基于优化的模糊决策算法在多AGV调度问题中的应用

为解决多AGV在复杂系统中的任务调度问题,以提高生产效率缩短任务周期为目标建立地面轨迹模型和AGV搬运耗时模型。采用优化的模糊决策算法通过最小化每台AGV的搬运耗时来最小化搬运作业的总耗时。在算法设计过程中,采用分布式控制思想,将AGV离目标点的距离,AGV的当前载重和AGV的当前电量作为因素集,将AGV执行此次搬运任务的合适度作为评价集,建立AGV模糊评价模型;通过该模型得出各台AGV对任务适合度的评价向量进而寻找一种映射将评价向量转化为值,调度问题被转化为最优化问题,其中采用切割补偿优化综合模型的因素权重选择,采用分模式链式比较减少AGV的计算量。通过多次仿真实验,可以验证本文算法在缩短任务的执行周期上具有一定的可行性与有效性,并且在解决复杂系统AGV状态多变的调度问题下展现了一定的鲁棒性和拓展性。     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

无缓存流水线生产系统中AGV调度问题的研究

针对无缓存流水线生产系统中的AGV(automated guided vehicle)调度问题提出了复合评分的启发式调度算法,降低了系统中AGV执行任务的间隔等候时间.首先,通过建立数学模型,对目前主流的AGV规模估计方法做出了改进.其次,提出了一种新的基于复合评分禁忌搜索的AGV前瞻调度算法.不同于目前主流的以空驶距离为优化目标的调度算法,该算法能够以最小化工件延误时间、最小化AGV空驶距离等多目标来统筹调度AGV.最后,为验证所提算法的有效性,从多个角度与已有算法进行了实验对比.仿真实验结果表明,相较于其他算法,提出的前瞻调度算法能够更有效地解决无缓存流水线生产系统这一新场景的AGV调度问题.实车实验也证明了该算法在实际生产中的有效性.     

基于通用变邻域搜索的多AGV分拣调度优化

为了解决物流仓储分拣中心多台AGV处理大量包裹调度优化困难的问题,在考虑分拣作业时间窗和充电需求的基础上,研究了大规模AGV调度问题。以最小化分拣作业周期为目标,提出了一种通用变邻域搜索(general variable neighborhood search, GVNS)算法,为各台AGV指定转运任务和作业排序,采用遍历插入启发式策略生成满足时间窗约束的初始解,设计了10种邻域算子对初始解迭代寻优,并对比不同规模算例的算法性能,分析AGV充电速率和数量配置对分拣效率的影响。结果表明,GVNS算法具有计算时间和求解性能方面的优势,能在较短时间内求得近似最优解,平均计算时间仅为532.78 s,明显优于混合整数规划模型和约束规划模型;当包裹数为100时,最合适的AGV配置为14辆。因此,GVNS可以有效解决分拣中心考虑充电需求和硬时间窗的大规模多AGV调度问题,提高物流分拣效率,帮助企业找到科学、合理的AGV配置方案。     

混流柔性加工单元自动导引小车的调度优化

多品种混流柔性加工单元中的自动导引运输车(AGV)数量和运行路径直接影响单元的运行效率.在考虑产品加工工时、批量需求、设备物理位置等约束下,以最小化搬运任务时间为优化目标,基于改进Memetic算法,通过编码和搜索机制的调整,对不同AGV数量以及不同设备加工任务分配方案条件下的调度策略进行协同优化求解,有效避免了迭代过程中易出现非法解的状况,从而获得了AGV最优调度路径.最后通过实例验证了该方法的可行性和有效性.     

基于析取图考虑物料搬运的Job Shop调度算法

为有效解决考虑物料搬运设备的Job Shop调度问题,建立了非线性规划模型及改进析取图模型.在此基础上,以最小化最大完工时间makespan为调度目标,构造了两阶段结构式启发式调度算法.第一阶段,将析取图分解为机床调度析取子图和搬运设备调度析取子图,提出一个双层递进启发式算法.上层利用分支思想求解机床调度析取子图,根据上层结果,求解搬运设备调度析取子图.在第一阶段解的基础上,第二阶段构造了基于块理论的调度优化启发式算法.最后对算法进行了仿真分析,结果表明所提出的算法是有效、可行的.     

AGV系统的调度优化模型

传统AGV调度问题考虑单机或单请求的情形,分析了柔性制造系统(FMS)中 AGV 的作业特征,从一般的多机多请求情形出发,以最小化车辆总数、最大化平均满意度、最小化总运行距离为目标,以优先紧急请求、一般请求先进先出(FIFO)为基本原则,提出了多台 AGV 处理多项请求的数学模型,并给出一种解决它的混合遗传算法,确定了请求与 AGV 的一一对应.     

遗传算法在柔性动态调度中的应用

采用一种实用的柔性制造系统（FMS）在线动态调度方案 ,以对车间生产环境的变化作出及时反应,建立了零件的可变工艺路径、包含AGV的FMS调度问题的模型,采用遗传算法（GA）以任意始点的任务集为背景同时调度机器和自动引导小车（AGV）。研究由若干台加工中心（WS）和AGV组成的FMS的调度问题,论述了综合事件机制及时间机制优点的动态调度机制,通过被修订的工序集与所有剩余工序形成交集,来识别需要被修订的工序集。这种重调度方式减少了人为的干预,允许按环境改变而对方案作出修订,因此可以在实时条件下工作。     

车间多载自动导引车绿色物流调度

随着现代制造业的飞速发展,企业在生产效率和生产能耗方面有越来越高的要求,智能生产车间的自动化程度逐渐提高。主要研究作业车间自动导引车(automated guided vehicle,AGV)的智能绿色物流调度问题。首先,建立以降低AGV能耗和最优AGV路径为目标的AGV物流调度优化模型;然后,提出一种以任务排序为约束的改进遗传粒子群算法;最后,以某针织车间的实际物流调度为例对文中方法进行验证。计算结果表明,文中提出的AGV物流调度模型能够较好地模拟AGV绿色调度耗能问题,提出的改进遗传粒子群算法具有较快的收敛速度和较好的寻优能力。     

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。     

基于离散时空网络的多自动引导车路径规划问题

针对多AGV（automatic guided vehicle）在仓储物流搬运系统中的巷道拥堵问题,提出一种规避拥堵的系统优化策略,将产生的AGV拣货路径作为约束生成后续AGV运行轨迹。对仓库相邻节点赋予时间链接,构建时空网络地图,在此环境建立基于离散时空网络的考虑拥堵的路径优化模型,并设计了时空网络与SA(simulated annealing)相结合的全局优化算法ST-SA(space time simulated annealing) 以求解该模型,通过仿真实验对模型及算法的有效性进行验证。实验结果表明：系统优化策略可以对AGV路径规划过程进行控制与优化,ST-SA能够很快搜索到合理、高效的AGV拣货路径方案,缩短AGV在巷道的作业时间,避免了多AGV在智能仓储系统中的碰撞及拥堵。     

面向大型工业仓库的多AGV综合优化调度方法

针对大型工业仓库中自动引导车(AGV)集群执行大规模任务时效率低的问题,提出一种基于分层规划的综合优化调度方法,将调度问题分解为聚合的上层任务定序分配问题和下层路径规划问题。在上层问题中生成精英解集,将下层路径规划生成的禁忌列表作为碰撞冲突约束条件融入上层问题迭代寻优过程,并在迭代搜索中,将路径规划结果反馈给上层问题并更新约束条件,通过上下两层问题的综合计算得到整体性能最优的方案。进一步将路径搜索和禁忌列表融合,实现AGV调度中相互关联的多个问题的同步优化。通过大型工业仓库实例验证该方法的有效性。研究结果表明：相较于依次优化调度方法,基于分层规划的综合优化调度方法的平均任务完成时间减少10.56%,碰撞冲突造成的延迟时间减少74.53%;相较于混合自适应大邻域搜索算法和预先规划算法,基于混合离散状态转移算法的分层规划综合调度方法对于大规模问题任务完成时间分别减少9.73%和5.54%,计算时间分别减少84.19%和86.68%。     

基于轨迹映射模型的天车多目标调度方法

为有效解决生产过程中的多天车调度问题,在统筹考虑天车任务初始态和时空约束等特征的基础上,提出一种全新的天车轨迹映射模型.结合传统差分进化方法,将库位分配规则和天车分配算法融合到调度算法的每一次迭代过程中以指导算法寻优.以最小化入库订单延迟成本和最小化出库订单等待成本作为评价指标,设计仿真试验并与经典多目标优化算法进行对比,验证了算法是有效可行的,进一步的数值试验表明了合理的调度规则可以有效提高天车调度性能.     

自适应SR-RM调度算法

在分析RM调度算法的基础上,提出了一种自适应SR RM调度算法,通过跟踪任务的实际执行情况以及处理器的繁忙程度自适应地调整任务的执行周期,使任务得到较合理的调度,达到理想的服务响应时间,以提高系统的实时性;同时监视和预测环境的变化是否造成不可调度任务集,通过自动调节任务的执行周期来减少不可调度任务集的发生,提高系统的可靠性·通过仿真实验,证明SR RM能得到较小的任务调度错失率、较高的可调度利用率和实时性能·     

自动化集装箱码头多载AGV调度问题研究

多载AGV是一种自动化集装箱码头水平作业设备,它可以同时搬运多个集装箱,可缩小AGV流的规模,增大AGV的利用率.为了提高自动化集装箱码头的作业效率,考虑了垂岸式集装箱堆场布局,以最小化作业总费用为规划目标,以作业限制、时间窗长度、负载平衡等为约束条件,以事件驱动的调度策略为研究方法,建立了多载AGV调度问题的混合整数规划模型.同时利用GUROBI和遗传算法求解多载AGV的作业总费用和空载率,并与相同条件下单载AGV的作业总费用和空载率对比,验证了多载AGV的优越性.     

多核平台下一种新的实时调度模型

针对当前嵌入式多核平台下的实时调度模型没有考虑实时周期任务之间的制约关系这一不足,提出了一种能够描述实时周期任务之间存在简单制约关系的任务时序图(TTOG)模型,该模型不仅能体现任务实时性需求,还能反映周期任务之间的依赖关系.根据该模型,提出了一种剩余执行时间越短越优先(RETSF)的调度方法.该方法将根据某个周期任务距离时限的剩余执行时间动态地调整调度方案,与先来先服务(FCFS)算法相比较,在提高系统利用率,以及降低时限丢失率方面有很大改善.     

不确定条件下的零等待Flow shop生产调度问题

研究了处理时间不确定条件下,含零等待模块的模糊Flowshop生产调度问题;采用三角模糊数描述处理时间的不确定性,用零等待策略对加工过程进行约束,建立了基于模糊规划理论的零等待Flowshop调度模型,通过中间值最大隶属度的方法,将原有的模糊调度模型转化为清晰的调度模型;最后应用改进的模拟退火算法对模型进行仿真优化,制定了适用于实际排产过程中的GANTT图,仿真结果说明了调度模型的正确性和改进算法的有效性。     

一种基于群智能仿生优化的WSNs节点调度方法

为了解决物联网感知层无线传感器网络(WSNs)的节点调度问题,使网络能量总消耗最小化、网络生存周期最大化和网络性能最优化,该文将问题转化为一个约束条件下的组合优化问题,利用元启发式蝙蝠算法在求解复杂组合优化问题中参数设置少、快速收敛等优点,提出一种非均匀条件下的基于蝙蝠算法的WSNs节点调度算法。仿真对比和结果分析表明,在无线传感器网络节点调度过程中,蝙蝠算法效率最高,能耗最低,时延最短,可靠性好。与人工免疫算法和粒子群算法相比,该方法的网络节点平均能耗分别降低10.8%和3.5%。     

不确定条件下的零等待F1ow shop生产调度问题

研究了处理时间不确定条件下，含零等待模块的模糊Flow shop生产调度问题；采用三角模糊数描述处理时间的不确定性，用零等待策略对加工过程进行约束，建立了基于模糊规划理论的零等待Flow shop调度模型，通过中间值最大隶属度的方法，将原有的模糊调度模型转化为清晰的调度模型；最后应用改进的模拟退火算法对模型进行仿真优化，制定了适用于实际排产过程中的GANTT图，仿真结果说明了调度模型的正确性和改进算法的有效性。     

网络控制系统中任务与信息的优化调度

为了提高网络控制系统性能,解决网络控制系统中信息和任务相互约束的问题,设计了同时调度网络控制系统中任务与信息的算法.采用遗传算法优化调度序列,减小系统采样周期和端端延时,优化了系统整体性能.最终形成同步异构系统一个周期内的调度表,确定了系统每个子任务的执行时间和占用资源,解决了不同控制回路资源冲突问题和相同控制回路任务与信息执行顺序的约束问题,并且保证了每个子任务的实时性.仿真表明该算法是有效的.