[发明专利]一种基于改进量子蚁群算法的AGV实时路线规划方法

权利要求书

1.一种基于改进量子蚁群算法的AGV实时路线规划方法，其特征在于，AGV在完成某个运输任务时，先从当前停放位置行进至装料点，再从装料点行进至卸料点，其间每个运输任务包括空载状态和载运状态下的两个路线规划过程，对于多台AGV场景，单机AGV将运输任务的实时响应和路线规划结合，以实现行进和等待状态的动态切换，包括以下步骤：

S1、初始化环境和算法参数，包括：

S11、初始化环境：给出仓库中各路口的点集、可行弧集和各路口间的距离数据，具体是：

定义G＝(V,E,D)为仓库的环境图，其中V＝{1,2,…,K}为环境中各路口的集合，即点集，E＝{(i,j)|i,j∈V,i≠j}为各路口间的AGV可行路线集合，即可行弧集，设共有M条弧，D＝{d_ij|i,j∈V,i≠j}表示弧集E的距离；

S12、初始化算法参数：定义蚂蚁数总量N、最大迭代次数iter；初始化M维单位向量信息素τ＝{τ_(i,j),(i,j)∈E}，初始化信息素挥发系数ρ∈[0,1]，并在后续步骤更新累加信息素，其数值越大表示弧越重要；

每只蚂蚁携带一组M位的量子比特，对应弧集E中M条弧，则第t(t＝1,2,…,iter)次迭代时第n(n＝1,2,…,N)只蚂蚁的初始量子比特为：

其中m(m＝1,2,…,M)对应弧集E中第m条弧(i,j)，Q_n的每一列元素表示蚂蚁n选择一条弧的可能性，即权重系数，α_n1和β_n1分别表示蚂蚁n选弧集E中第一条弧作为AGV路线和不选作为路线的可能性，且满足(α_n1)²+(β_n1)²＝1；

S2：接收AGV路线规划任务：AGV等待从调度系统接收出发点和终止点的信息；在载运状态下，出发点为装料点，终止点为卸料点；在空载状态下，出发点为上一个运输任务的卸料点，终止点为下一个运输任务的装料点，置当前迭代次数t＝1；

S3：构建AGV路线解：

对于蚂蚁n，给定起始点后，开始寻找下一个路口，表示弧(i,j)的转移概率如下：

其中(i,j)∈E表示所有路口间的AGV可行路线集合；τ_(i,j)表示弧(i,j)的信息素强度；η_(i,j)＝1/d_ij为弧(i,j)的能见度；β_nm表示蚂蚁n在弧集E中第m条弧(i,j)的量子比特值；a,b,c分别表示信息素、可见度、量子比特三者的重要性系数；

按照转移概率不断迭代选择下一个路口和弧，直至到达终止点，若因为环境中的非闭环弧导致无法到达终止点，则从起始点重新进行此步骤；

S4：评估当前解和记录最优解：评估每只蚂蚁搜索到的路线总长度，并记录最短路线和对应的量子比特；所述步骤S4具体是：

记录所有蚂蚁的路线L_n＝{(i,j)_n|i,j∈V,i≠j},n＝1,2,…,N，对蚁群规划的N条路线进行评估，评估方式为路线总长度并记录最短路线L_best、最短长度L_best_dis及其对应的量子比特

S5：量子旋转门：以搜得最优解路线的蚂蚁的量子比特为基准，采用量子旋转门的形式对每只蚂蚁的量子比特进行引导性更新，采用量子旋转门计算公式如下：

式中，[α_nm β_nm]^T表示第n只蚂蚁第m位量子比特，θ_m表示第m位量子比特的旋转角；

所述旋转角的取值方式如下：

θ_m＝θ₀·(sgn(L_n_dis-L_best_dis)+1)·sgn(β_nm/α_nm)

所述θ₀为0.03π；

S6：量子变异：对每只蚂蚁的量子比特进行量子变异操作，具体为：

令量子变异概率为P_mut，生成一个[0,1]随机数r，若满足：

则采用Hadamard门变异对每只蚂蚁的量子比特进行量子变异操作，Hadamard门变异在不改变最优路线的前提下互换了量子比特值的位置，具体操作为：

由该式可见，在算法迭代初期变异率较低，能保证解的快速收敛，而迭代后期变异率较高，保证后期解的多样性和全局最优；

S7：更新信息素：为了将更多蚂蚁引导至最优解路线的周围，需要对可行弧集的信息素进行累加更新，但同时又应防止信息素过度累加导致的局部过快收敛，因此，根据最短路线的量子比特计算信息素增量，计算更新下一迭代步信息素，具体是：

各条弧的信息素更新规则为：

其中β_nm表示第n只蚂蚁在弧(i,j)处的量子比特值，是信息素第k次迭代的增量；

S8：运算终止判断：判断当前迭代次数t是否到达预设迭代次数iter，若否，则返回S4并置t＝t+1；若是，则停止运算，重置信息素τ、转移概率量子比特Q_n和Q_best，输出最短路线L_best作为AGV执行路线，并重置L_n和L_best，再返回S2。