dá)到最短路徑40,而根據(jù)圖10可得改進(jìn)蟻群算法可以經(jīng)過(guò)60 次迭代后,達(dá)到最優(yōu)路徑長(zhǎng)度為38.因此改進(jìn)的蟻群算法具有更好的性能,能加快收斂速度,更快地找到最優(yōu)路徑.

3.2 多個(gè)AGV 避障規(guī)劃仿真實(shí)驗(yàn)

避障路徑規(guī)劃的仿真實(shí)驗(yàn)設(shè)計(jì)了3 個(gè)AGV,設(shè)置優(yōu)先順序?yàn)锳GV1＞AGV2＞AGV3,各AGV 的起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)位置參數(shù)如表2所示.

根據(jù)算法2 中步驟1)規(guī)劃AGV1 和AGV2 的行駛路徑,分別從S1 和S2 出發(fā),沖突未解決時(shí),仿真結(jié)果如圖11所示.

根據(jù)柵格地圖和時(shí)間窗,在節(jié)點(diǎn)94 時(shí)存在沖突,則AGV2 將采用等待策略,它將在節(jié)點(diǎn)上等待1 s,以便AGV1 能夠提前通過(guò)沖突,路徑規(guī)劃后的仿真結(jié)果如圖12所示.

圖10 基于改進(jìn)蟻群算法收斂曲線

表2 多AGV 節(jié)點(diǎn)位置

圖11 存在沖突的AGV 行駛路線

圖12 沖突解決后的AGV 行駛路線

通過(guò)時(shí)間窗再次檢測(cè)沖突,由于沒(méi)有沖突,所以執(zhí)行第二步,根據(jù)AGV1 和AGV2 的路徑規(guī)劃,更新所有節(jié)點(diǎn)的時(shí)間窗,并搜索AGV3 的最短路徑.當(dāng)沖突未解決時(shí),仿真結(jié)果如圖13所示.

圖13 存在沖突的多AGV 行駛路線

根據(jù)時(shí)間窗模型,當(dāng)AGV3 到達(dá)節(jié)點(diǎn)238 之后,與AGV1 之間存在沖突,因此再次搜索AGV3 的最短路徑,并將節(jié)點(diǎn)238 放置在AGV3 的tabuk表中,最后進(jìn)行路徑規(guī)劃.仿真結(jié)果如圖14所示.

圖14 沖突解決后的多AGV 行駛路線

通過(guò)對(duì)仿真結(jié)果的分析,將改進(jìn)的蟻群算法與時(shí)間窗模型相結(jié)合,得到了較為理想的結(jié)果.

將本方法應(yīng)用于某大型制造企業(yè)的生產(chǎn)物流系統(tǒng)設(shè)計(jì)中,在Flexsim 平臺(tái)對(duì)該系統(tǒng)的入庫(kù)環(huán)節(jié)進(jìn)行物流仿真實(shí)驗(yàn),AGV 的數(shù)量為12,各AGV 的利用率如圖15所示.

本方法應(yīng)用于實(shí)際系統(tǒng)中,在多AGV 的路徑規(guī)劃中,能夠合理規(guī)劃各AGV 的行駛路線,進(jìn)而提高系統(tǒng)整體運(yùn)輸任務(wù)的效率,保證系統(tǒng)順利運(yùn)行.

圖15 入庫(kù)環(huán)節(jié)各AGV 的利用率

4 結(jié)論與展望

在智慧物流制造車(chē)間的環(huán)境下,通過(guò)改進(jìn)的蟻群算法結(jié)合帶有時(shí)間窗的網(wǎng)格法根據(jù)環(huán)境的變化不斷調(diào)整AGV 的行駛軌跡.本文以制造車(chē)間實(shí)際環(huán)境為模型,建立仿真實(shí)驗(yàn),對(duì)單個(gè)AGV 和多個(gè)AGV 避障規(guī)劃情況進(jìn)行分析,驗(yàn)證了該算法能有效避免在設(shè)備的碰撞問(wèn)題.本設(shè)計(jì)已經(jīng)應(yīng)用于某大型制造企業(yè)的生產(chǎn)物流的設(shè)計(jì)過(guò)程中,不久將全面投入使用.

隨著人工智能的迅猛發(fā)展,發(fā)展智能制造,智慧倉(cāng)儲(chǔ)物流已是整個(gè)制造業(yè)必然的發(fā)展趨勢(shì).以智慧物流為核心的科學(xué)管理的、信息豐富的、決策智能的物流運(yùn)營(yíng)模式會(huì)成為人類(lèi)社會(huì)不斷追求的生產(chǎn)生活方式.