馬 駿，王亞東，蔡國旗，夏琴香，程秀全

（1. 珠海格力精密模具有限公司， 廣東珠海 519070； 2. 華南理工大學(xué)機(jī)械與汽車工程學(xué)院， 廣州 510641；3. 廣州民航職業(yè)技術(shù)學(xué)院， 廣州 510403）

0 引言

AGV 是由計(jì)算機(jī)控制并配備不同導(dǎo)航系統(tǒng)以實(shí)現(xiàn)物料水平移動(dòng)的無人駕駛的車輛[1]。AGV 非常適合物料從/到多個(gè)目的地的長距離水平移動(dòng)。它們也適用于重復(fù)/可預(yù)測的材料運(yùn)輸和/或危險(xiǎn)任務(wù)[2]。AGV 的運(yùn)行控制可以集成到計(jì)算機(jī)控制系統(tǒng)中，也可以自身集成導(dǎo)航與控制為一體來進(jìn)行工作，多AGV組成的系統(tǒng)一般都由遠(yuǎn)端計(jì)算機(jī)進(jìn)行中央控制。AGV到目前為止已經(jīng)廣泛應(yīng)用于制造、物流等領(lǐng)域。在柔性制造系統(tǒng)（Flexible Manufacturing System，F(xiàn)MS）中，AGV 能同機(jī)床共同協(xié)作，在不同機(jī)床間傳遞物料，一般運(yùn)輸盛放物料/貨物的托盤；自升式AGV可以應(yīng)用在自動(dòng)化集裝箱碼頭等轉(zhuǎn)運(yùn)系統(tǒng)上，而無需其他設(shè)備將負(fù)載轉(zhuǎn)移到車輛上[3]。在倉儲(chǔ)中，AGV 不僅能夠?qū)⑽锪蠌膫}儲(chǔ)位置運(yùn)送到所有工作中心，也能夠在各工作站點(diǎn)間來回傳送。

高效的調(diào)度對(duì)于AGV應(yīng)用至關(guān)重要，不僅僅能夠減少能耗，而且能夠減少系統(tǒng)中機(jī)器的待機(jī)時(shí)間，提高整個(gè)系統(tǒng)的工作效率。術(shù)語 “調(diào)度” 是指將AGV分配給任務(wù)的過程，考慮到完成操作成本和所需時(shí)間[4]。考慮到調(diào)度問題的目標(biāo)、局限性和考慮因素的多樣性，不斷改進(jìn)的AGV調(diào)度以獲得在真實(shí)環(huán)境的效果仍然是當(dāng)前研究熱點(diǎn)。大型AGV系統(tǒng)需要建立新的分析和仿真模型，以克服計(jì)算量大、NP 完全性、擁塞、系統(tǒng)死鎖和延遲以及有限的規(guī)劃時(shí)間[5]，AGV調(diào)度準(zhǔn)則大概有6 個(gè)：（1）完工時(shí)間；（2）總完工時(shí)間；（3）平均流動(dòng)時(shí)間；（4）平均等待時(shí)間；（5）延遲時(shí)間；（6）拖期。到目前為止，大多數(shù)AGV調(diào)度的文獻(xiàn)很少考慮特別的約束場景，如運(yùn)輸作業(yè)過程中單個(gè)AGV負(fù)載大小約束、制造車間與其他設(shè)備相配合調(diào)度形式以及待機(jī)過程時(shí)?？康淖顑?yōu)位置，這些約束在大型AGV系統(tǒng)的實(shí)際應(yīng)用中變得越來越重要。

智能計(jì)算（Intellectual Computing，IC）是人們面對(duì)生物進(jìn)化后逐步適應(yīng)現(xiàn)實(shí)世界的規(guī)律進(jìn)行模仿設(shè)計(jì)的算法。解決AGV 調(diào)度問題需要合適的數(shù)學(xué)優(yōu)化算法，智能計(jì)算方法為解決AGV 調(diào)度問題提供了眾多優(yōu)秀的算法，主要包含遺傳算法、粒子群算法、蟻群算法、人工神經(jīng)網(wǎng)絡(luò)等。本文主要通過群智能計(jì)算、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)等主流算法開展對(duì)AGV 調(diào)度研究，主要涉及車間柔性制造系統(tǒng)研究進(jìn)展及前景的探討。

1 群智能計(jì)算

群 智 能（Swarm Intelligence， SI）， 也 稱 仿 生 網(wǎng) 絡(luò)（Bio-inspired networking，BIN），是由一組自由個(gè)體（individ?ual/agent）遵循簡單行為規(guī)則、通過個(gè)體間的局部通信以及個(gè)體與環(huán)境間的交互作用而涌現(xiàn)出來的集體智能行為的自組織特性，是對(duì)現(xiàn)實(shí)世界中的群居性生物或人工群體所呈現(xiàn)出的有序群行為（Swarm behavior）的抽象[6]，群智能計(jì)算是指利用群集優(yōu)勢在沒有集中控制、不提供全局模型的前提下，可由大量簡單個(gè)體組成的群體分布式協(xié)作尋找復(fù)雜問題最優(yōu)解。

群智能計(jì)算方法屬于啟發(fā)式計(jì)算方法，其涉及模型通常具有生物激勵(lì)的特性，主要包括蟻群算法、粒子群優(yōu)化、人工免疫系統(tǒng)、智能水滴算法、分組搜索優(yōu)化、魚群搜索算法、細(xì)菌趨藥算法、螢群算法、蜜蜂交配優(yōu)化、跳蛙算法、入侵性雜草優(yōu)化、蝙蝠算法[7-13]等。

1.1 粒子群優(yōu)化

粒子群優(yōu)化（Particle Swarm Optimization，PSO）最初是用來研究模擬鳥群尋找食物的集體行為，其基本原理是種群中每個(gè)成員作為獨(dú)立粒子在每次迭代中以一定的速度和加速度向更好的位置移動(dòng)，圖1 所示為每代任意粒子迭代過程[17]，最終求得最佳位置得到問題的解。粒子群優(yōu)化算法運(yùn)算高效、結(jié)構(gòu)簡單，是近些年來研究FMS 調(diào)度問題，特別是具體到車間AGV系統(tǒng)調(diào)度研究熱點(diǎn)。

圖1 粒子迭代框架

FMS 中的調(diào)度問題能很好地用PSO 方法解決，比如在對(duì)于車間與AGV 同步調(diào)度研究上，Murata 等[18]采用二元粒子群優(yōu)化算法(Binary Particle Swarm Optimization，BPSO)用最大完工時(shí)間最小化的函數(shù)對(duì)多臺(tái)機(jī)床與AGV調(diào)度進(jìn)行了優(yōu)化。通過與時(shí)間窗（Time Windows Approach，TWA）方法[19]、遺傳算法（Genetic Algorithm coding by Ulusoy）[20]、遺傳算法（Ge?netic Algorithm coding by Abdelmaguid）[21]進(jìn)行對(duì)比，BPSO 在應(yīng)對(duì)機(jī)床與AGV同步調(diào)度中總體性能表現(xiàn)更好。Zhang等[22]針對(duì)多品種、小批量生產(chǎn)訂單驅(qū)動(dòng)的AGV服務(wù)制造系統(tǒng)的優(yōu)化問題進(jìn)行了研究，以機(jī)床與AGV 的利用率為綜合評(píng)價(jià)函數(shù)，建立了一種集成機(jī)床與AGV的調(diào)度模型，并提出了一種改進(jìn)的粒子群算法（Improved Particle Swarm Optimization，IPSO），算法具有主粒子與嵌套粒子的特點(diǎn)。通過實(shí)驗(yàn)與PSO 和遺傳算法（Genetic Algorithm，GA）相比，嵌套粒子群算法收斂和求解效率方面具有更大優(yōu)勢，能夠?yàn)锳GV服務(wù)制造系統(tǒng)的柔性調(diào)整提供有益借鑒。

PSO 與其他算法相結(jié)合較為容易，學(xué)界已經(jīng)有基于PSO的混合算法來研究AGV 調(diào)度問題。Mousavi 等[23]將PSO 與GA相結(jié)合研究了在FMS 的多目標(biāo)AGV 調(diào)度問題，特別考慮了AGV電池?fù)p耗的影響，通過最小化AGV的最大完工時(shí)間和數(shù)量建立了多目標(biāo)數(shù)學(xué)模型，通過對(duì)單一算法（PSO/GA）與所提算法進(jìn)行試驗(yàn)，3種算法都具有對(duì)問題解決的適用性，混合GA-PSO算法在平均AGVs運(yùn)算效率具有更高的效率。在考慮FMS的工作中心處理最小行程和等待時(shí)間上，Chawla等[24]提出了多負(fù)載AGV 和任務(wù)的同步調(diào)度思想，將PSO 與因模算法（MA）相結(jié)合，提出了一種改進(jìn)文化基因粒子群算法（Modi?fied Memetic Particle Swarm Optimization，MMPSO），試驗(yàn)結(jié)果表明，與PSO算法相比，MMPSO在多負(fù)載AGV的實(shí)施動(dòng)態(tài)調(diào)度具有更好的效果，能夠有效生成多負(fù)載AGV調(diào)度問題的最優(yōu)初始解。

1.2 蟻群算法

蟻群算法（Ant Colony Optimization，ACO）是Dorigo 于1995年通過模擬自然界中螞蟻覓食行為的集體尋徑行為而提出的一種基于種群的仿生進(jìn)化算法。與粒子群算法一樣，自20世紀(jì)90年代誕生以來，兩者在智能算法領(lǐng)域引起了研究者們巨大興趣。相比較于其他算法，ACO 最顯著的特點(diǎn)是采用了正反饋的機(jī)制，單個(gè)個(gè)體只能夠感知局部信息，不能直接利用全局信息。

ACO 每一次迭代中，都會(huì)考慮一些人工螞蟻，其中的單個(gè)個(gè)體都通過在假定的路徑圖從一個(gè)點(diǎn)走到另一個(gè)點(diǎn)來構(gòu)建一個(gè)解決方案，并且限制不訪問其在行走中已經(jīng)訪問過的任何頂點(diǎn)。在解構(gòu)造的每一步，螞蟻都會(huì)根據(jù)信息素偏向的隨機(jī)機(jī)制選擇要訪問的下一個(gè)頂點(diǎn)：在頂點(diǎn)i中，下一個(gè)頂點(diǎn)是在先前未訪問的頂點(diǎn)中隨機(jī)選擇的，如圖2所示[25]。

圖2 城市中的螞蟻通過一個(gè)隨機(jī)機(jī)制選擇下一個(gè)要訪問的城市

在過去10年間，有學(xué)者對(duì)ACO能否為制造業(yè)中AGV小車提供更多智能理念進(jìn)行了探索[26]，研究針對(duì)ACO在AGV系統(tǒng)設(shè)計(jì)與控制中應(yīng)用是否具有可行性，但研究未見在具體到調(diào)度方面。對(duì)于車間AGV調(diào)度問題學(xué)界利用該算法也進(jìn)行了探索。針對(duì)AGV的無沖突路由問題（CFRP）和最基本的車間作業(yè)調(diào)度問題（JSSP），Saidi-Mehrabad 等[27]研究了AGV 的車間作業(yè)調(diào)度問題（Job-Shop Scheduling Problem，JSSP）和無沖突路由問題（Conficlt-Free Routing Problem，CFRP）的集成模型，提出了一種混合整數(shù)線性規(guī)劃模型，并采用兩階段蟻群算法進(jìn)行求解。該項(xiàng)工作意義在于通過建立混合整數(shù)數(shù)學(xué)模型來同時(shí)考慮JSSP 和CFRP 的問題，最后通過采用ACA 進(jìn)行求解。結(jié)果表明，與Exact算法相比，在時(shí)間上ACA能夠更有效率地得出結(jié)果。

有學(xué)者對(duì)ACO 結(jié)合其他算法進(jìn)行對(duì)調(diào)度問題進(jìn)行了研究，Deng 等[28]提出了一種基于多種群策略、協(xié)同進(jìn)化機(jī)制、信息素更新策略和信息素?cái)U(kuò)散機(jī)制的改進(jìn)蟻群算法（Im?proved Ant Colony Optimization，ICMPACO），平衡了收斂速度和解的多樣性，提高了求解大規(guī)模優(yōu)化問題的優(yōu)化性能，能夠很好解決經(jīng)典的旅行商問題和門分配問題，在未來勢必將會(huì)為AGV調(diào)度研究中能夠利用ACO提供理論參考。

1.3 人工蜂群算法

人工蜂群算法（Artificial Bee Colony，ABC）是模仿蜂群提出的一種優(yōu)化方法，其主要特點(diǎn)是不需要了解問題的特殊信息，只需要對(duì)問題進(jìn)行優(yōu)劣的比較，通過各個(gè)個(gè)體間的協(xié)作來尋找最優(yōu)解的算法。迄今為止，利用ABC 對(duì)現(xiàn)實(shí)世界的研究最為廣泛[29]。

由承辦部門將合同相關(guān)的簽約依據(jù)、相對(duì)人資質(zhì)、合同文本等資料分類上傳至合同管理信息系統(tǒng)并送審。合同承辦部門應(yīng)對(duì)所提交資料的真實(shí)性、合同草本中標(biāo)的金額的準(zhǔn)確性、一致性等負(fù)責(zé)。

雖然ABC 研究領(lǐng)域眾多，但是在調(diào)度問題上目前研究較少，至于車間中AGV調(diào)度問題，近年來才逐漸引起研究者們興趣。Baradaran 等[30]提出了一個(gè)二元人工蜂群算法（Binary Artificial Bee Colony，BABC）去研究了伴有多個(gè)硬性優(yōu)先時(shí)間窗口和一個(gè)異構(gòu)車輛的路徑問題。Zou等[31]針對(duì)線型制造車間的物料搬運(yùn)中AGV 調(diào)度問題，以最小化單元等待時(shí)間和AGV 總行駛距離兩者的標(biāo)準(zhǔn)差最小化為目標(biāo)，提出了一個(gè)有效的離散人工蜂群算法（Discrete Artificial Bee Colony，DABC），包含了基于啟發(fā)式的初始化、六鄰域結(jié)構(gòu)和新的旁觀者蜂群進(jìn)化策略。

1.4 其他群智能算法

除了以上較為熱門的群智能算法外，還有一些優(yōu)秀的群智能算法已經(jīng)被用來研究制造系統(tǒng)中AGV 調(diào)度問題，如：Gnanavelbabu 等[32]利用人工免疫算法（Artificial Immune Sys?tem，AIS）研究了FMS 中生產(chǎn)任務(wù)、AGV、自動(dòng)存儲(chǔ)與檢索系統(tǒng)的多目標(biāo)調(diào)度。隨著群智能算法研究不斷發(fā)展以及計(jì)算能力的日益提高，勢必將對(duì)車間AGV復(fù)雜調(diào)度問題提供更好研究支持。Nabovati等[33]研究一種新的機(jī)床與AGV同時(shí)調(diào)度模型，提出了兩種元啟發(fā)式算法：模糊多目標(biāo)入侵雜草優(yōu)化算法（Fuzzy Multi-Objective Invasive Weed Optimization， FMI?WO）、模糊多目標(biāo)布谷鳥搜索算法（Fuzzy Multi-Objective Cuckoo Search Algorithm）。計(jì)算結(jié)果表明，F(xiàn)MIWO 在求解問題方面具有最好的性能。

目前還有一些已發(fā)掘的群智能算法尚未應(yīng)用研究到AGV調(diào)度問題中，伴隨著智能制造未來實(shí)施推進(jìn)，某些群智能算法適合于解決特定場合的AGV調(diào)度問題將會(huì)被研究發(fā)掘。特別當(dāng)應(yīng)對(duì)AGV群規(guī)模比較大的調(diào)度問題時(shí)，群智能算法將會(huì)發(fā)揮其獨(dú)特地能夠解決大型優(yōu)化問題的特性。

2 遺傳算法

遺傳算法(Genetic Algorithm，GA)是由John H于1975年用來被理解為一個(gè)基于基因和自然進(jìn)化機(jī)制的優(yōu)化復(fù)雜方程過程，基本算法模型如圖3所示。2001年，Ponnambalam等[34]指出GA 是最流行的進(jìn)化算法類型。遺傳算法所取得的良好效果，使許多研究者開始將其應(yīng)用于求解AGV調(diào)度問題，包括FMS 環(huán)境中涉及到有關(guān)AGV 配置[19-20,34-42]，以及倉儲(chǔ)[43]、自動(dòng)化集裝箱碼頭[44-45]等領(lǐng)域。

圖3 遺傳算法模型

21世紀(jì)初，Ulusoy[35]應(yīng)用遺傳算法研究了在FMS中機(jī)床與AGV 同步調(diào)度的問題，分析了算法對(duì)應(yīng)包含有6 個(gè)加工中心和2 個(gè)AGV 的3 種不同F(xiàn)MS 布局配置下算法的性能，性能研究結(jié)果驗(yàn)證算法的優(yōu)越性，也驗(yàn)證了該算法非常適合解決此類問題。Sankar[36]對(duì)新到生產(chǎn)任務(wù)、機(jī)床和AGV 的同步調(diào)度進(jìn)行了探索，利用1 臺(tái)AGV 和4 臺(tái)機(jī)床組成的FMS 進(jìn)行了遺傳算法優(yōu)化及計(jì)算機(jī)仿真的思想，通過與其他算法（Kangaro算法）進(jìn)行對(duì)比驗(yàn)證了算法的有效性和優(yōu)越性。Taghavifard等[37]利用調(diào)度規(guī)則和遺傳算法以最小化制造周期來研究機(jī)床與AGV 的同步調(diào)度問題，將實(shí)驗(yàn)結(jié)果與其他文獻(xiàn)的最優(yōu)值進(jìn)行比較，并強(qiáng)調(diào)了該方法在效率與求解質(zhì)量方面的有力性能。

近幾年來，遺傳算法應(yīng)用不斷發(fā)展，大多以改進(jìn)形式研究應(yīng)用在眾多行業(yè)，尤其在制造領(lǐng)域[38-41]。Ren 等[39]根據(jù)協(xié)同制造系統(tǒng)特點(diǎn)，提出了一種改進(jìn)的遺傳算法來求解協(xié)同制造系統(tǒng)的生產(chǎn)效率問題，改進(jìn)算法不僅優(yōu)化了基因序列，而且優(yōu)化了作業(yè)操作序列和AGV運(yùn)動(dòng)序列。仿真結(jié)果表明了該改進(jìn)算法有效性，與標(biāo)準(zhǔn)遺傳算法相比更加有效率。針對(duì)以往研究采用固定數(shù)量AGV或不考慮路由和運(yùn)輸時(shí)間的問題，Lyu等[40]通過考慮AGV 的最優(yōu)數(shù)量、最短運(yùn)輸時(shí)間、路徑規(guī)劃問題、無沖突路由問題，提出了一種結(jié)合基于時(shí)間窗和Dijkstra算法的遺傳算法。通過兩組實(shí)驗(yàn)表明，算法在求解調(diào)度問題上與基準(zhǔn)方法同樣有效，同時(shí)也適用于FMS 中集成調(diào)度問題。Chen 等[41]研究了基于空間約束AGV 的預(yù)制浴室單元（PBU）制造系統(tǒng)的調(diào)度問題。為了防止死鎖情況，必須控制PBU 的生產(chǎn)啟動(dòng)時(shí)間，提出的遺傳算法能夠確定每個(gè)工作站操作，并為每個(gè)PBU 選擇一個(gè)啟動(dòng)時(shí)間。通過實(shí)際的工業(yè)項(xiàng)目數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證了該算法的有效性。Liu等[42]將兩種自適應(yīng)遺傳算法（Adaptive Genetic Algorithm, AGA）和一種多目標(biāo)遺傳算法（Multi-adaptive Genetic Algorithm，MAGA）相結(jié)合，建立了AGV的多目標(biāo)數(shù)學(xué)模型，并將其應(yīng)用于AGV任務(wù)調(diào)度中，還考慮了AGV的充電任務(wù)和速度變化，最小化了AGV最大完工時(shí)間、使用數(shù)量、電量損耗。實(shí)驗(yàn)證明MAGA 在3 種算法表現(xiàn)最好，優(yōu)化前后目標(biāo)值變化30%，驗(yàn)證了模型和MAGA算法的有效性。

已有學(xué)者基于GA 結(jié)合其他智能算法也開展了FMS 的AGV調(diào)度研究[18,46]。Umar[46]提出一種基于遺傳算法的FMS環(huán)境下作業(yè)和AGV的集成調(diào)度且無沖突路由選擇的算法。該算法在考慮優(yōu)化最大完工時(shí)間、AGV 的旅行商問題和由于沖突而導(dǎo)致作業(yè)延誤和延遲的因素的同時(shí)，生成一個(gè)完整的調(diào)度和詳細(xì)的路由路徑。采用模糊專家系統(tǒng)對(duì)遺傳算子進(jìn)行控制，提高了前兩代群體的群體性能。該算法特點(diǎn)是考慮了AGV調(diào)度、作業(yè)調(diào)度、路由選擇各因素，保證了各集成要素可行性和有效性，通過計(jì)算實(shí)驗(yàn)驗(yàn)證了算法的有效性。

遺傳算法目前仍是最重要的優(yōu)化方法之一，在工業(yè)界的建模設(shè)計(jì)、優(yōu)化、控制等等方面發(fā)揮著巨大的作用，隨著AGV 智能化程度和車間等應(yīng)用場景復(fù)雜度提高，將來應(yīng)用遺傳算法進(jìn)行AGV調(diào)度研究將會(huì)繼續(xù)發(fā)展下去。

3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Nueral Network，ANN）又簡稱為神經(jīng)網(wǎng)絡(luò)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對(duì)函數(shù)進(jìn)行估計(jì)或近似，它是一種重要的智能計(jì)算方法，也是當(dāng)今受到火熱研究的機(jī)器學(xué)習(xí)的基礎(chǔ)。從簡單的單層神經(jīng)網(wǎng)絡(luò)（圖4）發(fā)展到現(xiàn)在已經(jīng)產(chǎn)生兩層、多層類型網(wǎng)絡(luò)，如BP、 Pre-training、 Drop?out 等，并廣泛地延伸到各個(gè)學(xué)科領(lǐng)域，其中也包含了對(duì)于AGV 調(diào)度應(yīng)用研究[47]。

圖4 單層神經(jīng)網(wǎng)絡(luò)

Li等[47]針對(duì)AGV系統(tǒng)中死鎖問題提出了一種基于ANN的AGV 調(diào)度算法，該方法充分利用了傳統(tǒng)調(diào)度算法和深度學(xué)習(xí)（Deep Learning，DL）的優(yōu)點(diǎn)，前者防止了死鎖和沖突，后者提高了效率。Hegera[48]以簡單性和小計(jì)算時(shí)間用于排序操作、路由作業(yè)和調(diào)度AGV為優(yōu)先規(guī)則，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)排序、調(diào)度、路由等不同規(guī)則組合對(duì)系統(tǒng)性能的影響。在訓(xùn)練網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)規(guī)則的組合進(jìn)行了優(yōu)化，降低了系統(tǒng)性能變化時(shí)作業(yè)的平均延誤。

隨著人工智能在近幾年爆發(fā)，以DL為代表的神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)智能算法被研究在AGV 中，其中Xue 等[49]采用了強(qiáng)化學(xué)習(xí)方法研究了多AGV 流水作業(yè)調(diào)度問題，通過定義狀態(tài)特征、行為空間和報(bào)酬函數(shù)，將調(diào)度問題歸結(jié)為馬爾科夫問題，提出了一種強(qiáng)化學(xué)習(xí)的調(diào)度方法。仿真結(jié)果表明，該方法在動(dòng)態(tài)環(huán)境下學(xué)習(xí)了以往的最優(yōu)或近似最優(yōu)解，比多智能體調(diào)度方法具有更好的性能。Hu 等[50]針對(duì)車間環(huán)境的高動(dòng)態(tài)性、復(fù)雜性和不確定性的問題，以最小化車間的完工時(shí)間和延遲率為問題的目標(biāo)，提出了一種基于混合規(guī)則的自適應(yīng)深度強(qiáng)化學(xué)習(xí)AGVs 實(shí)施調(diào)度方法。根據(jù)訓(xùn)練過程和對(duì)比實(shí)驗(yàn)，該方法能夠有效地基于柔性車間的場景來選擇合適的調(diào)度規(guī)則和AGV。

隨著大數(shù)據(jù)、5G、云計(jì)算技術(shù)興起，基于ANN的智能算法思想正不斷演化到研究于高技術(shù)產(chǎn)業(yè)中，對(duì)于AGV調(diào)度問題研究也正在不斷被探索與應(yīng)用中，本文認(rèn)為雖然目前人工神經(jīng)網(wǎng)絡(luò)在AGV調(diào)度中應(yīng)用較少，但是隨著人工智能技術(shù)發(fā)展，未來利用人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的智能學(xué)習(xí)算法的AGV調(diào)度研究勢必將會(huì)成為新的AGV領(lǐng)域研究熱點(diǎn)。

4 結(jié)束語

本文結(jié)合智能計(jì)算方法對(duì)AGV調(diào)度問題的研究近況進(jìn)行了綜述，通過對(duì)群智能計(jì)算、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)等主流智能算法引入介紹，分析了算法間的特性，闡述了在制造車間開展AGV調(diào)度問題的研究主要思路。通過對(duì)這些工作回顧與總結(jié)梳理，為相關(guān)學(xué)者提供關(guān)于AGV智能調(diào)度研究的參考。

（1）群智能計(jì)算作為新興的計(jì)算方法，已經(jīng)越來越受到關(guān)注，并且與其他算法如遺傳算法等聯(lián)系緊密，未來利用該方法與進(jìn)化方法結(jié)合將會(huì)是研究AGV調(diào)度問題的重要方向。

（2）遺傳算法在智能優(yōu)化計(jì)算領(lǐng)域仍然占據(jù)重要位置，在AGV調(diào)度領(lǐng)域以及其他眾多領(lǐng)域仍然具有重要研究與應(yīng)用價(jià)值。

（3）人工智能研究最近幾年呈爆發(fā)趨勢，人工神經(jīng)網(wǎng)絡(luò)是基于學(xué)習(xí)的方法，對(duì)于此類帶有經(jīng)驗(yàn)的智能方法來研究AGV車間調(diào)度問題，未來將是此類研究的重要趨勢。