深度领域知识进化算法

AGV调度三目标优

通过两阶段启发式初始化、多模态邻域搜索和负载均衡合并机制，在矩阵制造车间的复杂约束下同时优化运输成本、客户满意度与能耗。

Zeng, Junhai · 谢维

Applied Soft Computing Journal 2026

参数信息

倒置世代距离

0.037~0.123

超体积

0.607~0.814

技术优势

解的质量高

两阶段启发式初始化结合距离-紧急度和距离-负载启发式，生成高质量初始解，使最终优化结果更优。

搜索更均衡

多模态邻域搜索框架以等概率使用多个算子，在全局探索与局部利用之间取得平衡，避免了搜索陷入局部最优。

解更可行

基于负载均衡的合并操作通过动态客户重分配，主动提升解的可行性和质量。

多项指标领先

在100个实例上与9种知名算法比较，IGD和HV均为最佳，且相比第二名算法IGD降低15.8%~44.0%，HV提升6.6%~16.5%。

应用场景

• AGV调度：三目标同时优化，直接生成多AGV任务分配与路径时序。
• 矩阵制造车间：针对矩阵布局复杂物流约束定制，避免重复建模调参。
• 多目标优化：提供成本、满意度与能耗的Pareto前沿，便于权衡决策。
• 多机器人协调：负载均衡合并动态分配顾客，协调多AGV避免冲突和过载。
• 智能调度：嵌入车间领域知识，降低对人工排程经验的依赖。