基于群体智能优化的AGV路径规划算法研究

自动导引车隶属于移动机器人范畴，随着社会的进步和工业技术的发展，AGV 已经成为当今工业生产、自动化仓储系统中的重要工具之一，通过对 AGV及其关键技术的研究可以降低生产成本，提高生产效率，具有重要现实意义。自动导引车的路径规划是整个系统的关键技术之一，其特点有非线性、复杂性、约束性等，多年来作为特殊机器人的自动导引车路径规划算法的研究方兴未艾，基于数学模型的传统算法如禁忌法、栅格法、人工势场法等难以取得理想的效果，均有鲁棒性差、精度差、效率差等问题；而基于对社会性昆虫行为的模拟产生的一系列全局寻优的群体智能优化算法如蚁群算法、猫群算法等，则具有鲁棒性强、全局寻优、并行性等特点。因此本论文主要工作是基于群体智能优化算法研究自动导引车的路径规划。

本文根据 AGV 的应用需求，将 AGV 的路径规划分为单任务目标路径规划和多任务目标路径规划。通过对比诸多文献中将机器人路径规划模型转为旅行商问题的思路，分析多任务目标 AGV 小车的路径规划特点，将其转化为旅行商问题，并且提出了三种算法来解决 AGV 系统的路径规划。

（1）首先通过分析差分进化算法求解旅行商问题的思路，提出了离散猫群算法来求解 AGV 路径规划，通过引入位置-次序编码，将猫群算法扩展到离散域，使之可以用于求解该问题，并进一步分析了猫群算法中的重要参数对算法性能的影响。

（2）其次针对蚁群算法在求解旅行商问题存在局部寻优与收敛性的矛盾，提出两种改进蚁群算法求解 AGV 路径规划：其一基于差分进化算法的全局寻优性，引入多种群差分蚁群算法，通过对分组后的蚁群进行不同的差分进化方式，有效提高最优解的搜索概率；其二根据猫群算法搜索模式的特点，引入基于猫群搜索的蚁群算法，实现蚁群个体在当前解集周围的局部搜索，有效改善蚁群算法寻优性。

最后，分析了多 AGV 系统路径中出现的冲突问题，针对在交叉冲突中，现有的解决方案存在算法复杂，参数过多等问题，提出一种简单可控的解决方案，即采用提前交叉和蚁群算法局部二次规划。基于蚁群算法对每辆 AGV 小车进行预路径规划，通过检测交叉栅格，判断是否出现冲突，如果出现冲突，对于优先级较低的小车采用人工交叉法，使得小车经过交叉路径时存在时间差，并进行蚁群局部二次路径规划。通过 Matlab 仿真实验表明，该方案可以用于解决单任务目标多 AGV 系统中的交叉冲突现象。