基于高适应度值遗传算法的AGV最优路径规划

0 引 言

在由自动导引运输车(Automated Guided Vehicle,AGV)[1]组成的搬运系统中,关于AGV的最优路径规划一直以来就是一个热门而且需要重点研究的问题。车辆路径问题属于组合优化问题的范畴,在算法上常常归结为NP完全问题,针对该问题,已经提出了很多种算法,如WangShuXi等[2]给出了基于改进Dijkstra算法寻求最优路径的方法;ChangQing等[3]在时变网络中使用改进的蚁群算法求解最短路径,大大提高了算法的收敛速度;ganzou等[4]在动态环境中提出了使用模拟退火算法寻找最短路径的策略;Brahmi hajer等[5]给出了基于递归神经网络算法的最优路径求解方法。此外还有Floyd算法[6]、A*算法[7]和遗传算法[8]。其中遗传算法因具有以全局并行搜索方式来搜索种群中的最优个体,获得满足特定要求的最优解而受到广大学者的关注。可是在传统遗传算法中,早熟问题是一个不可忽视的现象,它影响着使用遗传算法是否可以得到理想的最佳结果。

本文针对传统遗传算法在求解AGV最优路径问题上易陷入局部极值解,即出现“早熟收敛”现象,研究了一种基于适应度值的改进遗传算法,对遗传算法的选择算子和交叉算子进行优化改进。仿真结果表明,该改进策略很好解决了遗传算法早熟问题,有效提高了AGV路径规划系统算法的效率、柔性和鲁棒性。

1 AGV路径规划问题数学模型的建立

图1为在某AGV系统下描述的一个AGV调度系统的简要路网。其主要的工作流程是根据任务需要由上位机发送需求指令,AGV接收到任务指令后需要寻找一条最短的路径从起始节点A到达指定的目的地节点F,从而实现对货物高效率的装载和运输。

图1 AGV运行路网

图1 AGV运行路网

基于高适应度值遗传算法的AGV最优路径规划-AGV吧
基于高适应度值遗传算法的AGV最优路径规划
此内容为付费资源,请付费后查看
20积分
付费资源
© 版权声明
THE END
喜欢就支持一下吧
点赞12赞赏 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容