0 引言

自动导引车辆(AGV)通过自动化运输，能够实现货物的自动搬运、运输和存储，极大程度上提高了物流运作的效率[1]。在满足任务需求的同时，最大限度地提高运行效率。先进技术在AGV路径优化问题中得到了广泛应用。基于强化学习的路径规划算法可以根据环境的特征和AGV的历史行为数据，学习最优的路径规划策略，以实现AGV的自动学习和优化。此外，基于协同调度的算法也可以实现多AGV之间的协同作业和任务分配，提高整个系统的效率和灵活性。使得配送更加智能化，实时化，构建最为优化的路径。

由于传统AGV路径优化方法往往依赖于预先设定的路径和任务计划，无法实时响应突发情况，如货物的紧急需求、设备故障等[2],任务分配和路径规划时间久，使得结果难以符合预期。因此，以AGV路径优化为研究对象，基于智能物流，结合实际情况进行实验与分析。

1 AGV路径优化

1.1 建立智能物流配送路径优化模型

为了实现对智能配送路径的优化,首先,需采用最短路径规划法进行智能配送路径规划[3]。同时,结合智能物流的道路结构模型,完善了最短路径的规划。利用路段和交叉口网络对物流路径进行分析,建立网络结构模型进行物流路径规划。该模型能够有效地将物流路径与交通路网进行结合,从而更好地满足物流配送的需求。其物流规划组网结构模型为:

式(1)中:i(t)为物流AGV配送路径的节点位置;s(t)为路径长度。根据建立的物流配送模型,计算物流配送路径的路段运行时间,对AGV配送路径进行规划设计选址[4]。当路段流量为1时,智能物流配送问题可线性规划,在分配过程中,设在模型中有m个物流路径节点A(1,…,.n),不同节点处都有物流配送负载为b(1,…,.n),采用最短路径进行物流配送。路径规划后,我们推导了物流AGV运输问题的配送数学表达式。通过复杂理论对物流配送路径进行线性规划,对相邻节点的物流配送路径进行智能搜索。设定配送过程中的路径数量为n,空闲路径的节点为pmin,在节点进行功率谱分析,控制物流配送流程。确定观测点(ta,tb),获取最短路径设计下物流配送路径中心的实际货物数量,并计算最大配送数量。根据在线性规划条件下,物流配送的货品运送路线的拓扑结构描述进行物流配送路径动态搜索,使得自适应路径规划能力得到提升[5]。在构建智能物流配送路径最优模型的基础上,需要对物流配送路径最短问题进行分析。设定智能物流路径序列采样结果{xi}N,根据序列的物流动向的量化分布数据,得到智能配送路径的原始序列。采用自适应回归分析方式对物流动向数据特征分量进行分配,得到在智能物流环境下的,AGV配送路径促进性模型,其表达式为:

式(2)中:n为配送中心的分布数量;N为统计特征量;p为节点数量。根据统计特征预测值对物流数据进行采样,结合最佳配送路径进行全面的分析[6]。针对物流统计特征迭代分析的最小迭代次数结果,对路径优化后的变量值进行分析整合完成模型建立。

1.2 多 AGV路径规划

AGV在搭载好的地图中，利用路径规划算法搜索出一条从起始点开始，在工作行进途中不与障碍物发生碰撞的最优路径。为了实现在仓库内多个AGV在运行时出现路径冲突，使其能够稳定有序地完成任务。运用基于路径优化模型的A*算法进行一定程度上的路径规划，找到最短的路径[7]。根据不同的仓储情况，以货架宽度为单位，将智能物流仓地图划分成栅格，确定对应的坐标。在栅格地图中路径由相邻的栅格构成，AGV可以自由通行，为了最大程度地利用空间，路径需形成单行道。同时，在AGV行进过程中，需要通过集中控制的方式生成预约表[8]。通过预约表与交通规则来防止AGV之间的碰撞，并生成动态加权地图进行多个AGV 之间的路径规划。具体如图1所示：

在动态环境中,规定AGV只能单方向前进,通过使用交通规则来保障AGV的正常运行。如果一个AGV进入已被占用的栅格,需要等待该栅格变为空时,通过预约表查看栅格地图中不同栅格的使用情况,根据间隔时间Δt更新一次预约表。剩余的AGV可以通过查询当前时刻,决定移动的向或者等待其余AGV通过。如果多个AGV在相同时刻占用一个栅格,则需要根据权重确定使用顺序。这样结合预约表的A*算法对智能仓储中多AGV进行无碰撞路径规划,估算与所在栅格相邻的栅格路径代价,直到整理到目标位置。在不同栅格的估算代价的公式为:

式(3)中:g(j)为实际代价;h(j)为估算的最短距离。为了简化AGV路径规划,提高AGV系统的整体效率。需要在动态加权地图中,根据权重动态规划路径来减少出现拥赌的情况。从k时刻开始,间隔一段时间对预约表进行更新。通过对比不同权重大小,判断该区域内的交通堵塞情况,权重计算公式为:

式(4)中:N为在规定时刻内通行的AGV数量的估值;c为预约更新的次数;k为当前时刻。当一个AGV到达货架区域的十字路口时,通过获取当前时刻区域内其他AGV的位置信息,根据信息估算在下一时刻AGV应该通过的数量。在这种情况下,直到估算最终时刻应该通过的AGV数目。这样可以更加准确地预估货架区域内的交通情况。

1.3 免疫粒子群路径优化

在粒子群系统中,用一组随机的粒子解作为粒子群的初始解,反复迭代使其能够达到最优解。在一个三维的目标搜索空间中,设定第i个粒子的向量为Xi,表示为在搜索空间中的位置。将免疫算法和蚁群算法结合起来求解问题,可以优化得到的解。通过结合免疫算法的免疫记忆能力和免疫调节机制,粒子群中的最优粒子减少了早熟收敛特性,避免陷入局部最优解。因此,有必要提出抗体浓度的调整策略,使群体中的抗体具有多样性,在新一代粒子阵列中,它们的兼容性可以将不同层的粒子在一定浓度内结合在一起。其中第i个粒子的浓度表达式为:

式(5)中:f(xi)为i个粒子的适应度函数。计算当前粒子群体中的适应度值,得到当前粒子独立后的最优位置,并其先将其存储到免疫数据库中。判断当前是否满足算法的结束条件,即结果是否为目标最优解,如果当前已经达到最大迭代次数则可以停止,输出结果,获得得到路径规划项目的目标最优解;否则,需要重新生成基于抗体浓度选择合适的粒子并进行迭代计算,以此,确定其最优的配送路径序列,输出计算结果。

2 实验测试与分析

2.1 搭建实验环境

为获取更优的路径规划结果，运用 MATLAB软件求解适合本次案例的最优参数组合。以路径最短作为评价指标，将最优参数组合代入算例中进行仿真实验。设置三个小组，其中运用本文方法的小组为实验组，运用传统方法的两个小组为对照1组和对照2组。在参数设置下，采用Barron求解器对不同算法的模型获得的结果进行对比分析，根据记录表进行最优路径规划。

2.2 结果与分析

通过对三个小组在路径参数优化后的最优路径图进行绘制，得到具体的路径图结果如图2所示：

由图中的优化结果来看，两个对照组的参数优化后路径转折次数为3次以上，说明这两种方法的AGV在运行过程中的避障能力较差，方法所优化的路径并不是切实可行的路径。而相比于对照组，实验组的参数优化后没有提前收敛，使得转折次数保持在2次以内，能够寻找到最优路径。说明运用本文路径优化方法能够使得AGV在运行中具有较高避障能力，把多参数优化与 AGV 结合，在实际情况中合理优化路径结果，提高智能物流的效率。同时，针对本文方法，在不同场景中对获得较短的路径寻优时间进行统计(预期目标为15s以内均为有效规划),得到AGV任务完成时间总表，具体如表1所示：

由表中数据可知，在不同场景下，AGV完成任务的时间均在15s以下，达到较为快速的路径寻优，节约了运行时间，结果符合预期。说明运用本文优化方法能够控制AGV完成时间在最优结果范围之内，达到良好的优化效果。

3 结语

本次从路径优化入手，结合了智能物流方法，探究了基于智能物流的AGV路径优化的应用。但方法中还存在一些不足之处，例如启发式调度问题、死锁的问题、设备故障问题等。今后应更加完善计算，通过实时追踪AGV的位置，建立一个详细的环境模型反映实际环境的变化。在实际运行中，防止AGV遇到障碍物，使得AGV具备动态避障的能力，能够实时感知并避开。