考虑电池包数量的自动化集装箱码头多AGV调度优化

针对自动化集装箱码头自动引导小车(automated guided vehicle,AGV)的实际换电特性,为了降低AGV的总任务完成时间和换电总时间,合理规划换电站内的电池包数量,建立了双层规划模型。首先考虑AGV的电池续航、空/重载SOC变化特性和不同剩余电量与速度变化,以降低AGV的总任务完成时间为目标,构建考虑换电的多AGV集装箱任务调度上层模型。在此基础上,为了合理规划换电站内的电池包数量,考虑自动化码头中换电站的实际电池包选取原则和换电流程,对换电站和电池包的选择进行决策,以降低换电总时间为目标,构建换电电池包配置下层模型。最后通过遗传算法分别对小规模和大规模算例进行求解。算例结果表明,此双层规划模型能够有效地减少总任务完成时间和换电总时间,提高了6.46%的AGV利用率,减少了23.1%的换电站电池包数量。

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化(Particle Swarm Optimization,PSO)算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生"早熟"收敛,使优化陷入局部极小值。通过引入模拟退火算法"、交叉算子"和"变异算子",提出了一种新的改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。