[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

说明书

本发明公开的一种基于改进量子蚁群算法的AGV实时路线规划方法，依次通过步骤：S1初始化环境和算法参数、S2接收AGV路线规划任务、S3构建AGV路线解、S4评估当前解和记录最优解、S5量子旋转门、S6量子变异、S7更新信息素及S8运算终止判断，实时给出满足全局搜索、计算时间、迭代前期快速收敛、迭代后期解多样性等综合要求一个AGV路线，节省人力和时间成本，提升货料运输效率，有助于生产效率的提高。

技术领域

本发明属于智能机器人线路规划技术领域，特别涉及一种基于改进量子蚁群算法的AGV实时路线规划方法。

背景技术

随着机器人技术的快速发展，机器人功能和性能逐渐提高，应用面也扩大至生产生活中的方方面面。自动引导运输车(Automated Guided Vehicle，AGV)属于移动机器人的范畴，是指装有自动引导装置，能够沿指定路线行进，能智能控制运动姿态，且具有安全保护和搬运功能的运输车。AGV适用于重复搬运、重物搬运的场景，甚至在恶劣环境(火场)和特殊环境(如放射性环境)中代替操作人员进行货物的搬运和抢救工作。如今AGV多用于物流仓库、港口码头、邮政、机场和汽车生产装配线等典型的搬运场景。

但是随着AGV的普及，各行各业对AGV智能程度的要求也越来越高，例如实现AGV的实时路线规划。以物流仓库中的货物搬运为例，AGV要完成某个运输任务必须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。在规划路线时一般可考虑最短路线因素、最少花费时间、最少拐弯次数等，尤其搬运环境较大的情况下，每个任务路线的优化，在长期积累后能节省大量时间和人力成本，明显提升运输效率。另外，对于多台AGV场景，单机AGV如何将运输任务的实时响应和路线规划方法结合，以实现行进和等待状态的动态切换也具有重要的现实意义。

目前路线规划方法包括遗传算法、神经网络、随机搜索树、蚁群算法等方法，但都存在或多或少的问题，包括搜索空间大、算法复杂度高、易陷入局部最优、迭代前期收敛慢、迭代后期解的多样性差等。因此仍然没有一个公认完美的方法能解决路线规划，如何改善已有算法的缺陷、提出综合表现力更好的算法已经成为路线规划领域的共识和基本要求。

发明内容

本发明目的在于提出一种基于改进量子蚁群算法的AGV实时路线规划方法，以解决AGV在物流仓库中的实时路线规划问题，满足了自动、实时给出满足全局搜索、计算时间、迭代前期快速收敛、迭代后期解多样性等综合要求，可以规划处一个AGV的最优路线。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进量子蚁群算法的AGV实时路线规划方法，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；

初始化算法参数：定义蚂蚁数量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：