4 实验结果及分析

基于昆山某智能仓储的实际运维数据,我们在智能仓储仿真平台对本文提出的货位规划和路径规划协同优化算法进行了实验,并与传统遗传算法[24] 、基于出货频率的贪心算法[25] 进行了对比分析,实验结果验证了本文所提出的智能仓储货位规划与路径规划协同优化算法的有效性.

4.1 实验数据和评价指标

本次实验数据来自于昆山某生产厂商仓储物流数据,并额外加入一些干扰数据来模拟突发情况.实验数据涉及库存总货品200种,其中物品间的相似度比例大致为 6: 2: 2: 1: 1,分别代表货物间两种货品间强相关、三种货品间强相关直到六种货品间强相关,该比例的获取是从该厂商 15 天内共计 14 个批次的出库记录中统计获取的.实验中货架、地图等设置是根据单个货架可放置货品种类数、地图预留的货位位置、路径点数等信息来配置的.基本的环境设置即为实际仓储环境,货位设置为单列连续摆放,总计32个货架,仓库入口和仓库出口分别位于仓储两侧.

本文所有的实验基于以下假设：1）AGV以匀速进行直线行走、转弯、运输等动作且不出现偏离轨道的情况;2）路径点间间距等长.在衡量算法运算效果时,设AGV运行过两路径点间长度的时间为单位时间,即单位时间=路径点间距/AGV速度（本文假定AGV平均运行速度为0.5m/s,路径点间距为1m,即单位时间为2s）;3）AGV车数量充足,能够保证每个任务都有独立的车辆立即执行.

设置的对比算法为其他货架优化算法,一个为传统遗传算法[24] ,另一个为基于出货频率的贪心算法[25] ,采用的路径计算统一为本文所实现的路径规划算法.本文的货位路径协同优化算法（以下实验数据分析中简称协同优化算法）和传统货架优化遗传算法,设定变异率为0.07,交叉率为0.68,迭代代数均为300.为了让遗传算法可以和本文所设计的算法形成对比,在遗传算法的适应性函数中添加了货品相关性β的影响,并为其设置了影响系数0.2,出货频率的系数α为0.8.

在实验结果的分析中,主要评价指标包括为完成出库任务进行路径规划的算法自身耗时（记为出库路径规划耗时）、AGV车辆按规划路径执行完出库任务的预估耗时（记为AGV运行耗时）、完成出库任务总耗时（即出库路径规划耗时和AGV运行耗时之和,记为出库总耗时）、为完成出库任务所需调用的AGV车辆数目（记为动用车辆数）等.

4.2 实验结果及分析

下面我们将基于14个批次的出库数据,从不同的维度来对比分析货位路径协同优化算法的表现情况.首先,我们分析各算法在完成所有批次货物出库的情况下的总体实验结果,即包含各类货品特征的仓储综合场景,该场景对应于实际仓储的综合运行状况.其次,为了分析智能仓储协同优化算法在特定特征场景下的优化效果,我们筛选出符合不同特点的出货批次,分成下列三个特征场景进行各算法间的对比分析,具体包括 1）以货品间相似度高、出货频率高为特点的场景 1;2）以货品间相似度高、出货频率低为特点的场景 2;3）以货品间相似度低、出货频率高为特点的场景 3.下面分别对以上场景的实验结果进行具体描述和分析.

a) 总体实验结果及分析

本文对所有批次数据分别进行了实验,统计了三种算法在完成各批次货品时的出库任务路径规划时间（见表4-1中“出库路径规划耗时”列）和AGV车辆执行完该批次任务所需时间（见表4-1中“AGV运行耗时”列）.从而计算出各算法在实际运行过程中完成出货任务的总时间消耗（见表4-1中“出库总耗时”列）,即路径规划时间和AGV执行任务时间之和.具体实验结果数据如表 4-1 所示.

表 4-1 各批次出库情况实验数据汇总表

首先,基于表AGV-1中“出库路径规划耗时”列所示实验数据,本文从路径规划时间角度对实验结果进行分析.如图AGV-1所示,本文提出的协同规划算法在在路径规划时间上比较稳定,且用时较短,而其他两种算法用时不稳定,且在大多数批次中,用时明显大于协同优化算法.探究其原因主要在于,在多AGV场景下,路径规划的最好情况是每个AGV从起点出发,按规划路径行驶,到终点无冲突,那么路径规划只需进行一次即可.相反,若多AGV在车辆规划路径时发生冲突时,算法会进行三件事：等待 1 个单位时间计算路径;计算绕路的路径;从两种方案中决策较优方案.因此,一旦多AGV发生冲突,路径规划算法的工作量会急剧攀升,这就是导致其他两算法路径规划时间不稳定的原因.而协同优化算法将货位路径重合变成影响货架摆放的因素,对货架摆放结果产生影响,实验数据证明此方法可明显的减少并避免了冲突,显著降低了出库路径规划用时的消耗.

图 4-1 出库路径规划耗时对比图

其次,从AGV完成出货任务的时间消耗角度分析,本文统计了AGV按规划路线实际执行任务所需时间.对于每一批次,我们将该批次中执行出货任务用时最长的AGV运行时间计为该批次的AGV执行出货任务耗时.在进行具体预估计算时,按照上文所述的假设给定的单位时间为2s.同时,考虑到实际运行中,车辆的停止、转向和启动这个过程会额外耗时.因此,每一次车辆转弯额外增加1个单位时间用时.再者,当AGV发生冲突时,计算车辆间冲突视为1个单位时间,和转弯类似,AGV在避免冲突时存在停止再启动,等待时间系统设置为1个单位时间,即每一次AGV冲突共需要消耗2个单位时间.综合上述时间代价,计算出各算法在AGV完成出货任务耗时的总时间,实验结果如基于表4-1中“AGV运行耗时”列实验数据所示.基于实验数据生成了AGV运行预估耗时折线图（图4-2）.如图所示,按三种算法所规划出的AGV路径执行出货任务时,AGV 的预估耗时差距不明显.本文对该实验结果进行了进一步分析认为,协同优化算法在计算货架位置时,不是以出入库频率作为唯一的计算依据,为了避免碰撞会适当将相似度高的货架分开放置,以有效避免高相似度货品同时出货时AGV路径冲突的现象.但其缺点在于不能够把高频率的货架放在最容易出货的位置.而实验中的预估出货时间时会以同一批次多个AGV中最长运行时间为准,因此,从运行时间的角度来看,协同优化算法的优势不大.还有两个因素存会影响到最终时间,就是转弯时间惩罚和冲突等待时间惩罚,惩罚力度的改变也会对结果产生比较大影响.本文设置的惩罚力度比较柔和,所以,各算法在AGV运行预估时间上比较相近.