图 4-2 AGV 运行耗时对比图

最后,基于各算法的出库任务路径规划时间和AGV车辆执行完该任务所需时间之和,本文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（实验数据见表“出库总耗时”列所示）.如图4-3所示,协同优化算法的出库任务总耗时,在各个批次中都表现稳定,且耗时较短.

图 4-3 出库总耗时对比图

在以上实验数据分析的基础上,本文进一步计算了三种算法在所有批次中出库任务总耗时方面的最优值、平均值和方差（如表4-2所示）.从计算结果可以看出,综合所有批次的实验数据,协同优化算法的耗时最优值低于遗传算法 1.5%,低于贪心算法 11.9%;在平均值方面,协同优化算法耗时低于遗传算法 18.8%,低于贪心算法 28.7%;此外,分析方差数据可以看出,协同优化算法的稳定性远远高于其他算法.因此,同其他两种算法相比,本文提出的协同优化算法在有效性和稳定性方面具有显著优势.

表 4-2 算法有效性和稳定性数据分析表

b) 特征场景实验结果及分析
特征场景实验分析旨在验证智能仓储协同优化算法在不同场景下的表现情况.按照仓储货物可能出现的特点,我们从所有出货批次中筛选出包含该特点的出货批次,分成下列三个场景再进行算法间的对比分析.场景1：货品间相似度高、出货频率高的货品需求任务单;场景2：货品间相似度高、出货频率低的货品需求任务单;场景3：货品间相似度低、出货频率高的货品需求任务单.在实验中,我们分别对货位路径协同优化算法、传统遗传算法、贪心算法在特定场景下的路径规划算法耗时、AGV 运行时间,AGV转弯次数、冲突等待时间、完成出货任务所需AGV数量、综合耗时进行了计算.下面分别对3个场景的实验结果进行分析.

场景1的高相似度、高出货频率的货品集中出货是一般仓储常规的出货情况,一般而言发生这种情况时也会伴随出货数量大这一特点,出货量大更能够考验算法的优化效果.这种常规情景下的算法优化效果也是最值得注意和研究的.表4-3描述了在该场景下,三种算法的具体表现情况.从路径规划的时间消耗比较上来看,协同优化算法任务路径规划时间消耗最短,贪心算法任务路径规划时间消耗最长.从优化结果上分析,三者优化结果运行时间相近,货位路径协同优化算法和传统货架优化算法为 31个单位时间,转弯次数均为2次.贪心算法为30个单位时间.但是,除了货位路径协同优化算法外,其他两个算法均存在AGV运行是存在冲突.从综合用时来看,货位路径协同优化算法的表现更为出众一些,也符合预期的估计,没有造成车辆冲突的情况.因此,从货品出库效率的角度讲,协同优化算法优于其他两算法.

表 4-3 场景 1 实验结果汇总表

场景2中货品的主要特征为货品间相似度高、出货频率低,即高相似度、低出货频率的货品集中出货的场景,其主要应用于突发性缺少某些货物而进行的少量货物出库的情况.在该场景下,三种算法的表现情况如表4-4所示.具体来说,从路径规划时间上分析,货位路径协同优化算法表现最好,遗传算法其次,贪心算法较弱.其原因在于贪心算法的关注点为出入库频率,不涉及相关性问题,在高相关货品出库时,货品分散在其他货架导致其更有可能需要规划更多的货架进行出库,更多出库车辆数带来的是更高的车辆部署成本以及更久路径规划时间.从AGV路径冲突分析,货位路径协同优化算法依然有效的避免的了AGV冲突.同时,和场景1相比,在该场景下传统遗传算法和贪心算法的冲突次数都有多所降低.其原因是在这两种算法所计算的货架位置中,低频率货品安排位置一般孤立,出库时不会总是占用主要出库道路,因此相对冲突发生的机会变小.而货位路径协同优化算法则是在高频率货品放在优质出库位和集中出库时防止碰撞之间做平衡,在处理低频率货物时更可能将其和高频率货物穿插放置,其优点在于低频出货时也可能使其更近,缺点在于有些高频货物无法放在最佳出库位置上.综上,从整体优化效果来看,尽管协同优化算法仍旧比其他算法优化效果更好,但优势不如场景1中明显.

表 4-4 场景 2 实验结果汇总表

场景3中,货品的主要特征为货品间相似度低、但货品本身历史出货频率高.该场景主要发生于零散货品补货,一般货品出货量较小,AGV路径冲突问题相对不严重.在该场景下,三种算法的表现情况如表4-5所示.从实验结果可以看出,在该场景下,协同优化算法的综合表现稍弱于传统遗传算法.其原因在于协同优化算法关注货品间的相似度的适应性函数在设计之初就是为了应对集中出货导致AGV出货路径规划冲突严重这个问题,其更为关注货品间的相似度.而传统遗传算法正好相反,它更为关注货品的出货频率.因此,对于以货品低相似度、高频率为特征的场景3中,AGV冲突处理能力不在成为决定算法表现的核心因素,协同优化算法不具优势.

表 4-5 场景 3 实验结果汇总表