0 引言

自動導引車輛(AGV)通過自動化運輸，能夠實現貨物的自動搬運、運輸和存儲，極大程度上提高了物流運作的效率[1]。在滿足任務需求的同時，最大限度地提高運行效率。先進技術在AGV路徑優化問題中得到了廣泛應用。基于強化學習的路徑規劃算法可以根據環境的特征和AGV的歷史行為數據，學習最優的路徑規劃策略，以實現AGV的自動學習和優化。此外，基于協同調度的算法也可以實現多AGV之間的協同作業和任務分配，提高整個系統的效率和靈活性。使得配送更加智能化，實時化，構建最為優化的路徑。

由于傳統AGV路徑優化方法往往依賴于預先設定的路徑和任務計劃，無法實時響應突發情況，如貨物的緊急需求、設備故障等[2],任務分配和路徑規劃時間久，使得結果難以符合預期。因此，以AGV路徑優化為研究對象，基于智能物流，結合實際情況進行實驗與分析。

1 AGV路徑優化

1.1 建立智能物流配送路徑優化模型

為了實現對智能配送路徑的優化,首先,需采用最短路徑規劃法進行智能配送路徑規劃[3]。同時,結合智能物流的道路結構模型,完善了最短路徑的規劃。利用路段和交叉口網絡對物流路徑進行分析,建立網絡結構模型進行物流路徑規劃。該模型能夠有效地將物流路徑與交通路網進行結合,從而更好地滿足物流配送的需求。其物流規劃組網結構模型為:

式(1)中:i(t)為物流AGV配送路徑的節點位置;s(t)為路徑長度。根據建立的物流配送模型,計算物流配送路徑的路段運行時間,對AGV配送路徑進行規劃設計選址[4]。當路段流量為1時,智能物流配送問題可線性規劃,在分配過程中,設在模型中有m個物流路徑節點A(1,…,.n),不同節點處都有物流配送負載為b(1,…,.n),采用最短路徑進行物流配送。路徑規劃后,我們推導了物流AGV運輸問題的配送數學表達式。通過復雜理論對物流配送路徑進行線性規劃,對相鄰節點的物流配送路徑進行智能搜索。設定配送過程中的路徑數量為n,空閑路徑的節點為pmin,在節點進行功率譜分析,控制物流配送流程。確定觀測點(ta,tb),獲取最短路徑設計下物流配送路徑中心的實際貨物數量,并計算最大配送數量。根據在線性規劃條件下,物流配送的貨品運送路線的拓撲結構描述進行物流配送路徑動態搜索,使得自適應路徑規劃能力得到提升[5]。在構建智能物流配送路徑最優模型的基礎上,需要對物流配送路徑最短問題進行分析。設定智能物流路徑序列采樣結果{xi}N,根據序列的物流動向的量化分布數據,得到智能配送路徑的原始序列。采用自適應回歸分析方式對物流動向數據特征分量進行分配,得到在智能物流環境下的,AGV配送路徑促進性模型,其表達式為:

式(2)中:n為配送中心的分布數量;N為統計特征量;p為節點數量。根據統計特征預測值對物流數據進行采樣,結合最佳配送路徑進行全面的分析[6]。針對物流統計特征迭代分析的最小迭代次數結果,對路徑優化后的變量值進行分析整合完成模型建立。

1.2 多 AGV路徑規劃

AGV在搭載好的地圖中，利用路徑規劃算法搜索出一條從起始點開始，在工作行進途中不與障礙物發生碰撞的最優路徑。為了實現在倉庫內多個AGV在運行時出現路徑沖突，使其能夠穩定有序地完成任務。運用基于路徑優化模型的A*算法進行一定程度上的路徑規劃，找到最短的路徑[7]。根據不同的倉儲情況，以貨架寬度為單位，將智能物流倉地圖劃分成柵格，確定對應的坐標。在柵格地圖中路徑由相鄰的柵格構成，AGV可以自由通行，為了最大程度地利用空間，路徑需形成單行道。同時，在AGV行進過程中，需要通過集中控制的方式生成預約表[8]。通過預約表與交通規則來防止AGV之間的碰撞，并生成動態加權地圖進行多個AGV 之間的路徑規劃。具體如圖1所示：

在動態環境中,規定AGV只能單方向前進,通過使用交通規則來保障AGV的正常運行。如果一個AGV進入已被占用的柵格,需要等待該柵格變為空時,通過預約表查看柵格地圖中不同柵格的使用情況,根據間隔時間Δt更新一次預約表。剩余的AGV可以通過查詢當前時刻,決定移動的向或者等待其余AGV通過。如果多個AGV在相同時刻占用一個柵格,則需要根據權重確定使用順序。這樣結合預約表的A*算法對智能倉儲中多AGV進行無碰撞路徑規劃,估算與所在柵格相鄰的柵格路徑代價,直到整理到目標位置。在不同柵格的估算代價的公式為:

式(3)中:g(j)為實際代價;h(j)為估算的最短距離。為了簡化AGV路徑規劃,提高AGV系統的整體效率。需要在動態加權地圖中,根據權重動態規劃路徑來減少出現擁賭的情況。從k時刻開始,間隔一段時間對預約表進行更新。通過對比不同權重大小,判斷該區域內的交通堵塞情況,權重計算公式為:

式(4)中:N為在規定時刻內通行的AGV數量的估值;c為預約更新的次數;k為當前時刻。當一個AGV到達貨架區域的十字路口時,通過獲取當前時刻區域內其他AGV的位置信息,根據信息估算在下一時刻AGV應該通過的數量。在這種情況下,直到估算最終時刻應該通過的AGV數目。這樣可以更加準確地預估貨架區域內的交通情況。

1.3 免疫粒子群路徑優化

在粒子群系統中,用一組隨機的粒子解作為粒子群的初始解,反復迭代使其能夠達到最優解。在一個三維的目標搜索空間中,設定第i個粒子的向量為Xi,表示為在搜索空間中的位置。將免疫算法和蟻群算法結合起來求解問題,可以優化得到的解。通過結合免疫算法的免疫記憶能力和免疫調節機制,粒子群中的最優粒子減少了早熟收斂特性,避免陷入局部最優解。因此,有必要提出抗體濃度的調整策略,使群體中的抗體具有多樣性,在新一代粒子陣列中,它們的兼容性可以將不同層的粒子在一定濃度內結合在一起。其中第i個粒子的濃度表達式為:

式(5)中:f(xi)為i個粒子的適應度函數。計算當前粒子群體中的適應度值,得到當前粒子獨立后的最優位置,并其先將其存儲到免疫數據庫中。判斷當前是否滿足算法的結束條件,即結果是否為目標最優解,如果當前已經達到最大迭代次數則可以停止,輸出結果,獲得得到路徑規劃項目的目標最優解;否則,需要重新生成基于抗體濃度選擇合適的粒子并進行迭代計算,以此,確定其最優的配送路徑序列,輸出計算結果。

2 實驗測試與分析

2.1 搭建實驗環境

為獲取更優的路徑規劃結果，運用 MATLAB軟件求解適合本次案例的最優參數組合。以路徑最短作為評價指標，將最優參數組合代入算例中進行仿真實驗。設置三個小組，其中運用本文方法的小組為實驗組，運用傳統方法的兩個小組為對照1組和對照2組。在參數設置下，采用Barron求解器對不同算法的模型獲得的結果進行對比分析，根據記錄表進行最優路徑規劃。

2.2 結果與分析

通過對三個小組在路徑參數優化后的最優路徑圖進行繪制，得到具體的路徑圖結果如圖2所示：

由圖中的優化結果來看，兩個對照組的參數優化后路徑轉折次數為3次以上，說明這兩種方法的AGV在運行過程中的避障能力較差，方法所優化的路徑并不是切實可行的路徑。而相比于對照組，實驗組的參數優化后沒有提前收斂，使得轉折次數保持在2次以內，能夠尋找到最優路徑。說明運用本文路徑優化方法能夠使得AGV在運行中具有較高避障能力，把多參數優化與 AGV 結合，在實際情況中合理優化路徑結果，提高智能物流的效率。同時，針對本文方法，在不同場景中對獲得較短的路徑尋優時間進行統計(預期目標為15s以內均為有效規劃),得到AGV任務完成時間總表，具體如表1所示：

由表中數據可知，在不同場景下，AGV完成任務的時間均在15s以下，達到較為快速的路徑尋優，節約了運行時間，結果符合預期。說明運用本文優化方法能夠控制AGV完成時間在最優結果范圍之內，達到良好的優化效果。

3 結語

本次從路徑優化入手，結合了智能物流方法，探究了基于智能物流的AGV路徑優化的應用。但方法中還存在一些不足之處，例如啟發式調度問題、死鎖的問題、設備故障問題等。今后應更加完善計算，通過實時追蹤AGV的位置，建立一個詳細的環境模型反映實際環境的變化。在實際運行中，防止AGV遇到障礙物，使得AGV具備動態避障的能力，能夠實時感知并避開。