环行穿梭车优化调度问题的自学习算法.docxVIP

第33卷第12期系统工程理论与实践V01．33，No·122013年12月SystemsEngineering—TheoryPracticeDec．，2013====================================；==一文章编号：1000．6788(2013)12．3223—08中图分类号：TP2；F406文献标志码：A环行穿梭车优化调度问题的自学习算法顾红，，邹平·，徐伟华z(1．昆明理工大学机电工程学院，昆明650500；2．昆明理工大学管理与经济学院，昆明650093)摘要分析研究环形穿梭车(RGV)的工作特点和调度策略，同时考虑其起停、等待、复合作业对 搬运能力的影响，创建了环形RGV搬运作业的多目标优化调度数学模型．在此基础上提出了基于自学习和改迸遗传算法的环形RGV实时调度算法．讨论了调度算法的编码、选择、交叉变异操作规则方法，提出改进种群和妥协解的专家库自学习方法，提高优化计算速度．通过计算仿真和工程验证，证实环形RGV的搬运能力得到有效提高，该模型和自学习算法是可行和有效的．关键词环形RGV；自学习；优化调度；遗传算法Self-learninggeneticalgorithmforroundingrailguidedvehicleoptimizationschedulingGUHon91，ZOUPin91，XUWei—hua2(1．FacultyofMechanicalElectricalEngineering，KunmingUniversityofScienceandTechnology,Kunming650500，China；2．FacultyofManagementandEconomics，KunmingUniversityofScienceandTechnology,Kunming650093，China)AbstractThroughthein—depthanalysisonworkingtraitandschedulingpolicyofroundingrailguidedvehicle(RGV)，andconsideringtheroundingRGVforthestart—stop，waitingandcomplextask，amulti—objectivegeneticalgorithm(GA)isproposedforRGVschedulingproblems．Basedonself-learningandtheimprovedGA，thereal-timeschedulingpolicyofroundingRGVisprovided．Theruleofencoding，selecting，crossoverselectionandvariationprobabilitywasstudied，Thewayofimprovingfirst stripbasedonself-learningexpertdatabaseandsearchingtheoptimalcompromisingsolutionsWasgiventoenhancecalculationefficiency．Inconclusion，theresearchresultofthesimulationcalculationandapplicationinthecigarettefactoryhavebeeneffectivelyimproved，andtheexampleprovesthattheresearchisfeasibleand effective，KeywordsroundingRGV；self-learning；optimizationscheduling；geneticalgorithm(GA)1引言环行RGV集光、机、电、信息等高新技术为一体，广泛应用于自动化物流系统，其可替代大量的普通输 送设备和多台直行RGV，实现输送目的地的任意变动，简化生产工艺流程，提高搬运效率．并且当其中的一辆RGV小车发生故障时，可离开主线进行维修，不影响系统连续工作．但在环行封闭导轨上多台RGV小车执行搬运任务时，易造成交通堵塞，降低运输能力．因此，提高RGV的运输能力，是目前企业生产物流的一个重中之重，也是整个自动化物流系统发掘潜在能力的主要途径．目前国内外学者对环行RGV的优化调度研究不多，主要集中在RGV控制、设计、作业仿真和应用研 究上．由于在工程应用中，生产搬运任务是随机实时产生的，需要在RGV小车高速运行中实时调度小车执行搬运任务．国内外RGV的调度多采用规则调度，未考虑RGV起停、停车等待、复合作业等因素，导致效率低下．环形RGV优化调度问题是介于生产作业调度和旅行商的优化问题，不仅有随机性、约束复