一种基于岩板智能仓库的多重载AGV储运方法

一种基于岩板智能仓库的多重载agv储运方法
技术领域
1.本发明涉及多重载agv储运技术领域，特别是一种基于岩板智能仓库的多重载agv储运方法。


背景技术：

2.随着我国快步加强仓储环节由自动化向智能化转化的建设工作，仓储业、物流业转型对智能化提出了更高的需求。随着智能化发展的推进，仓储作业中运输设备走向智能化，通过引入自动导引车(automated guided vehicle，简称agv)代替叉车，实现了无人化作业。
3.岩板智能仓库中多重载agv的储运问题可描述为：在一个岩板智能仓库中有多辆agv以及多个运输任务，运输任务分为入库的运输任务和出库的运输任务，入库的运输任务来自车间产线，按照均匀分布随机到达。出库的运输任务来自客户下达的订单，其到达时间也具有一定的随机性。在入库运输任务到达接驳工位时，岩板存储策略对到达的岩板安排合适的货位且需要满足货品与标准货位存储约束。在入库运输任务的货位确定后，agv调度策略对空闲的agv进行调度，被调度的agv前往接驳工位，对入库任务进行存储入库，即完成入库的运输任务。当到达出库时刻，随着客户订单的下达，agv调度策略对空闲的小车进行调度，被调度的agv从仓储货位中按照客户订单对岩板进行出库，即完成出库的运输任务。
4.现有的多重载agv智能仓库的入库任务和出库任务存在时空不均衡性，即入库任务在白天进行，到了晚上开始进行订单的出库，造成入库时间长，出库时间短。由于货位分配和agv调度的配合不合理，经常造成货物来不及出入库的情况，不利于岩板智能仓库的管理。


技术实现要素：

5.针对上述缺陷，本发明提出了一种基于岩板智能仓库的多重载agv储运方法，其目的在于解决现有多重载agv智能仓库的入库任务和出库任务存在时空不均衡性，且由于货位分配和agv调度的配合不合理，造成货物来不及出入库的情况，不利于岩板智能仓库的管理的问题。
6.为达此目的，本发明采用以下技术方案：
7.一种基于岩板智能仓库的多重载agv储运方法，包括以下步骤：
8.步骤s1：构建货位分配算法，所述货物分配算法包括关联货品出库频率的货位分配算法、基于货品价值的货位分配算法、随机货位分配算法、离接驳点最近的货位分配算法和中间仓储区货位分配算法；
9.步骤s2：构建重载agv调度规则算法，所述重载agv调度规则算法包括先到先服务规则算法、最近规则算法、最远规则算法、最高空闲规则算法、运行路程最短规则算法和随机规则算法；
10.步骤s3：根据所述货位分配算法和所述重载agv调度规则算法，通过复合算法框架
生成多种组合优化求解算法；
11.步骤s4：构建仿真平台；
12.步骤s5：确定多个仿真算例，在所述仿真平台中采用多种组合优化求解算法对各个所述仿真算例进行仿真求解，得到多个仿真结果；
13.步骤s6：对各个所述仿真结果进行不同性能评价指标的分析，以确定各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法；
14.步骤s7：基于各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法，对应生成多重载agv的储运策略。
15.优选地，在步骤s1中，在构建货位分配算法之前，还包括以下步骤：
16.步骤s11：确定货物编码方式；
17.步骤s12：使用所述货物编码方式对智能仓库中的货位进行编码；
18.步骤s13：对完成编码的货物状态进行划分。
19.优选地，在步骤s1中，所述关联货品出库频率的货位分配算法中，货品的出库频率计算公式如下：
[0020][0021]
其中，gii表示i类尺寸规格货品的出库频率，i＝1，2，
…
i；gni表示i类的货品往期的出库数量；
[0022]
所述基于货品价值的货位分配算法中，货品的价值计算公式如下：
[0023][0024]
其中，gvii表示i类尺寸规格货品的价值系数，i＝1，2，
…
i；gi表示i类货品的规格，用该货品所占的标准货位数表示；gni表示i类的货品往期的出库数量。
[0025]
优选地，在步骤s5中，确定多个仿真算例之前，还包括以下步骤：
[0026]
确定仿真算例的影响因子，所述仿真算例的影响因子包括空载状态下agv速度、装载状态下agv速度、接驳工位容量、订单到达时间间隔和任务类型比例。
[0027]
优选地，在步骤s6中，表现最佳的组合优化求解算法的确定包括以下步骤：
[0028]
使用相对偏差指数(relative deviation index，rdi)对每个仿真算例下每个组合优化求解算法的目标值进行比较，具体计算公式如下：
[0029][0030]
其中，rdi
im
表示组合优化求解算法m在仿真算例i下的相对偏差值；i表示仿真算例；fo
im
表示组合优化求解算法m在仿真算例i下的仿真结果；besti和worsti分别表示在仿真算例i下所有组合优化求解算法的最优结果和最差结果。
[0031]
优选地，在步骤s6中，对各个所述仿真结果进行不同性能评价指标的分析，所述性能评价指标包括运输任务的最大完工时间、agv在执行运输任务的总运输距离、agv在执行运输任务的入库运输距离、agv在执行运输任务的出库运输距离、货位利用率以及agv均衡
性。
[0032]
本技术实施例提供的技术方案可以包括以下有益效果：
[0033]
本方案中通过复合算法框架将货位分配算法和重载agv调度规则算法组成多种组合优化求解算法，并通过仿真技术模拟实际的系统状态变化和生产环境进行调度。其中，对仿真过程中得到的多个仿真结果进行不同性能评价指标的分析，从而获得各个仿真结果不同性能评价指标下表现最佳的组合优化求解算法。通过将表现最佳的组合优化求解算法生成的多重载agv的储运策略应用于实际岩板智能仓库的管理中，能够及时完成岩板的出入库，使岩板智能仓库的管理更加高效，进一步提升岩板企业的市场竞争力。
附图说明
[0034]
图1是一种基于岩板智能仓库的多重载agv储运方法的步骤流程图。
具体实施方式
[0035]
下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0036]
一种基于岩板智能仓库的多重载agv储运方法，包括以下步骤：
[0037]
步骤s1：构建货位分配算法，所述货物分配算法包括关联货品出库频率的货位分配算法、基于货品价值的货位分配算法、随机货位分配算法、离接驳点最近的货位分配算法和中间仓储区货位分配算法；
[0038]
步骤s2：构建重载agv调度规则算法，所述重载agv调度规则算法包括先到先服务规则算法、最近规则算法、最远规则算法、最高空闲规则算法、运行路程最短规则算法和随机规则算法；
[0039]
步骤s3：根据所述货位分配算法和所述重载agv调度规则算法，通过复合算法框架生成多种组合优化求解算法；
[0040]
步骤s4：构建仿真平台；
[0041]
步骤s5：确定多个仿真算例，在所述仿真平台中采用多种组合优化求解算法对各个所述仿真算例进行仿真求解，得到多个仿真结果；
[0042]
步骤s6：对各个所述仿真结果进行不同性能评价指标的分析，以确定各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法；
[0043]
步骤s7：基于各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法，对应生成多重载agv的储运策略。
[0044]
本方案的一种基于岩板智能仓库的多重载agv储运方法，如图1所示，第一步是构建货位分配算法，所述货物分配算法包括关联货品出库频率的货位分配算法、基于货品价值的货位分配算法、随机货位分配算法、离接驳点最近的货位分配算法和中间仓储区货位分配算法。本实施例中，将岩板智能仓库中多重载agv的储运问题分解为两个子问题，分别为货位分配子问题和agv调度子问题。针对货位分配子问题，通过对货位状态进行划分，分别考虑了货品出库频率、货物价值、货物到达时间、入库运输距离和出库运输距离，构建了5种货位分配算法。当货品到达接驳工位时，使用货位分配算法对货品进行货位分配，在分配
时需要知道当前所有相关货位的状态，货位状态表示货位和货品对象之间的关系，货位状态分为空闲、占用、拣选、预约和损坏。进一步说明，关联货品出库频率的货位分配算法(location allocation algorithm for associated goods outgoing frequency，简称laaagof)指的是在进行货品的货位分配时，依据该货品的出库频率，将较高出库频率的货品分配在离卸货点距离较近处的货位，较低出库频率的货品分配在离卸货点距离较远处的货位。基于货品价值的货位分配算法(location allocation algorithm based on commodity value，简称laabcv)指的是在进行货品的货位分配时，考虑货品的价值，将货品价值高的且出库频率大的货品优先分配在离卸货点较近的货位。随机货位分配算法(random location allocation algorithm，简称rlaa)指的是在进行货品的货位分配时，随机选择空闲的仓储区中的货位。离接驳点最近的货位分配算法(algorithm for assigning the closest storage space to the receiving point，简称aacssrp)指的是货品到达接驳工位时，考虑各类货品的出库频率，依据货品的出库频率，将出库频率高的货品优先分配在离接驳工位较近的仓储区货位中，货品出库频率低的货品优先分配在离接驳工位远的仓储区货位中。中间仓储区货位分配算法(algorithm for the allocation of storage spaces in the intermediate storage area，简称aassisa)指的是货品到达接驳工位时，考虑各类货品的出库频率，依据货品的出库频率，将出库率高的货品优先分配在中间仓储区货位中，货品出库频率低的货品优先分配在离接驳工位较远的仓储区货位中。
[0045]
第二步是构建重载agv调度规则算法，所述重载agv调度规则算法包括先到先服务规则算法、最近规则算法、最远规则算法、最高空闲规则算法、运行路程最短规则算法和随机规则算法。本实施例中，针对agv调度子问题，分别考虑了agv优先级、agv与接驳点距离、agv与卸货点距离、agv空闲率、agv运输距离以及随机选择，构建了6种agv调度规则算法。在白天生产过程中，当车间的货品加工完成到达接驳工位，通过货位分配算法完成了货物的货位分配后，仓储系统调用agv调度规则算法对空闲agv进行任务指派，被调度的agv将接驳工位的货品搬运到分配的货位上；在晚上订单出库过程中，客户订单到达，仓储系统调用agv调度规则算法对空闲agv进行任务指派，被调度的agv依据订单信息和仓储区中货品存储信息将货品从目标货位中搬运到卸货点，随后返回到指定的停留点。进一步说明，先到先服务规则算法(简称fcfs)具体包括以下步骤：步骤一是初始化空闲小车集合q，将所有空闲小车按照编号顺序加入空闲小车集合q中；步骤二是运输任务到达，若则选择集合中第一个元素(agv)，并从空闲小车集合q中将其移除；否则等待有新的空闲小车加入空闲小车集合q中，然后选择集合中第一个元素，并从空闲小车集合q中将其移除；步骤三是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，并加入空闲小车集合q中的第|q|个元素后面。最近规则算法(简称nearest)具体包括以下步骤：步骤一是初始化空闲小车集合q，将所有空闲小车按照编号顺序加入空闲小车集合q中；步骤二是运输任务到达，若计算空闲小车集合q中每辆小车与运输任务的距离，得到小车的距离集合d，元素编号用1，2，
…
c表示；步骤三是求与运输任务距离最近的小车：dc＝min{d1,d2,
…
dc}，将dc从小车的距离集合d中移除，调用小车c，并将小车c从空闲小车集合q中移除；步骤四是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，并加入空闲小车集合q中，更新小车的距离集合q。最远规则算法(简称farthest)具体包括以下步骤：步骤一是初始化空闲小车集合q，将所有空闲小车按照编号顺序加入空闲小车集
合q中；步骤二是运输任务到达，若计算空闲小车集合q中每辆小车与运输任务的距离，得到小车的距离集合q，元素编号用1，2，
…
c表示；步骤三是求与运输任务距离最远的小车：dc＝max{d1,d2,
…
dc}，将dc从小车的距离集合d中移除，调用小车c，并将小车c从空闲小车集合q中移除；步骤四是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，并加入空闲小车集合q中，更新小车的距离集合d。最高空闲规则算法(简称highestidle)具体包括以下步骤：
[0046]
步骤一是初始化空闲小车集合q，将所有空闲小车按照编号顺序加入空闲小车集合q中；步骤二是运输任务到达，若计算空闲小车集合q中每辆小车空闲率，即小车运输时间/小车运输时间与小车等待时间之和，得到小车的空闲率集合f，元素编号用1，2，
…
c表示；步骤三是求与运输任务距离最远的小车：fc＝max{f1,f2,
…
fc}，将fc从小车的空闲率集合f中移除，调用小车c，并将小车c从空闲小车集合q中移除；步骤四是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，加入空闲小车集合q中，更新小车的空闲率集合f。运行路程最短规则算法(简称shortestdistance)具体包括以下步骤：
[0047]
步骤一是初始化空闲小车集合q、小车行驶距离集合s，元素编号用1，2，
…
c表示；步骤二是运输任务到达，若计算空闲小车集合q中每辆小车的运行距离sc；步骤三是求总旅行距离最短的小车：sc＝min{s1,s2,
…
sc}，调用小车c，并将小车c从空闲小车集合q中移除；步骤四是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，并加入空闲小车集合q中，更新小车行驶距离集合s。随机规则算法(简称random)具体包括以下步骤：步骤一是初始化空闲小车集合q，元素编号用1，2，
…
c表示；步骤二是运输任务到达，若随机选择小车：c＝rand({1,2,
…
c})，rand是随机方法，该方法用于随机选择指定集合中的元素，调用小车c，并将小车c从空闲小车集合q中移除；步骤三是被调用的小车完成运输任务后，返回到指定的停留点，小车状态设置为空闲状态，并加入空闲小车集合q。
[0048]
第三步是根据货位分配算法和重载agv调度规则算法，通过复合算法框架生成多种组合优化求解算法。本实施例中，5种货位分配算法和6种agv调度规则算法通过复合算法框架组成了30种组合优化求解算法，30种组合优化求解算法有利于后续使用其对仿真算例的仿真求解。
[0049]
第四步是构建仿真平台。本实施例中，根据实际车间布局搭建plant simulation仿真平台，并嵌入货位分配算法和agv调度规则算法。
[0050]
第五步是确定多个仿真算例，在所述仿真平台中采用多种组合优化求解算法对各个所述仿真算例进行仿真求解，得到多个仿真结果。本实施例中，结合岩板企业的生产场景，确定影响因子分别为空载状态下agv速度、装载状态下agv速度、接驳工位容量、订单到达时间间隔和任务类型比例的仿真算例，针对每个仿真算例，分别采用30种组合优化求解算法进行仿真求解，得到每个仿真算例对应的仿真结果，能够检验和分析算法设计方案的有效性和适合度。
[0051]
第六步是对各个所述仿真结果进行不同性能评价指标的分析，以确定各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法。本实施例中，性能评价指标包
括运输任务的最大完工时间、agv在执行运输任务的总运输距离、agv在执行运输任务的入库运输距离、agv在执行运输任务的出库运输距离、货位利用率以及agv均衡性。为了确定所提出的组合优化求解算法中的最佳算法，使用相对偏差指数(relative deviation index，rdi)对每个仿真算例下每个组合优化求解算法的目标值进行比较，有利于分析不同影响因子对目标值不同性能评价指标的影响。
[0052]
第七步是基于各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法，对应生成多重载agv的储运策略。具体地，表现最佳的组合优化求解算法使货位分配算法和agv调度规则算法得到最合理的配合。通过将表现最佳的组合优化求解算法生成的多重载agv的储运策略应用于实际岩板智能仓库的管理中，能够及时完成岩板的出入库，使岩板智能仓库的管理更加高效，进一步提升岩板企业的市场竞争力。
[0053]
优选的，在步骤s1中，在构建货位分配算法之前，还包括以下步骤：
[0054]
步骤s11：确定货物编码方式；
[0055]
步骤s12：使用所述货物编码方式对智能仓库中的货位进行编码；
[0056]
步骤s13：对完成编码的货物状态进行划分。
[0057]
本实施例中，首先确定货位编码方式，然后使用统一货物编码方式对智能仓库中的货位进行唯一编码，以求实现货品和货位的动态绑定，再依据岩板的出入库特点对货位状态进行合理划分，最后构建货位分配算法。进一步说明，仓储区货位编码和货位状态的划分是为了方便管理和使用仓储区的货位资源。货位编码一般采用字母、数字或符号等来表示货位的位置、大小等信息，以便快速准确地查找货位。货位状态则是对货位的使用情况进行分类，如空闲、占用、拣选、预约和损坏，以便掌握货位的利用情况。货位分配与货位编码和货位状态划分密切相关。在进行货位分配时，需要考虑货位状态，优先选择可用的货位进行分配。同时对于已占用或预约的货位，需要进行跟踪，及时释放已占用的货位资源，以便下一批货物的存储。
[0058]
优选的，在步骤s1中，所述关联货品出库频率的货位分配算法中，货品的出库频率计算公式如下：
[0059][0060]
其中，gii表示i类尺寸规格货品的出库频率，i＝1，2，
…
i；gni表示i类的货品往期的出库数量；
[0061]
所述基于货品价值的货位分配算法中，货品的价值计算公式如下：
[0062][0063]
其中，gvii表示i类尺寸规格货品的价值系数，i＝1，2，
…
i；gi表示i类货品的规格，用该货品所占的标准货位数表示；gni表示i类的货品往期的出库数量。
[0064]
本实施例中，在关联货品出库频率的货位分配算法中，货品的出库频率来源于以往的历史订单数据。当到达的货品不在货品的出库频率数据中，则将其频率默认为0(新产品)，在完成一批订单的出库之后，对货品的出库频率进行更新。货品的出库频率值越大，则将货品分配到离卸料点越近的货位。在基于货品价值的货位分配算法中，货品的价值系数
值越大，则将货品分配到离卸料点越近的货位。
[0065]
优选的，在步骤s5中，确定多个仿真算例之前，还包括以下步骤：
[0066]
确定仿真算例的影响因子，所述仿真算例的影响因子包括空载状态下agv速度、装载状态下agv速度、接驳工位容量、订单到达时间间隔和任务类型比例。
[0067]
本实施例中，确定仿真算例的影响因子有利于后续分析其对目标值不同性能评价指标的影响。进一步说明，空载状态下agv速度有1.0m/s、1.2m/s两个水平；装载状态下agv速度有0.6m/s、0.8m/s两个水平；接驳工位容量为1或2；订单到达时间间隔有三个水平，分别为服从均值5min、10min、15min的泊松分布；任务类型分为入库任务和出库任务，任务类型比例指的是入库数量与出库数量的比值，有低、中、高三个水平，对应值为1/7、3/7、5/7。
[0068]
优选的，在步骤s6中，表现最佳的组合优化求解算法的确定包括以下步骤：
[0069]
使用相对偏差指数(relative deviation index，rdi)对每个仿真算例下每个组合优化求解算法的目标值进行比较，具体计算公式如下：
[0070][0071]
其中，fo
im
表示组合优化求解算法m在仿真算例i下的相对偏差值；i表示仿真算例；fo
im
表示组合优化求解算法m在仿真算例i下的仿真结果；besti和worsti分别表示在仿真算例i下所有组合优化求解算法的最优结果和最差结果。
[0072]
本实施例中，通过使用相对偏差指数对每个仿真算例下每个组合优化求解算法的目标值进行比较，有利于确定每个仿真算例下所有组合优化求解算法中的最佳算法，进一步实现将该最佳算法生成的多重载agv的储运策略应用于实际岩板智能仓库的管理中。
[0073]
优选的，在步骤s6中，对各个所述仿真结果进行不同性能评价指标的分析，所述性能评价指标包括运输任务的最大完工时间、agv在执行运输任务的总运输距离、agv在执行运输任务的入库运输距离、agv在执行运输任务的出库运输距离、货位利用率以及agv均衡性。
[0074]
本实施例中，当对各个所述仿真结果以运输任务的最大完工时间为性能评价指标进行分析时，30种组合优化求解算法中的最佳算法为rlaa-nearest组合算法。当对各个所述仿真结果以agv在执行运输任务的总运输距离为性能评价指标进行分析时，货位分配算法laabcv总体表现较好，并且和agv调度规则算法nearest、random组合可以获得较小的总运输距离。当对各个所述仿真结果以agv在执行运输任务的入库运输距离为性能评价指标进行分析时，30种组合优化求解算法中的最佳算法为aacssrp_farthest组合算法。当对各个所述仿真结果以agv在执行运输任务的出库运输距离为性能评价指标进行分析时，30种组合优化求解算法中的最佳算法为laaagof_fcfs组合算法。当对各个所述仿真结果以货位利用率为性能评价指标进行分析时，由于不同的agv调度规则算法下的仓储区货位利用率变化不大，因此只考虑不同货位分配算法中表现最佳的算法，本实施例中采用货位分配算法aacssrp，可使得岩板仓库的各仓储区货位平均利用率达到70％以上。当对各个所述仿真结果以agv均衡性为性能评价指标进行分析时，30种组合优化求解算法中的最佳算法为aacssrp-shortestdistance组合算法。
[0075]
此外，在本发明的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的
模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0076]
尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于岩板智能仓库的多重载agv储运方法，其特征在于：包括以下步骤：步骤s1：构建货位分配算法，所述货物分配算法包括关联货品出库频率的货位分配算法、基于货品价值的货位分配算法、随机货位分配算法、离接驳点最近的货位分配算法和中间仓储区货位分配算法；步骤s2：构建重载agv调度规则算法，所述重载agv调度规则算法包括先到先服务规则算法、最近规则算法、最远规则算法、最高空闲规则算法、运行路程最短规则算法和随机规则算法；步骤s3：根据所述货位分配算法和所述重载agv调度规则算法，通过复合算法框架生成多种组合优化求解算法；步骤s4：构建仿真平台；步骤s5：确定多个仿真算例，在所述仿真平台中采用多种组合优化求解算法对各个所述仿真算例进行仿真求解，得到多个仿真结果；步骤s6：对各个所述仿真结果进行不同性能评价指标的分析，以确定各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法；步骤s7：基于各个所述仿真结果不同性能评价指标下表现最佳的组合优化求解算法，对应生成多重载agv的储运策略。2.根据权利要求1所述的一种基于岩板智能仓库的多重载agv储运方法，其特征在于：在步骤s1中，在构建货位分配算法之前，还包括以下步骤：步骤s11：确定货物编码方式；步骤s12：使用所述货物编码方式对智能仓库中的货位进行编码；步骤s13：对完成编码的货物状态进行划分。3.根据权利要求1所述的一种基于岩板智能仓库的多重载agv储运方法，其特征在于：在步骤s1中，所述关联货品出库频率的货位分配算法中，货品的出库频率计算公式如下：其中，gi
i
表示i类尺寸规格货品的出库频率，i＝1，2，
…
i；gn
i
表示i类的货品往期的出库数量；所述基于货品价值的货位分配算法中，货品的价值计算公式如下：其中，gvi
i
表示i类尺寸规格货品的价值系数，i＝1，2，
…
i；g
i
表示i类货品的规格，用该货品所占的标准货位数表示；gn
i
表示i类的货品往期的出库数量。4.根据权利要求1所述的一种基于岩板智能仓库的多重载agv储运方法，其特征在于：在步骤s5中，确定多个仿真算例之前，还包括以下步骤：确定仿真算例的影响因子，所述仿真算例的影响因子包括空载状态下agv速度、装载状态下agv速度、接驳工位容量、订单到达时间间隔和任务类型比例。5.根据权利要求1所述的一种基于岩板智能仓库的多重载agv储运方法，其特征在于：
在步骤s6中，表现最佳的组合优化求解算法的确定包括以下步骤：使用相对偏差指数(relative deviation index，rdi)对每个仿真算例下每个组合优化求解算法的目标值进行比较，具体计算公式如下：其中，foi
m
表示组合优化求解算法m在仿真算例i下的相对偏差值；i表示仿真算例；foi
m
表示组合优化求解算法m在仿真算例i下的仿真结果；best
i
和worst
i
分别表示在仿真算例i下所有组合优化求解算法的最优结果和最差结果。6.根据权利要求1所述的一种基于岩板智能仓库的多重载agv储运方法，其特征在于：在步骤s6中，对各个所述仿真结果进行不同性能评价指标的分析，所述性能评价指标包括运输任务的最大完工时间、agv在执行运输任务的总运输距离、agv在执行运输任务的入库运输距离、agv在执行运输任务的出库运输距离、货位利用率以及agv均衡性。

技术总结
本发明公开了一种基于岩板智能仓库的多重载AGV储运方法，包括以下步骤：构建货位分配算法；构建重载AGV调度规则算法；根据货位分配算法和重载AGV调度规则算法，通过复合算法框架生成多种组合优化求解算法；构建仿真平台；确定多个仿真算例，在仿真平台中采用多种组合优化求解算法对各个仿真算例进行仿真求解，得到多个仿真结果；对各个仿真结果进行不同性能评价指标的分析，以确定各个仿真结果不同性能评价指标下表现最佳的组合优化求解算法；对应生成多重载AGV的储运策略。本发明解决了现有多重载AGV智能仓库由于货位分配和AGV调度的配合不合理，造成货物来不及出入库的情况，不利于岩板智能仓库的管理的问题。利于岩板智能仓库的管理的问题。利于岩板智能仓库的管理的问题。


技术研发人员：廖勇 彭乘风 李翔 谢光奇 蒋纯志 雷大军 林安平 黄健全 黄惠豪 张艺敏 胡占进 周廷 张英杰
受保护的技术使用者：湘南学院
技术研发日：2023.07.07
技术公布日：2023/10/15