基于高适应度值遗传算法的AGV最优路径规划

  • 基于高适应度值遗传算法的AGV最优路径规划已关闭评论
  • 87 views
  • A+
所属分类:AGV设计资料
摘要

提出一种基于高适应度值遗传算法的控制策略来规划AGV路径。为使遗传算法运算结果收敛并尽量避免算法出现早熟现象,对遗传算法的选择算子和交叉算子在基于适应度值的基础上进行优化改进,选择阶段让适应度值大的个体获得更多的机会遗传到下一代,体现遗传算法优胜劣汰的原则。交叉阶段通过多次不同交叉点位的随机交叉来维持种群的多样性。使用MATLAB软件对算法进行仿真,仿真结果表明,该调度策略是合理且高效的,增加了AGV调度系统的柔性和鲁棒性,提高了遗传算法找到全局最优解的概率。

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。

基于高适应度值遗传算法的AGV最优路径规划

图1 AGV运行路网


抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。