摘要：为提升自动导引小车在“货到人”仓库中的运行效率,针对agv-托盘任务分配、单agv路径规划及多agv碰撞避免三个子问题的研究,以最小化agv行驶距离为目标构建数学模型。首先,根据agv与托盘的双边匹配问题特点设计改进的匈牙利算法求解匹配结果。其次,提出一种二维编码机制的改进遗传算法(improved genetic algorithm,IGA),采用一种局部搜索算子代替原变异操作,在提高算法搜索性能的基础上使其成功应用于单agv路径规划问题。然后,利用时空数据设计一种三维网格冲突检测方法,并根据商品SKU数量设定agv的优先级以降低多agv执行任务时的碰撞概率。最后,在32 m×22 m的仓库中针对不考虑碰撞与考虑碰撞两种情形进行agv路径优化分析,给出合理的行驶距离和碰撞次数。IGA与标准遗传算法的对比结果显示,IGA能够在合理的时间内获得更高质量的解,行驶距离减少约1.74%,算法求解时间缩短约37.07%。此外,针对agv数量灵敏度分析,在不同目标托盘规模下测试不同数量的agv对行驶距离和碰撞次数的影响,发现14~16台agv数量是最佳配置,验证了模型的可行性和算法的有效性。

摘要：为解决传统A^(*)算法在路径寻优中存在转弯次数较多、计算效率低下的问题,提出一种改进A^(*)算法。引入转弯惩罚机制和“选择因子”优化A^(*)算法的估价函数,利用惩罚机制对需要转弯的节点增加代价,减少路径转弯次数,利用“选择因子”减少传统A^(*)算法在路径寻优过程中搜索所有相同代价的冗余节点带来的额外开销,提升路径搜索效率。通过该算法解决复杂列检环境的agv(automated guided vehicle)路径规划问题,将仿真结果与其它算法进行比较,验证了改进A^(*)算法在不牺牲最短路径的情况下转弯次数较少,搜索的节点数量更少,计算效率更高。