本发明涉及任务分配，具体涉及一种多agv任务分配方法。
背景技术：
1、随着制造业的不断发展，自动化技术在生产线上的应用越来越广泛。在仓储物流中，常使用自动导引agv辆agv进行搬运货物，搬运任务的数量通常不是固定的，是动态产生的，具有随机性且任务的密集度大，且任务的时效性要求较高。设置合理的任务分配策略能够有效缩短agv完成总任务的时间，加快agv对任务的响应速度，提高系统的总体效率。
2、随着生产线规模的不断扩大和复杂性的增加，单一agv的任务分配已经无法满足生产需求。因此，如何合理地分配多台agv的任务，以提高整个生产线的效率和灵活性，成为了当前制造行业亟待解决的问题之一。任务分配有集中式和分布式两种方式，集中式是将所有agv的信息和任务的信息都集中在一台服务器上，分配出较好的结果，但是，上述方式对于服务器的要求很高，特别是当任务数量和agv数量较多时，集中式处理方式就显得较为缓慢。
技术实现思路
1、鉴于以上所述现有技术的缺点，本发明提供一种多agv任务分配方法，能够实现对任务分配结果的优化，稳定性高，可以提高算法搜索效率、寻优能力和计算稳定性，可以提高求解质量。
2、为实现上述效果，本发明的技术方案如下：
3、第一个方面，本发明提供多agv任务分配方法方法，包括以下步骤：
4、s1、获取agv信息和任务信息，对待送货加工位和待取空托盘加工位进行任务匹配，同时设定粒子群参数；
5、s2、对每个粒子进行编码；设置粒子初始位置和速度；
6、s3、设置初始解验算子对编码后的每个粒子进行检查；
7、s4、对检查合格的粒子进行解码生成对应agv的行驶路径，根据适应度函数计算每个粒子的适应度；
8、s5、根据每个粒子的适应度确定每个粒子的最佳位置，同时确定粒子群体中的最佳位置；
9、s6、更新每个粒子的速度与位置，每一个粒子建立惯性权重，得出每个粒子的个体最优解与全局最优解；
10、设定m辆agv执行搬运任务，agv编号为1,2,3,...,m；在某个时间段内共有n个任务生成，编号为1，2，3，...，n，一辆agv一次只能搬运一个货物，通过粒子群算法分配每一辆agv的结果集合为rm＝{a，b…|a，b∈n}，每一个任务信息为in{s，e，t}，其中s代表任务的起点坐标，e代表任务的终点坐标，t代表任务的创建时间。
11、进一步的，所述s1中，agv信息包括总agv数、agv辆编号、每辆agv的起始agv站和电量，所述agv任务包括待送货任务信息、待取空盘任务信息，所述agv按照自然数顺序编号。
12、进一步的，所述s1中，粒子群参数包括：c1，c2为学习因子、r1，r2为随机参数、w为惯性权重、q为粒子个数、m为迭代次数，d为粒子维度，等于待取货任务数量。
13、进一步的，所述agv执行搬运任务时将总距离di作为agv任务的目标函数：
14、
15、其中，rm是每辆agv分配到的任务数量，m是agv的数量，c是当前agv所在的位置，ns是任务的起点坐标，ne是任务的终点坐标；|ns-ne|是两点之间的曼哈顿距离，|c-ns|是agv当前位置到下一个任务起点的曼哈顿距离；
16、采用综合指标调度原则作为agv任务调度的评价指标；每一个任务的时间方差为ti，如式(2)所示，其中，tn表示从agv在线任务分配系统开始运行到当前时刻的时间值，ci表示每个任务的创建时间；综合调度原则中的t表示为如式(3)所示；以di作为综合目标函数中的d，目标函数target的表示函数为式(4)所示；
17、
18、
19、target＝(a1*di+a2*t) (4)
20、其中，a1表示距离权重系数；a2表示时间方差权重系数；d表示所有agv执行完全部任务行驶的距离；t表示每一个任务执行完后的时间方差累加和。
21、进一步的，所述s6中，更新每个粒子的速度与位置是依靠速度与位置公式，具体为：
22、计算各个粒子的惯性权重；粒子根据惯性权重改变朝各个方向的运动速度，进而改变粒子的位置；公式如下：
23、vi＝w*vi+c1*rand()*(pbi-xi)+c2*rand()*(gbi-xi) (5)
24、xi＝xi+vi (6)
25、其中，vi是粒子的速度，w是惯性权重，c1、c2是学习因子；rand是介于0-1之间的随机数，pbi和gbi是局部最优粒子和全局最优粒子，xi是粒子的位置。
26、进一步的，更新每个粒子的速度时，所述粒子的位置用0/1表示，粒子速度的每一位代表粒子位置所对应的取值为0/1的可能性，假设有n个任务，则粒子的初始位置由n个数组成，粒子的初始速度有n个维度；
27、code＝{randperm(n)} (7)
28、v1＝{randperm(n)} (8)
29、v2＝{-1，-1，…-1} (9)
30、v3＝{-1，-1，…-1} (10)
31、其中，code是粒子的编码，randperm是随机取值函数，粒子有三个方向的速度，v1代表粒子的初始速度，v2代表粒子朝向局部最优粒子的速度，v3代表粒子朝向全局最优解粒子的速度。
32、进一步的，所述惯性权重w表示为：
33、w(i)＝w1-w2-w3+w4 (11)
34、w1＝cmax-rnm*(cmax-cmin) (12)
35、其中，rnm是num和max的比值，num是粒子群的迭代次数，max是粒子群的最大迭代次数，cmax、cmin为上下限参数；
36、
37、其中，gb2是粒子群当前迭代出的适应度最小值，gb1是粒子群历代迭代出的适应度最小值，若gb2＞gb1，则gb2取gb1的值；当gb2＜gb1时，说明当前粒子的位置比之前所有粒子位置表现更优，进化速度快，此时粒子减小自身方向的速度，偏向于全局最优位置处移动；
38、当gb2＞gb1时，说明粒子当前位置并不是历代粒子中最优，进化速度慢，进行局部寻优，以便找到最优解；
39、
40、pb2(i)是粒子本次迭代得到的局部最优的适应度函数值，pb1(i)是粒子历史迭代中局部最优的适应度函数值；
41、当pb2(i)＜pb1(i)时，说明当前粒子位置的适应度值小于该粒子的局部最优的适应度值，进化速度快，此时粒子减小自身方向的速度，偏向于局部最优位置移动；
42、当pb2(i)＞pb1(i)时，说明粒子当前位置不是历代局部最优中最优，进化速度慢，进行局部寻优，以便找到最优解；
43、
44、fav是所有粒子的平均适应度值；式(15)表示粒子的聚集情况，gb2与fav的比值越大说明粒子群越集中，增大惯性权重，避免粒子群陷入局部最优解；
45、式中，a1、a2、a3是比例因子。
46、进一步的，所述学习因子c1、c2表示为：
47、c1＝0.6-0.5*rnm (16)
48、c2＝0.1+0.5*rnm (17)。
49、与现有技术相比，本发明技术方案的有益效果是：
50、针对粒子群算法容易陷入局部最优解、收敛速度慢等缺点，本发明结合每个粒子的个体最优解与全局最优解、平均适应度，为每一个粒子建立惯性权重。设计更新粒子检验算子，对算法迭代过程中产生的不合规则的粒子进行处理，避免解的退化。改进的粒子群算法能够提高算法搜索效率、寻优能力和计算稳定性，整体上提高求解质量。
1.一种多agv任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述s1中，agv信息包括总agv数、agv辆编号、每辆agv的起始agv站和电量，所述agv任务包括待送货任务信息、待取空盘任务信息，所述agv按照自然数顺序编号。
3.根据权利要求1所述的方法，其特征在于，所述s1中，粒子群参数包括：c1，c2为学习因子、r1，r2为随机参数、w为惯性权重、q为粒子个数、m为迭代次数，d为粒子维度，等于待取货任务数量。
4.根据权利要求1所述的方法，其特征在于，所述agv执行搬运任务时将总距离di作为agv任务的目标函数：
5.根据权利要求4所述的方法，其特征在于，所述s6中，更新每个粒子的速度与位置是依靠速度与位置公式，具体为：
6.根据权利要求5所述的方法，其特征在于，更新每个粒子的速度时，所述粒子的位置用0/1表示，粒子速度的每一位代表粒子位置所对应的取值为0/1的可能性，假设有n个任务，则粒子的初始位置由n个数组成，粒子的初始速度有n个维度；
7.根据权利要求6所述的方法，其特征在于，所述惯性权重w表示为：
8.根据权利要求7所述的方法，其特征在于，所述学习因子c1、c2表示为：
