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.

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