基于聚合博弈的配送机器人充电调度方法技术

本发明专利技术公开的一种基于聚合博弈的配送机器人充电调度方法，属于配送机器人充电调度领域。本发明专利技术选用带有线性映射关系的L

【技术实现步骤摘要】
基于聚合博弈的配送机器人充电调度方法


[0001]本专利技术属于配送机器人充电调度领域，涉及一种具有时空耦合约束多目标优化配送机器人充电调度方法。

技术介绍

[0002]国内，各大医院高负荷运转，医疗物资的配送一直都是极其琐碎且繁重的工作。2020年1月疫情爆发，这给医院繁重的物资运输工作带来巨大压力。随着科技的发展，医院智能配送机器人等新型物流设备，很好的解决了医院物资配送现有的困境，同时5G网络的成熟也促进了智能配送机器人的迅速发展。
[0003]在确定了智能配送机器人的部署方案并解决了配送机器人充电桩数量和位置优化问题之后，为保障配送机器人的动力供应，配送系统能够有效的运行，配送机器人的充电决策成为了亟需研究的关键问题。充电调度关系到动力资源的合理分配。当任务量大、任务紧急的情况，需要通过大功率快充和牺牲电池的耐用度来确保配送的顺利进行；当闲暇时间长、任务频率低的情况，可以通过小功率慢充来补充剩余电量(SOC)。因此，基于充电时间和充电功率的最优充电调度方案不仅能够保障配送任务的顺利进行，还可以实现资源的合理利用。
[0004]充电调度是针对任务条件和机器人SOC约束情况下的最优充电方案求解问题。配送机器人有合理的SOC是任务顺利执行的前提，在满足任务顺利执行的条件下，需要获得最优的充电成本。当选择快充的时候，短时间可以获得充足的动力，进而执行更多的任务，但是会降低电池的寿命；当选择慢充的时候，有利于电池的长期使用，但是执行任务的频率会大大降低。针对充电调度问题，配送机器人需要根据充电成本和任务量对充电终端状态进行统筹。此外，充电调度不仅仅需要关注充电成本，还要着眼院区当前各类信息状态指标、紧急的公共医疗事件和各科室业务中动力需求预测，对配送系统进行统一的动态充电调度部署。因此，针对具有时间约束、空间约束和时空耦合约束的配送机器人的充电调度问题，亟需建立关于充电时间和充电功率的充电调度方案，进而实现资源的合理利用。

技术实现思路

[0005]为解决智能配送机器人的充电调度问题。本专利技术主要目的是提供一种基于博弈理论的配送机器人充电调度方法，选用带有线性映射关系的L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型，使所述智能配送机器人的分布式充电成本优化模型更贴合智能配送机器人的充电调度实际工况；选用聚合博弈求解智能配送机器人的分布式充电成本模型优化问题，有效利用特征数据变量间的非合作性与相互影响，提高智能配送机器人充电调度精度和效率；在智能配送机器人充电调度聚合博弈过程中，引入全局指导变量且各配送机器人根据全局指导变量同时更新自身的充电策略，显著缩短智能配送机器人充电调度聚合博弈过程达到纳什均衡的所需计算时间，同时避免各个机器人的过度追求低成本引起的偏离问题；通过遗传算法迭代优化智能配送机器人分布式充电优化模型的L
‑
BPNN
神经网络参数，提高智能配送机器人分布式充电优化模型的预测精度和效率。本专利技术基于博弈理论实现配送机器人充电调度高精度高效率规划，使智能配送机器人资源在不同工况下均达到最优部署。
[0006]本专利技术的目的是通过下述技术方案实现的。
[0007]本专利技术公开的一种基于博弈理论的配送机器人充电调度方法，对于智能配送机器人的充电调度数据分析并选取样本数据，并对所述样本数据进行数据预处理筛选得到不包括数据缺失、异常问题的有效样本数据；通过皮尔森卡方检验对有效样本数据进行相关性分析，筛选出能够对智能配送机器人充电结果有影响的特征数据变量，所述特征数据变量包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布；根据所述有影响的特征数据变量构建用于构建智能配送机器人的分布式充电成本优化模型的数据集；通过分析得到所述特征数据变量与智能配送机器人充电调度结果既具有非线性关系，还具有线性关系，选用带有线性映射关系的L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型，使所述智能配送机器人的分布式充电成本优化模型更贴合智能配送机器人的充电调度实际工况。结合基于实际情况的约束条件进一步完善智能配送机器人的分布式充电成本模型；选用聚合博弈求解智能配送机器人的分布式充电成本模型优化问题，有效利用特征数据变量间的非合作性与相互影响，提高智能配送机器人充电调度精度和效率。在智能配送机器人充电调度聚合博弈过程中，引入全局指导变量且各配送机器人根据全局指导变量同时更新自身的充电策略，显著缩短智能配送机器人充电调度聚合博弈过程达到纳什均衡的所需计算时间，同时避免各个机器人的过度追求低成本引起的偏离问题，所述偏离问题包括机器人为降低充电成本而频繁充电。根据所述智能配送机器人充电调度聚合博弈优化结果，通过遗传算法迭代优化智能配送机器人分布式充电优化模型的L
‑
BPNN神经网络参数，提高智能配送机器人分布式充电优化模型的预测精度和效率，即基于博弈理论实现配送机器人充电调度高精度高效率规划，使智能配送机器人资源在不同工况下均达到最优部署。
[0008]本专利技术公开的一种基于博弈理论的配送机器人充电调度方法，包括如下步骤：
[0009]步骤一：对于已有的智能配送机器人的充电调度数据进行分析、预处理、筛选构建智能配送机器人的分布式充电成本优化模型的数据集，并通过L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型。
[0010]步骤一中的智能配送机器人的分布式充电成本优化模型具体实现方法为：
[0011]步骤1.1：对于已有的智能配送机器人的充电调度数据分析并选取样本数据，并对所述样本数据进行数据预处理筛选得到不包括数据缺失、异常问题的有效样本数据。有效地在大量的数据中筛选出有效样本数据，尽可能减少了无效样本数据对于建立智能配送机器人的分布式充电成本优化模型的影响。
[0012]对各类场合下的配送机器人充电调度典型案例进行分析与评估，利用能够获取的智能配送机器人的充电调度数据，所述充电调度数据包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布。对于不同工况下的数据，通过数据预处理对选取的历史样本数据进行清洗，处理因其他原因导致的历史订单样本中的数据问题，所述数据预处理方法包括插值、拟合和剔除。所述其他原因包括数据转存和人为记录失误。所述数据问题包括数
据缺失和数据异常。有效地在大量的数据中筛选出有效样本数据，尽可能减少无效样本数据对于建立智能配送机器人的分布式充电成本优化模型的影响。
[0013]步骤1.2：对于步骤1.1得到的有效样本数据，通过皮尔森卡方检验对有效样本数据进行相关性分析，筛选出能够对智能配送机器人充电结果有影响的特征数据变量，并构建数据集。有效删减了对智能配送机器人充电效果没有影响的特征数据变量，加快了神经网络的学习速度，变相提高了建立智能配送机器人的分布式充电成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于聚合博弈的配送机器人充电调度方法，其特征在于：包括如下步骤，步骤一：对于已有的智能配送机器人的充电调度数据进行分析、预处理、筛选构建智能配送机器人的分布式充电成本优化模型的数据集，并通过L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型；步骤二：结合基于实际情况的约束条件进一步完善步骤一构建智能配送机器人的分布式充电成本模型，有利于本发明在实际生产生活中的应用；选用聚合博弈求解智能配送机器人的分布式充电成本模型优化问题，聚合博弈有效利用特征数据变量间的非合作性与相互影响，提高智能配送机器人充电调度精度和效率；在智能配送机器人充电调度聚合博弈过程中，引入全局指导变量且各配送机器人根据全局指导变量同时更新自身的充电策略，显著缩短智能配送机器人充电调度聚合博弈过程达到纳什均衡的所需计算时间，同时避免各个机器人的过度追求低成本引起的偏离问题，所述偏离问题包括机器人为降低充电成本而频繁充电；步骤三：根据步骤二所述智能配送机器人充电调度聚合博弈优化结果，通过遗传算法迭代优化智能配送机器人分布式充电优化模型的L
‑
BPNN神经网络的参数，提高智能配送机器人分布式充电优化模型的预测精度和效率，进而基于博弈理论实现配送机器人充电调度高精度效率规划，使智能配送机器人资源在不同工况下均达到最优部署。2.如权利要求1所述的基于博弈理论的配送机器人充电调度方法，其特征在于：还包括步骤四，根据智能配送机器人分布式充电任务工况，根据步骤一至步骤三进行智能配送机器人分布式充电规划，在执行任务繁多、关键资源紧张、任务执行地点空间分离且分布较散的任务工况条件下；通过全局指导变量的引入避免各个机器人的过度追求低成本引起的偏离问题，提高配送机器人充电调度精度和效率，延长充电寿命，提高资源的利用率。3.如权利要求1或2所述的基于博弈理论的配送机器人充电调度方法，其特征在于：步骤一中的智能配送机器人的分布式充电成本优化模型具体实现方法为：步骤1.1：对于已有的智能配送机器人的充电调度数据分析并选取样本数据，并对所述样本数据进行数据预处理筛选得到不包括数据缺失、异常问题的有效样本数据；有效地在大量的数据中筛选出有效样本数据，尽可能减少了无效样本数据对于建立智能配送机器人的分布式充电成本优化模型的影响；对各类场合下的配送机器人充电调度典型案例进行分析与评估，利用能够获取的智能配送机器人的充电调度数据，所述充电调度数据包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布；对于不同工况下的数据，通过数据预处理对选取的历史样本数据进行清洗，处理因其他原因导致的历史订单样本中的数据问题，所述数据预处理方法包括插值、拟合和剔除；所述其他原因包括数据转存和人为记录失误；所述数据问题包括数据缺失和数据异常；有效地在大量的数据中筛选出有效样本数据，尽可能减少无效样本数据对于建立智能配送机器人的分布式充电成本优化模型的影响；步骤1.2：对于步骤1.1得到的有效样本数据，通过皮尔森卡方检验对有效样本数据进行相关性分析，筛选出能够对智能配送机器人充电结果有影响的特征数据变量，并构建数据集；有效删减了对智能配送机器人充电效果没有影响的特征数据变量，加快了神经网络的学习速度，变相提高了建立智能配送机器人的分布式充电成本优化模型的效率；所述特
征数据变量包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布；使用皮尔森卡方检验筛选出能够对充电结果有影响的特征数据变量；“虚无假设”为配送机器人的数量与充电结果呈统计独立性；然后编排列联表；列联表为r行c列，理论次数E
i,j
如下：其中N为样本大小，然后计算统计值χ2：依据设定的置信水准，查出自由度为df＝rc
‑
1，的卡方分配临界值，比较它与统计值χ2；若统计值较大则无法拒绝虚无假设，即该特征数据变量与充电结果呈统计独立性；同理可以得到全部智能配送机器人的充电调度数据分别与充电结果的统计独立性，进而筛选出能够对充电结果有影响的特征数据变量；所述充电调度数据包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布.所述特征数据变量包括配送机器人的数量、配送机器人的位置分布、配送机器人的配送时效性、配送机器人的剩余电量、配送机器人的配送任务量、充电桩的数量及位置分布；然后根据所述对充电结果有影响的特征数据变量构建用于构建智能配送机器人的分布式充电成本优化模型的数据集；有效删减对智能配送机器人充电效果没有影响的特征数据变量，加快神经网络的学习速度，提高建立智能配送机器人的分布式充电成本优化模型的效率；步骤1.3：对于步骤1.2得到的数据集，通过L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型；使所述智能配送机器人的分布式充电成本优化模型更贴合智能配送机器人的充电调度实际工况；选用带有线性映射关系的L
‑
BPNN神经网络构建智能配送机器人的分布式充电成本优化模型，使所述智能配送机器人的分布式充电成本优化模型更贴合智能配送机器人的充电调度实际工况；L
‑
BPNN神经网络结构是在BPNN的基础上，添加了输入层与输出层的直接连接，反映了输入与输出之间线性与非线性的关系；x1,x2,
…
,x
l
‑1,x
l
表示输入信息，h1,h2,
…
h
m
‑1,h
m
表示隐藏层，y1,y2,
…
y
n
‑1,y
n
表示输出值，w
ji
表示输入层与隐藏层之间的权值，w
kj
表示隐藏层与输出层之间的权值，表示输入层与输出层之间的权值；因此，L
‑
BPNN隐藏层的输出计算表达式仍为：式中g(x)表示隐藏层的激活函数，常用sigmoid函数；m表示隐藏层神经元个数，b
j
表示隐藏层偏置；
对应输出层的表达式表示为：式中n表示输出层神经元个数，b
k
表示输...

【专利技术属性】
技术研发人员：邹苏郦，李思祺，马中静，戴天，衡勇，魏佳楠，李启，
申请(专利权)人：北京电子工程总体研究所，
类型：发明
国别省市：