南江萍
(西安交通工程學院,陜西 西安 710300)
隨著現代信息技術的發(fā)展,物流機器人開始頻繁地出現在人們日常生活中,成為提高人們生活質量的新設備。但是根據物流機器人的應用現狀來看,路徑規(guī)劃是影響物流機器人服務能力的重要組成部分,科學的路徑規(guī)劃不僅能夠降低成本,也能節(jié)省時間,具有深遠影響[1]。而根據當前相關技術的發(fā)展情況,改進蟻群算法在物流機器人路徑規(guī)劃中的作用越來越明顯,值得關注。
蟻群算法實際上是模仿自然界中螞蟻覓食過程而發(fā)展來的一種計算方法,具有全局性、目標點吸引機制等優(yōu)點[2]。本次研究中的改進蟻群算法,則是在傳統(tǒng)蟻群算法基礎上發(fā)展來的一種新型算法,能夠不斷改善路徑質量。
在物流機器人運行過程中,在不同路徑下機器人的轉彎行為可能會浪費時間并損耗資源,若在路徑規(guī)劃中出現多個彎曲,則會進一步影響機器人的運行效果,因此對算法做改進成為其中的重點內容,要求能夠盡量減少機器人路徑規(guī)劃中的不必要轉折,保證路徑平滑度,保障機器人運動代價[3-4]。所以在本次研究中,通過引入轉角啟發(fā)信息,其間轉角越小,則物流機器人選擇該路徑的概率越大,此時節(jié)點轉移概率如公式(1)表示。
在公式(1)中,P(t)為轉移概率;t為時間系數;τn表示第n各節(jié)點的轉角路徑;ωij(t)為第t時刻從i點到j點的轉角啟發(fā)函數。
T為轉彎代價;ω1為可調節(jié)參數。
同時在常規(guī)蟻群算法中,由于啟發(fā)因子受到該點i到下一節(jié)點j距離的倒數,這種情況會直接影響蟻群算法的處理效果,啟發(fā)性不理想,這種情況會加劇資源浪費問題,而考慮到物流機器人對時間的要求較高,所以本文在啟發(fā)因子分析中進行了改進,其中的重點內容就是引入節(jié)點j到目標點z之間的距離[5]。
常規(guī)蟻群算法主要通過輪盤賭法來抉擇路徑,這種方法存在一個十分明顯的弊端,這是因為在早期數據處理中可能出現很多差異不顯著的信息素,造成蟻群算法的早期收斂速度較慢,尤其是在環(huán)境規(guī)模較大的情況下,這種情況將會進一步影響物流機器人的運行效果,不利于實現最優(yōu)化計算[6-7]。所以在本文的改進蟻群算法中,對蟻群的節(jié)點選擇策略進行改進,將隨機性選擇以及定性選擇方法應用于其中,并在運算期間添加狀態(tài)轉移規(guī)則可控參數,則有計算公式:
在公式(3)中,q0為確定性選擇閾值;Nmax為最大迭代次數;Nc為螞蟻當前迭代次數;ε為調整系數。
在運算過程中,考慮到蟻群迭代期間對環(huán)境搜索的要求,所以在算法初期0q較大,此時算法在前期的路徑以偽隨機概率選擇方式為主,確保其中的信息素能夠均勻分布在有利路徑中,保證了算法前期收斂[8];而隨著運算過程的深入,q0所選值逐漸下降,滿足螞蟻隨機搜索的要求。所以與常規(guī)技術相比,本文所介紹的方法能夠顯著提升收斂速度,避免物流機器人在運行過程中出現停滯情況,有助于實現最優(yōu)解。
在傳統(tǒng)蟻群算法中,在解決信息素更新問題時需要將全部路徑更新一次,這樣所更新的路徑才能符合物流倉庫的實際情況,但是這種算法會增加路徑信息素的處理難度,不僅難以轉變?yōu)闈M意探索過的路徑信息素,即使在路徑最優(yōu)化的情況下也難以凸顯優(yōu)勢,對后續(xù)螞蟻的吸引力明顯不足[9]。針對該問題,在改進蟻群算法中應考慮到路徑吸引力情況,因此本文通過對信息素更新方式進行改進,在每次迭代結束后可以按照公式(4)的內容做處理。
在公式(4)中,τij(L)代表從i點到j點的信息迭代更新結果;為歷史迭代最優(yōu)值;Ln為本次迭代最優(yōu)值;h為可調節(jié)系數。
按照公式(4)的相關內容,在每次螞蟻迭代完成后,假設αL>Ln,則證明本次迭代的路徑更短,所以需要強化本次迭代信息素強度,并在物流機器人中保留本次路徑;若αL<Ln,證明本次迭代所發(fā)現的路徑并不是最優(yōu)值,需要減少路徑信息素強度[10]。
本文以某倉庫為研究對象,使用柵格法建模后,物流機器人需要從左上角的“訂單區(qū)”出發(fā),達到右下方的“接貨區(qū)”。本次改進螞蟻算法的主要目的,是使物流機器人在運輸期間尋找到一條最優(yōu)化的路徑。
為了更好地了解改進蟻群算法在優(yōu)化物流機器人工作路徑中的價值,本文選擇Matlab 2016仿真平臺開展實驗,設置最大循環(huán)次數為50,螞蟻數量50,通過仿真的方法比較常規(guī)蟻群技術與改進蟻群技術的應用效果,本次研究中將在相同環(huán)境下,分別設置20×20、30×30兩種柵格環(huán)境,以黑色來模擬物流倉庫內的障礙物,比較兩種技術的實施效果。
在本次仿真實驗中,在20×20環(huán)境模型下,分別模擬物流機器人在不同算法下的路徑變化情況,則仿真結果如圖1所示。
圖1 在20×20柵格環(huán)境下的仿真結果
從圖1的仿真結果可以發(fā)現,常規(guī)蟻群算法下物流機器人的運動路徑并不是最優(yōu)的,雖然最終機器人也抵達目的地,但是很明顯不如改進蟻群算法機器人的運動路徑。在詳細對比地圖仿真結果后,發(fā)現改進算法下的物流機器人的運行情況更滿意。
為進一步分析改進蟻群算法與常規(guī)算法在全局條件下的檢索能力,本文在30×30條件下對蟻群算法進行了比較,從本文的比較結果來看,常規(guī)算法與改進算法下機器人的運行路徑存在差異,相關資料如圖2所示。
圖2 在30×30柵格條件下物流機器人的運動軌跡
在比較圖2相關資料后可以發(fā)現,兩種算法都在復雜的物流運輸環(huán)境下尋找到一種路徑,但是與改進算法相比,常規(guī)算法下的路徑過于曲折,存在較多彎路,而改進算法下物流機器人的運動路徑較更加滿意。
蟻群算法在物流機器人運動路徑規(guī)劃中發(fā)揮著重要作用,而針對常規(guī)技術的缺陷,本文提出了改進蟻群算法,根據案例的仿真結果可知,本文所提出的改進算法具有技術可行性,能夠保障物流機器人在正確的路徑下運行,提高了工作效率,與常規(guī)蟻群算法相比具有明顯優(yōu)勢,值得推廣。