自主移动机器人三维拣选路径规划研究

第 23卷第 1期2024年 1月
Vol.23 No.1
Jan.2024软件导刊
Software Guide
自主移动机器人三维拣选路径规划研究
丁荣宽，董宝力
（浙江理工大学机械工程学院，浙江杭州 310018）
摘要：在“货到人”背景模式下自主移动机器人AMR分批次拣选货物路径规划问题中，为了最小化最终完成拣选任
务的时间，通过分析AMR拣货模式及作业流程，兼顾AMR自身移动时的速度、货格数量及载重限制，建立混合整数
规划模型。

在标准的粒子群算法基础上，引入易于跳出局部最优的模拟退火Metropolis准则，并结合曲线递减的动态
惯性权重取值和惩罚函数设计一种模拟退火粒子群混合算法求解该模型。

最后，以某智能拣选中心为例对模型及算
法进行验证，并将模拟退火粒子群混合算法与标准的粒子群算法和模拟退火算法进行比较。

结果表明，所提模型和
算法在迭代速度和求解偏差方面优于另外两种启发式算法，能有效降低AMR拣选货物的时间，提高智能仓库货物拣
选效率。

关键词：货到人；AMR；智能拣选中心；路径规划；模拟退火粒子群混合算法
DOI：10.11907/rjdk.231036开放科学（资源服务）标识码（OSID）：
中图分类号：TP242.6 文献标识码：A文章编号：1672-7800（2024）001-0050-07
Research on the Planning of Autonomous Mobile Robot's Three-
dimensional Picking Path
DING Rongkuan， DONG Baoli
（Faculty of Mechanical Engineering， Zhejiang Sci-Tech University， Hangzhou 310018， China）
Abstract：A mixed integer programming model is established with the aim of minimizing the time which takes AMR to finally complete the picking task in the "goods-to-person" background mode. It is done by analyzing the picking mode and operation process of AMR and taking in⁃to account the speed of AMR itself， the number of pallets， and the load limit. A simulated annealing metropolis criterion that is simple to es⁃cape the local optimal is added to the standard particle swarm algorithm， and when combined with the dynamic inertia weight value and the penalty function of decreasing curve， a simulated annealing particle swarm mixing algorithm is created to solve the model. The model and algo⁃rithm are then validated using an intelligent picking center as an example. The simulated annealing particle swarm mixing algorithm is com⁃pared with the standard particle swarm algorithm and the simulated annealing algorithm， and the results show that the proposed model and al⁃gorithm outperform the other two heuristic algorithms in terms of iteration speed and solution deviation.
Key Words：goods to person； AMR； smart picking center； path planning； simulated annealed particle swarm mixing algorithm
0 引言
自主移动机器人（Autonomous Mobile Robots，AMR）拣选［1］是“货到人”模式［2-3］下的一种方式，该方式通过系统规划AMR行驶路线，将订单中的商品从货架拣选至固定拣货台前。

拣选货物的时间是仓库提升效率的关键，因此，在AMR执行拣选作业时，如何规划其移动路径、缩短拣选时间、提高拣选效率是亟待解决的问题［4-5］。

近年来，不少学者对仓库智能拣选进行了探究，路径规划更是成为仓库智能拣选的研究重点。

如于浩洋［6］以双区型仓库为例，基于先到先服务和固定订单分批原则建立穿越策略路径进行拣选路径优化；潘鲁宁［7］建立多目标优化模型，从配送中心储位合理布局和拣选系统两个角度对拣选路径进行优化设计；胡小建等［8］针对鱼骨型仓库拣货路径规划问题，以载重和容积为约束，
以多车拣货距离
收稿日期：2023-01-16
基金项目：浙江省自然科学基金项目（LY16F020024）；教育部产学合作协同育人项目（220902084031751）
作者简介：丁荣宽（1997- ），男，浙江理工大学机械工程学院硕士研究生，研究方向为现代物流与供应链管理；董宝力（1974-），男，博士，浙江理工大学机械工程学院副教授、硕士生导师，研究方向为工业工程和智能制造MES。

本文通讯作者：董宝力。

第 1 期丁荣宽，董宝力：自主移动机器人三维拣选路径规划研究
最短为总目标进行求解；秦德金［9］为提升多机器人协作分
拣效率，构建仿真模型并提出对应路径规划算法与碰撞交
通管理算法；辜勇等［10］对机器人路径栅格化，并设计一种
优化转移规则和信息素更新条件的新蚁群算法进行求解；
刘建胜等［11］针对Flying-V型仓库的拣货路径优化，提出一
种接收正反馈的改进蚁群算法。

此外，针对路径规划模型算法的研究也不在少数，常
用于求解路径规划模型的算法包括：遗传算法、粒子群算
法、人工势场法、A*算法等。

张丹露等［12］针对智能仓库
多机器人协同路径规划模型提出一种交通规则，并利用
预约表生成基于改进A*算法的动态加权地图；胡治锋
等［13］为优化多层货架人工拣选路径模型，提出一种模拟
退火蚁群算法，有效提升了仓储运行效率；李艳生等［14］
以路径长度、转弯次数和机器人能耗为评价指标构建节
能拣选路径规划模型，设计适用于仓储机器人路径规划
的人工蜂群-自适应遗传算法；李腾等［15］针对大规模多
AGV多阶段路径拣选问题，建立以任务完成时间最短为
目标的路径规划模型，并通过改进A*算法解决模型中转
弯避障等问题。

然而，解决此类路径问题的常用智能算
法只针对两点间的直线距离，并不适用于三维空间内横
梁式货架［16］的路径规划问题。

因此，本文针对多区型仓
库［17-18］中AMR在三维空间下的路径规划问题，考虑
AMR在拣选过程中载重以及速度变化等因素，构建以
AMR分批次拣选总时间最小化为目标的模型，并引入水
平垂直叠加的折线路径［19］。

算法优化方面，为避免传统
粒子群算法易陷入局部最优的缺点，引入模拟退火算法
（Simulated Annealing Algorithm，SAA）中的Metropolis准
则［20-21］，设计模拟退火粒子群混合算法（Simulate An⁃
nealed Particle Swarm Mixing Algorithm，SAPSMA）对目标模型进行求解。

1 问题描述与模型建立
1.1　问题描述
在多区型仓库中，每一区型配置有一台AMR负责该区型拣选作业。

本文针对某一区型的AMR拣选进行研究，布局如图1所示。

该区型主要由横梁式货架、AMR和I/ O起点构成，其中货架为普通、常规的多层货架，I/O起点为AMR的开始和结束位置。

货架摆放方式：除最左最右两列货架贴墙放置外，中间货架均两列为一组，两组之间由巷道间隔，纵向平行布置。

假设货架上单个货格在X方向的长度为l，Y方向的宽度为w，高度为h，巷道宽度为c，I/O起点正对于第一条巷道。

为方便观察和计算，把该区型每个货格按照网格状排列分布。

假设系统累计接收n个订单，且已知各订单中货物的存储信息。

AMR最大承载重量为M，自身货格数为Q，即AMR单趟最多搬运Q件货物。

在AMR同时满足载货重量
和货格数双约束的前提下，将订单中所有待拣货物分批次拣选完成，并将每一批次的拣选时间相加，优化目标为获得一条相加后总时间最少的拣选路径。

1.2　基本假设
建立拣选路径规划的数学模型前，对AMR及货架作以下假设和参数设定：①订单中每一种库存量单位（Stock Keeping Uint， SKU）对应货架中的一个货格；②仓库中每一个货格规格均一致，AMR的大小参数与货格大小相同；③每个货格中SKU的存储数量都满足订单拣选数量；④AMR在执行某一种动作时不能同时进行其他动作，也不会因其他因素中断当前动作，以保证拣选作业的连续性；⑤AMR开始执行拣选任务时从I/O起点出发，完成拣选任务或达到约束条件后均需返回I/O点；⑥AMR从一个拣选点移动到另一个拣选点需要经历加速、（匀速）、减速阶段，假设其空载和负载下水平方向运动的加减速度相同均为a，垂直方向升降台提升和下落速度变化相同，设为v2。

1.3　模型建立
AMR
分批次拣选货物的路径规划模型建立步骤如下。

（a）　Floor plan
（a）
　平面布局图
（b）　Oblique view
（b）　斜视图
Fig. 1　Three-dimensional diagram of a certain area of the warehouse
图1　仓库某区型三维图
·
·51
2024 年
软件导刊
首先对优化模型中出现的符号进行说明：
O：订单集合
S：货架集合
P：SKU商品种类
B=｛0，1，2，……，n｝：货物拣选点集合，其中0代表起
点（拣选台）；
（x i，y i，z i，m i）为订单O上待拣SKU的信息，例如（5，6，
7，15）表示某SKU位于仓库第5列、第6行、第7层，重量为
15KG。

AMR一次完整的订单拣选时间由3个时间段组成：
①拣选点间水平移动时间，即在xoy面上移动所需时间
为T1；②在z轴方向，升降台上升和下降的时间合为T2；
③AMR对SKU取货和卸货的时间固定，合记为T3。

AMR
订单拣选时间表示为：
T=T1+T2+T3（1）
假设AMR在水平方面的移动距离为r ijs，为便于对小
车路径进行规划，将小车水平方向轨迹r ijs分为3个
阶段：
（1）I/O起点到第一个货物拣选点j间的水平距离。

r ijs=ì
í
î
ï
ï
ï
ïï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
()
x j-2×l+()x j-22×c+y j×w，x i为起点，x j≠1或2，且为偶数
(x j-1)×l+x j-12×c+y j×w，
x i为起点，x j≠1或2，且为奇数
w×y j，
x i为起点，x j=1或2
（2）
式中：x i，x j均表示拣选点所在的列位置。

（2）当前货物拣选点i到待拣货物拣选点j之间的水平距离。

此时分为两种情况：
①货物拣选点i和j不在同一巷道时，即x i≠x j。

若i和j的行数相加小于f，则选择下巷道出。

其中，f 为单列货架在y轴方向上的行数。

r ijs=ì
í
î
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
2l+c+()
y i+y j×w，
x j-x i=1且x j为偶数，y i+y j≤f
()
x j-x i-1×l+()
x j-x i-1
2×c+
()
y i+y j×w，
x j-x i>1且为奇数，x j为奇数，y i+y j≤f
()
x j-x i+1×l+()
x j-x i+1
2×c+
()
y i+y j×w，
x j-x i>1且为奇数，x j为偶数，y i+y j≤f
()
x j-x i×l+()x j-x i2×c+()y i+y j×w，
x j-x i>1且为偶数，y i+y j≤f
（3）
若i和j的行数相加大于f，则选择上巷道出。

r ijs=
ì
í
î
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
ï
2l+c+()
2f-y i-y j×w，
x j-x i=1且x j为偶数，y i+y j>f
()
x j-x i-1×l+()
x j-x i-1
2×c+
()
2f-y i-y j×w，
x j-x i>1且为奇数，x j为奇数，y i+y j>f
()
x j-x i+1×l+()
x j-x i+1
2×c+
()
2f-y i-y j×w，
x j-x i>1且为奇数，x j为偶数，y i+y j>f
()
x j-x i×l+()x j-x i2×c+()
2f-y i-y j×w，
x j-x i>1且为偶数，y i+y j>f
（4）
②货物拣选点i和j都在同一巷道内。

r ijs=
ì
í
î
ï
ï
|
|y j-y i×w，x i=x j
|
|y j-y i×w，x j-x i=1且x j为偶数（5）
（3）AMR单趟拣选的最后一个货架拣选点与I/O点间
的水平距离。

r ijs=
ì
í
î
ï
ïï
ï
ï
ï
ï
ï
ï
ï
()
x i-1×l+
()
x i-12×c+y i×w，
x i≠0且为奇数，x j=0
x i×l+x i2×c+y i×w，
x i≠0且为偶数，x j=0
（6）
假设AMR运动到待拣货物下方，升降台垂直方向移
动距离为d1，公式如下：
d1=|z j-z i|×h（7）
式中：z i为货物i所在位置；z j为货物j所在位置。

AMR在水平方向的时间T1取决于移动时的最大速度
和加速度。

假设AMR水平移动时能达到的最大速度为v1，
由此分为两种运动状态：①AMR在xoy面移动过程中速度
未达到最大速度v1，匀加速后做匀减速运动，即AMR行驶
的移动距离s<v21a；②AMR在xoy面移动过程中速度达到
最大值v1，然后匀速运动，后再进行匀减速运动，即移动距
离s≥v21a。

AMR根据水平移动距离r ijs以及上述是否达到最大速
度的两种情况推算出第n次行驶时间。

表示为：
T1n=
ì
í
î
ï
ï
ï
ï
ï
ï
()r ijs a12，r ijs<v12a
2v1
a+
r ijs-v21a
v1，r ijs≥
v12
a
（8）
第n次AMR机械臂在垂直方向上升与下降的时间
T2n。

表示为：
T2n=d1n v2（9）·
·52
第 1 期丁荣宽，董宝力：自主移动机器人三维拣选路径规划研究假设AMR 在拣选单个货物时的取货和卸货时间相同，为s ，则AMR 完成一批待拣货物所花费的取货卸货作业时间为：
T 3=n ×s
（10）根据以上描述，AMR 拣选作业时间模型可以表示为：
T min =
∑n =1n
∑i =1n
∑j ≠i n
(T
1n
+T 2n )×K ij +T 3
（11）
约束条件为：
∑i =1
Q
m
i
≤M ，i =1，2，⋯，Q
（12）q <Q
（13）
∑i =1n
∑j ≠i
n b
ij
=n ，b ∈B ；i =1，2，⋯，n ；j =1，2，⋯，n （14）
K ij =ìíîï
ïïï1，拣选点i 拣选完成后在进行拣选j 作业； i ，j =1，2，⋯，n 0，
其他（15）m j =m i ×K ij +1
（16）∑m
X
m O
=∑m
X O
m +1=X O
（17）
其中：式（11）为拣选时间优化指标；式（12）表示AMR 单趟拣选的货物重量不能超过M ，否则需要先回起点卸货后再进行下一次拣货作业；式（13）表示AMR 的最大货格数量，即单趟最多只能容纳Q 个SKU ；式（14）表示订单中显示的货物都会被拣选；式（15）和（16）表示SKU 拣选的先后顺序，且保证AMR 在拣选某SKU 时的连续性；式（17）中X m
O
表示AMR 在第m 车次满载SKU 或重量达到上限后回到
起点，X
O
m +1
表示AMR 在m +1车次空车从起点出发拣货，即
第m 车次满载最终位置等于m +1车次开始位置。

2 算法设计
标准的粒子群算法（Particle Swarm Optimization ，PSO ）属于群智能算法，利用个体分享机制使整个群体的搜索方向从无序到有序渐变，最终产生最优解，具有操作简、收敛速度快等优点，但容易提前收敛于局部最优，影响解的精度。

SAA 具有较强的全局搜索能力，前期因温度高使得算法对较差解的接受度较高，从而易于跳出局部最优，但该算法具有渐进收敛性，当搜索空间大时，SAA 需要更长的收敛时间才能得出最优解。

因此，本文结合两种算法来求解AMR 分批次拣选路径规划问题，利用PSO 快速生成一定种群规模的近似解，然后得到个体最优和群体最优，最后通过SAA 的马尔科夫链和Metropolis 准则得到最优解［22］。

2.1　SAPSMA
由于PSO 收敛速度快，因而在求解过程中容易提前收敛于局部最优，影响最优解的精度。

为了使PSO 能够有效跳出局部最优，增强全局搜索能力，将其与SAA 相结合，形成新的SAPSMA 。

PSO 的速度和位移更新公式为：
v id (t +1)=w ×v id (t )+c 1×r 1×(p id -x id (t ))
+c 2×r 2×(g i -x id (t ))
（18）x id (t +1)=x id (t )+v id (t +1)
（19）
式中：(t )表示粒子i 第t 次迭代后的速度；x id (t )表示粒
子i 第t 次迭代后的位置；w 为惯性权重取值；c 1为个体因
子；c 2为社会因子；r 1和r 2为两个随机取值0~1之间的数；
p id 和g i 分别表示个体极值和群体最优值。

2.1.1　惯性权重取值
以往经典粒子群算法采用的值大多是通过实验或主
观判断出来的固定值［23-25］，但是研究发现动态惯性权重取值会影响PSO 的搜索能力：当取值较大时，有助于提高算法的全局搜索能力；取值较小时，则有助于提高算法的局部搜索能力。

因此，为了平衡算法的全局和局部搜索能力，设计一种非线性递减的惯性权重，选取定义域在［-3，3］之间的双曲正切函数值来控制算法搜索过程中的惯性权重取值。

在初期阶段，惯性权重取值较大，然后缓慢减小，使得算法前期有充分的时间搜索全局；在中期阶段，惯性权重取值呈线性递减，在减弱全局搜索能力的同时增强局部搜索能力；到后期阶段，曲线斜率再次减小，惯性权重取值慢慢趋近于最小，局部搜索能力达到最强，进而能够进一步确定最优解。

取值公式如下：
w =w min +(w max -w min )×tanh (3-6×
T
T max
)（20）
式中：w min 为惯性权重最小值，一般取0.4；w max 为惯性权重最大值，一般取0.9；通过查阅大量文献，取上述惯性权重极值能使算法性能达到最优。

T 为当前迭代次数，T max 为算法最大迭代次数。

2.1.2　引入惩罚函数
由于模型存在AMR 载重及自身货格数双约束，为了
使求解过程简洁化，决定引入惩罚函数。

在处理双约束问题时，将惩罚函数添加到拣选总时间最小化的目标函数中，将双约束问题转变为无约束问题来求解。

其作用机理为：当满足约束条件时，求解过程将不会受到惩罚；若不满足约束条件，将会在求解过程中加入惩罚函数，使其适应度值增大，从而因不满足精度要求而被淘汰。

min ϕ(T )=T (x )+σ[∑i =1
n max {0，g i (x )}]2
（21）
式中：ϕ(T )为惩罚函数；σ为惩罚因子；σ[∑i =1
n max {0，g i (x )}]2为罚项。

2.2　SAPSMA 基本步骤
（1） 初始化PSO ，设置种群规模大小、粒子维度、速度和位置。

（2） 设定初始温度t 以及某一温度下马尔科夫链长度，计算每个粒子的适应度值，并将个体最优存储在p i 中，种群最优存储在p g 中。

（3） 自适应改变w 惯性权重取值。

·
·53
2024 年
软件导刊
（4）根据式（18）、（19）对粒子速度及位置进行更新，
并计算新适应度值。

（5）计算新旧位置的适应度值之差△f=fitness(x')-
fitness(x)，利用SAA中的Metropolis准则，按式（22）、（23）更
新新解：
T(k)=ì
í
î
ï
ï
1，，fitness(x')<fitness(x)
e fitness(x')-fitness(x)
T，fitness(x')>fitness(x)
（22）e fitness(x')-fitness(x)
T>rand(0，1)（23）
式中：fitness（x’）为新适应度值，fitness（x）为旧适应度值，T为模拟退火初始温度。

若新解适应度值优于旧解适应度值，即fitness（x’）< fitness（x），则以概率1接受新解；若新解适应度值差于旧解适应度值，即fitness（x’）>fitness（x），且式（23）成立，则粒子同样接受新解。

（6）更新个体最优值和群体最优值。

（7）判断是否达到马尔科夫链长度，否则返回步骤（3）。

（8）退温操作。

t
k+1=λt k（24）其中λ为退火系数。

（9）判断是否达到终止温度，若未达到，则返回步骤（2）。

（10）输出当前最优粒子，算法结束。

总体算法运行流程如图2所示。

3 实例验证
以某拣选中心的智能仓库为工况背景，该仓库中某区型的固定货架布局方式为12列、15排、5层，共900个货格。

其中，货架的各参数分别为：单个货架宽度L=1.2 m，长度w=1.2 m，高度h=1.0 m，单条巷道宽度c=1.5 m。

拣选
AMR的各参数：货格总数Q=8，最大承载总重量M=200 kg，水平方向最大速度v1=1.5 m/s，加速度a=1 m/s2，垂直方向升降台恒定上升下降速度v2=0.3 m/s，单次取货卸货时间为s=3 s。

本次验证所用数据均来自于某拣选中心的订单清单，其中包含30个待拣货物，货物信息见表1。

通过MATLAB R2022b对SAPSMA进行仿真实验，将其结果与SAA和PSO进行对比。

为增强3种算法的可比性，均使用相同的初始参数，如下：
（1） SAPSMA。

种群规模80；最大迭代次数1 500；个体因子2，社会因子2；惯性权重最大值0.9，最小值0.4；初始温度2 000 ℃；马尔科夫链长度100；终止温度0.01；温度衰减系数0.99。

（2） PSO。

种群规模80；最大迭代次数1 500；个体因子2，社会因子2；惯性权重0.75。

（3） SAA。

初始温度2 000 ℃；马尔科夫链长度100；终止温度0.01；温度衰减系数0.99。

图3为采用MATLAB对3种算法各运行30次的平均收敛曲线。

其中横坐标为算法运行的迭代次数，纵坐标为AMR拣选总耗时。

由图3可知：在相同参数的情况下，PSO 在初期收敛较快，但容易陷入局部最优，导致搜索范围不够，无法得到最优解；SAA虽然能够有效跳出局部最优位置，但是前期收敛震荡时间过长。

相较于SAA和PSO，SAPSMA在PSO算法的框架中引入SAA的Metropolis准则和温度衰减系数，使SAPSMA可以快速跳出局部最优处，
Fig. 2　Flow of SAPSMA 图2　SAPSMA流程
Table 1　Cargo information repository bit settings
表1　货物信息存储库位设置
订单
编号
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
货物信息
x / 列
8
11
7
11
5
8
12
3
2
8
4
6
4
1
4
y /排
12
2
1
12
11
9
14
8
12
10
4
1
14
6
15
z / 层
4
2
5
3
2
3
1
2
1
1
5
4
1
2
2
m / kg
15
30
9
24
35
22
42
39
43
46
6
13
41
31
32
货物
编号
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
货物信息
x / 列
11
11
8
4
5
12
10
11
6
11
1
3
6
8
3
y / 排
9
12
1
3
13
14
15
8
3
6
10
10
1
4
9
z / 层
1
5
1
3
1
2
5
1
1
4
2
2
3
1
4
m / kg
42
3
39
27
40
20
7
43
43
10
31
37
21
45
13
··54
第 1 期丁荣宽，董宝力：自主移动机器人三维拣选路径规划研究
从而搜索到更高质量的解。

表2为3种算法独立运行30次后的运行结果，可以得出：SAPSMA的收敛次数优于PSO和SAA。

虽然SAPSMA 的运行时间略高于PSO和SAA，但SAPSMA解的上下波动性范围更小，更加稳定，且SAPSMA解的平均值更小，得到的解质量更高。

表3为SAPSMA和SAA的路径优化结果，因为PSO算法陷入局部最优，无法得出最优解，故只考虑SAPSMA和SAA的最优解。

其中SAPSMA的拣选作业顺序为：0-12-3-18-19-8-30-11-0-23-16-20-5-0-27-13-15-9-14-0-26-22-21-7-17-4-25-2-0-6-10-1-29-24-28-0，将30个SKU分5车次拣选完成，总耗557s；SAA的拣选作业顺序为：0-2-24-10-6-3-18-0-25-16-21-7-22-20-5-0-19-11-8-13-27-30-28-12-0-23-4-17-26-14-9-15-1-29-0，将30个SKU分5车次拣选完成，总耗时596s。

通过与SAPSMA对比，SAA拣选总时间减少39s，总拣选时间节约7.01%。

由此可知，SAPSMA在AMR分批次拣选多目标分批次SKU的路径规划中有较好的应用效果，该算法在迭代收敛上速度更快，解的精确度更高。

4 结语
本文针对多区型仓库中AMR拣选多目标分批次的拣选路径规划问题，通过构建三维空间坐标，建立能够依次拣选订单中SKU的三维路径规划模型，设计SAPSMA对模型进行求解。

实验结果表明，与其他启发式算法相比，SAPSMA算法在相同参数下收敛速度更快，能有效避免算法陷入局部最优，得到具有更高精度的解。

综上，本文构建的AMR拣选模型及SAPSMA在智能拣选仓库中具有较好的拟合效果，能有效提高仓库整体拣选效率。

然而本文仅研究了多区型仓库下某区型AMR单指令出库为背景的订单拣选路径规划，即AMR从起点出发，沿规划的路线移动到待拣货物所在行和列，分批次装载货物后返回起点。

未来将对多指令作业及多AMR在同一区型下共同作业的拣选路径规划问题进行深入研究。

参考文献：
［1］ SUN M， WANG S Y， XIE Z Y， et al. Autonomous mobile robot （AMR）analysis for smart logistics［J］.Popular Standardization，2021（6）：151-153.
孙明，王思元，谢梓烊，等.面向智能物流的自主移动机器人（AMR）分
析［J］.大众标准化， 2021（6）： 151-153.
［2］ LI K P， LIU T B， HE B Q， et al. Research on AGV path planning and scheduling in"goods-to-person" picking system［J］.Chinese Journal of
Table 2　Experimental results of three algorithms
表2　3种算法实验结果
算法PSO SAA SAPSMA 平均运行时
间/s
1.15
0.92
1.27
最优解/s
649
577
541
平均收敛迭
代次数/次
297
581
248
解的平均
值/s
728
596
555
解的标准偏
差/s
9.7
9.1
8.2
（a）　SAPSMA convergence curve
（a）　SAPSMA收敛曲线
（b）　PSO convergence curve
（b）　PSO收敛曲线
（c）　SAA convergence curve
（c）　SAA收敛曲线
Fig. 3　Comparison of convergence curves of the three algorithms
图3　3种算法收敛曲线对比
Table 3　SAPSMA and SAA path optimization results
表3　SAPSMA和SAA路径优化结果
算法
SAPSMA
SAA
载重/kg
146
160
184
167
184
189
196
197
132
135
承载数/件
7
4
5
8
6
6
7
8
5
4
耗时/s
173
55
54
180
54
114
125
168
117
73
最优路径
0-12-3-18-19-8-30-11-0
0-23-16-20-5-0
0-27-13-15-9-14-0
0-26-22-21-7-17-4-25-2-0
0-6-10-1-29-24-28-0
0-2-24-10-6-3-18-0
0-25-16-21-7-22-20-5-0
0-19-11-8-13-27-30-28-12-0
0-23-4-17-26-14-0
0-9-15-1-29-0
·
·55
2024 年软件导刊
Management Science， 2022， 30（4）： 240-251.
李昆鹏，刘腾博，贺冰倩，等.“货到人”拣选系统中AGV路径规划与调
度研究［J］.中国管理科学， 2022， 30（4）： 240-251.
［3］ PENG H，ZHAO N，SUN Y J.Digital twin for goods-to-person picking robot systems［J］. Industrial Engineering Journal Journal， 2021， 24（3）：121-129.
彭辉，赵宁，孙阳君.面向货到人拣货机器人系统的数字孪生系统［J］.
工业工程， 2021， 24（3）： 121-129.
［4］ YIN J Q. Picking technology and strategy analysis of logistics distribution center［J］. Logistics and Material Handling， 2021，26（10）：116-119.
尹军琪.物流配送中心的拣选技术与策略分析［J］.物流技术与应用，2021， 26（10）： 116-119.
［5］ ALEKSANDRS A， MIHAILS S. Making warehouse logistics smart by ef⁃fective placement strategy based on genetic algorithms［J］. Transport and Telecommunication Journal， 2019， 20（4）： 318-324.
［6］ YU H Y.Picking path optimization method based on genetic algorithm ［J］. China Science and Technology Information， 2019（8）： 91-94.
于浩洋.基于遗传算法的拣货路径优化方法［J］.中国科技信息， 2019（8）： 91-94.
［7］ PAN L N. Optimized design of forklift picking in rack storage areas［J］.
Logistics and Material Handling， 2009， 14（12）： 86-88.
潘鲁宁.货架存储区叉车拣选优化设计［J］.物流技术与应用， 2009，14（12）： 86-88.
［8］ HU X J， YUAN D. Multi-vehicle picking path optimization based on fish⁃bone warehouse layout［J］. Industrial Engineering Journal， 2022， 25（1）：45-53.
胡小建，袁丁.基于鱼骨型仓库布局的多车拣选路径问题优化［J］.工
业工程， 2022， 25（1）：45-53.
［9］ QIN D J.Research on path planning algorithm and collision avoidance method of multi-mobile robot based on raster map［D］. Zhenjiang： Jiang⁃
su University，2021.
秦德金.基于栅格地图的多移动机器人路径规划算法及避碰方法研
究［D］.镇江：江苏大学，2021.
［10］ GU Y， DUAN J J， SU Y X， et al. Path planning of warehousing and lo⁃gistics robot based on improved ant colony algorithm［J］. Journal of Wu⁃
han University of Technology （Transportation Science and Engineering
Edition）， 2020，44（4）： 688-693，697.
辜勇，段晶晶，苏宇霞，等.基于改进蚁群算法的仓储物流机器人路
径规划［J］.武汉理工大学学报（交通科学与工程版）， 2020，44（4）：
688-693，697.
［11］ LIU J S， ZHANG K， LEI Z F. Picking path optimization under Flying-V-shaped warehouse layout［J］.Machinery Design and Manufacture，
2021（8）： 53-56.
刘建胜，张昆，雷兆发. Flying-V型仓储布局下的拣货路径优化［J］.
机械设计与制造， 2021（8）： 53-56.
［12］ ZHANG D L，SUN X Y，FU S，et al.Multi-robot collaborative path planning method in intelligent warehouse［J］. Computer Integrated Manu⁃
facturing Systems， 2018， 24（2）： 410-418.
张丹露，孙小勇，傅顺，等.智能仓库中的多机器人协同路径规划方法
［J］.计算机集成制造系统， 2018， 24（2）： 410-418.
［13］ HU Z F， CHEN D F， HENG Q H， et al. Picking path planning based on simulated annealing ant colony algorithm［J］.Electronic Design Engi⁃
neering，2021， 29（24）： 80-83，88.
胡治锋，陈冬方，恒庆海，等.基于模拟退火蚁群算法的拣货路径规划
［J］.电子设计工程，2021， 29（24）： 80-83，88.
［14］ LI Y S， WAN Y， ZHANG Y， et al. Path planning of warehousing robot based on artificial bee colony-adaptive genetic algorithm［J］.Chinese
Journal of Scientific Instrument，2022，43（4）：282-290.
李艳生，万勇，张毅，等.基于人工蜂群-自适应遗传算法的仓储机器
人路径规划［J］.仪器仪表学报，2022，43（4）：282-290.
［15］ LI T， DING P P， LIU J F. The goods-to-person picking system can be planned through multiple AGV paths in multiple stages［J］.Journal of
System Simulation，2022，34（7）：1512-1523.
李腾，丁佩佩，刘金芳.货到人拣选系统多阶段可穿行多AGV路径规
划［J］.系统仿真学报，2022，34（7）：1512-1523.
［16］ JIN X X. A three-dimensional path planning research of AGV trolley based on improved ant colony algorithm［J］. Computer Applications and
Software，2022， 39（7）： 275-280.
金鑫鑫.一种基于改进蚁群算法的AGV小车三维路径规划研究［J］.
计算机应用与软件，20 22， 39（7）： 275-280.
［17］ ZHANG S W， XIE H， FU L P， et al. Research on multi-zone warehouse picking path optimization considering vehicle capacity［J］. Journal of Sys⁃
tems Science and Mathematical， 2021， 41（1）： 238-253.
张水旺，谢浩，付林萍，等.考虑车载容量的多区型仓库拣货路径优
化研究［J］.系统科学与数学， 2021， 41（1）： 238-253.
［18］ HU H L， ZHANG S W， CHEN K， et al. Multi-zone warehouse picking path optimization based on multi-period search ant colony algorithm［J］.
Journal of Entrepreneurship in Science and Technology， 2022， 35（3）：
123-127.
胡寒霖，张水旺，陈康，等.基于多期搜索蚁群算法的多区型仓库拣
货路径优化［J］.科技创业月刊， 2022， 35（3）： 123-127.
［19］ XU X， QIAN Y Q， ZHAO Y， et al. Three-dimensional spatial path opti⁃mization of stereoscopic warehouse based on improved ant colony algo⁃
rithm［J］.Computer Integrated Manufacturing Systems，2021，27（1）：
206-213.
徐兴，钱誉钦，赵芸，等.基于改进蚁群算法的立体仓库三维空间路
径优化［J］.计算机集成制造系统， 2021， 27（1）： 206-213.
［20］ DENG S Q， GUO Z J， LI F， et al. Adaptive simulated annealing particle swarm optimization based on Metropolis criterion［J］.Software Guide，
2022， 21（6）： 85-91.
邓绍强，郭宗建，李芳，等.基于Metropolis准则的自适应模拟退火粒
子群优化［J］.软件导刊， 2022， 21（6）： 85-91.
［21］ LIU Y Y， ZHAO Y， YAN S H， et al. A sampling-based algorithm with the metropolis acceptance criterion for robot motion planning［J］.Sen⁃
sors， 2022，22（23）：9203.
［22］ MU D，WANG C，WANG S C，et al.Based on parallel simulated an⁃nealing algorithm，the time-dependent vehicle route problem is solved
［J］. Computer Integrated Manufacturing Systems， 2015， 21（6）： 1626-
1636.
穆东，王超，王胜春，等.基于并行SAA求解时间依赖型车辆路径问
题［J］.计算机集成制造系统， 2015， 21（6）： 1626-1636.
［23］ WANG Z R， LI F T， WANG H M. Inertial weight parameter in particle swarm arithmetic［J］.Journal of Changchun University of Technology，
2017， 38（4）： 354-360.
王泽儒，李芬田，王红梅.粒子群算法中惯性权重参数［J］.长春工业
大学学报， 2017， 38（4）： 354-360.
［24］ VIKASH Y，INDRESH K G.Modified adaptive inertia weight particle swarm optimisation for data clustering［J］. International Journal of Inno⁃
vative Computing and Applications，2022， 13（1）： 34-40.
［25］ HOP V N， PHAN P P. Adaptive inertia weight particle swarm optimisa⁃tion for a multi-objective capacitated vehicle routing problem with time
window in air freight forwarding［J］.International Journal of Logistics
Systems and Management，2021，40（3）： 423-442.
（责任编辑：尹晨茹姚潞）
··56。