2024年ESWA SCI1区TOP，容错文化概率粒子群算法+多 AGV 路径规划，深度解析+性能实测

1.摘要

本文提出了一种混合文化–粒子群算法（C-PSO），融合文化算法与粒子群优化的优势，以平衡全局探索与局部开发并避免陷入局部最优。算法基于改进 Metropolis 规则，采用概率机制更新惯性权重。针对工业仓库中多 AGV 实时安全运行的需求，C-PSO 通过双层框架实现任务分配、容错与避碰路径规划。

2.文化粒子群算法CPSO

C-PSO 采用集中式–分布式双层结构，集中层负责地图构建与任务分配，通过评估各 AGV 的路径成本与任务成本，将任务分配给当前成本最小的可用 AGV。分布式层在时间窗内实现 信息共享、路径重规划、避碰与容错：AGV 按既定路径运行并实时交换位置与状态信息，一旦发生潜在碰撞或车辆故障，系统即可触发路径重规划与容错机制，保障运行安全与连续性。

C-PSO

文化粒子群算法（C-PSO）利用 CA 的特性，通过概率机制自适应更新惯性权重，在保证快速收敛的同时实现全局探索与局部开发的平衡。

算法通过概率机制比较个体最优平均代价与当前粒子代价，并与随机数判断是否更新惯性权重；当个体最优平均代价高于当前解时，增强调节以促进全局搜索，从而避免陷入局部最优。
δ = f o b j ( i t ) − f b e s t ( i t ) f b e s t ( i t ) \delta=\frac{f_{obj}(i_t)-f_{best}(i_t)}{f_{best}(i_t)}δ=fbest​(it​)fobj​(it​)−fbest​(it​)​
ρ = e − δ T \rho=e^{-\frac{\delta}{T}}ρ=e−Tδ​

任务分配与路径规划

多 AGV 路径规划在二维栅格环境中进行，目标是在避开障碍物与相互碰撞的前提下最小化路径长度，碰撞解直接舍弃。路径代价由路径长度与碰撞惩罚共同构成，用于评估近似全局最优路径。任务分配在此基础上综合考虑路径代价、任务优先级及前序任务完成时间，其中路径代价权重最高。系统通过状态表与任务表动态管理 AGV 可用性与任务信息，实现安全、高效的多 AGV 协同调度。

3.结果展示

4.参考文献

[1] Lin S, Liu A, Wang J, et al. An improved fault-tolerant cultural-PSO with probability for multi-AGV path planning[J]. Expert Systems with Applications, 2024, 237: 121510.

5.代码获取

xx

6.算法辅导·应用定制·读者交流

xx