基于偏好函數(shù)與深度信念網(wǎng)絡(luò)的自動(dòng)化碼頭AGV實(shí)時(shí)調(diào)度算法

賈石巖， 王澤浩， 張 旭， 曾慶成

(大連海事大學(xué) 航運(yùn)經(jīng)濟(jì)與管理學(xué)院， 遼寧 大連 116026)

隨著海上集裝箱運(yùn)輸量的快速增長，傳統(tǒng)集裝箱碼頭逐漸無法應(yīng)對(duì)船舶大型化、人工成本上升和復(fù)雜天氣因素帶來的挑戰(zhàn)，自動(dòng)化集裝箱碼頭已成為集裝箱碼頭發(fā)展的重要趨勢。[1]在自動(dòng)化碼頭中，自動(dòng)導(dǎo)引車(Automated Guided Vehicle, AGV)完成岸橋與自動(dòng)堆垛起重機(jī)之間的集裝箱水平運(yùn)輸，其作業(yè)效率受自身?xiàng)l件、作業(yè)環(huán)境、碼頭布局等因素影響。準(zhǔn)確把握AGV調(diào)度是碼頭提高作業(yè)效率的關(guān)鍵。

AGV是集裝箱在碼頭內(nèi)部流轉(zhuǎn)的重要水平運(yùn)輸設(shè)備，其效率直接影響自動(dòng)化碼頭的總體作業(yè)水平，國內(nèi)外學(xué)者針對(duì)其調(diào)度問題展開大量研究。已有研究多集中在任務(wù)分配、路徑規(guī)劃和路徑?jīng)_突[2-4]，CHOE等[5]和ZHENG等[6]致力于動(dòng)態(tài)環(huán)境下的AGV實(shí)時(shí)調(diào)度研究。已有文獻(xiàn)對(duì)AGV調(diào)度優(yōu)化的研究多以啟發(fā)式規(guī)則和調(diào)度策略為優(yōu)化方法，在靜態(tài)環(huán)境中給出高效率的調(diào)度方案，但其難以保證調(diào)度的實(shí)時(shí)性，調(diào)度策略無法針對(duì)環(huán)境的動(dòng)態(tài)變化實(shí)時(shí)調(diào)整。為解決自動(dòng)化碼頭中的AGV調(diào)度分配問題，建立以偏好函數(shù)為核心的AGV調(diào)度策略，設(shè)計(jì)了以深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)模型為基礎(chǔ)的實(shí)時(shí)分配算法，實(shí)時(shí)處理大規(guī)模數(shù)據(jù),通過優(yōu)化AGV作業(yè)集裝箱的順序，降低AGV空載行駛距離和岸橋平均作業(yè)時(shí)間，提高碼頭作業(yè)效率。

1 問題描述

自動(dòng)化碼頭的AGV作業(yè)區(qū)域主要包括岸橋作業(yè)區(qū)、AGV運(yùn)行區(qū)和堆場作業(yè)區(qū)等，AGV與岸橋、場橋的集裝箱裝卸區(qū)域?yàn)榻粨Q區(qū)，見圖1。

AGV是銜接船舶作業(yè)與堆場作業(yè)的重要設(shè)備。

圖1 自動(dòng)化碼頭布局和裝卸圖

本文加權(quán)考慮岸橋作業(yè)效率最高以及AGV空載運(yùn)輸距離最短，采用可針對(duì)環(huán)境變化實(shí)時(shí)調(diào)整的調(diào)度策略，為AGV實(shí)時(shí)分配集裝箱。在有限的AGV數(shù)量下，為增強(qiáng)AGV與岸橋和場橋之間的協(xié)同性，提高碼頭作業(yè)效率，需制定高效的AGV調(diào)度計(jì)劃，為AGV合理分配任務(wù)集裝箱。自動(dòng)化碼頭擁有一定數(shù)量的AGV裝卸若干任務(wù)箱，任務(wù)箱是指已經(jīng)在岸橋的作業(yè)序列內(nèi)，但還未安排AGV裝卸的集裝箱。當(dāng)某AGV完成其上一任務(wù)箱的裝卸時(shí)，通過調(diào)度策略計(jì)算任務(wù)箱的優(yōu)先級(jí)，安排優(yōu)先級(jí)最高的任務(wù)箱至該AGV,實(shí)時(shí)更新調(diào)度策略;當(dāng)再次出現(xiàn)AGV處于空閑狀態(tài)時(shí)，重復(fù)上述篩選過程，直至所有任務(wù)箱作業(yè)完畢。

2 AGV實(shí)時(shí)調(diào)度算法

隨著AGV任務(wù)分配問題規(guī)模的增大，傳統(tǒng)啟發(fā)式算法難以在有效時(shí)間內(nèi)獲得高精度的解，求解時(shí)間無法保證[7]，且調(diào)度方案無法根據(jù)環(huán)境的動(dòng)態(tài)變化做出實(shí)時(shí)調(diào)整。[5]為在短時(shí)間內(nèi)得出精度較高的動(dòng)態(tài)調(diào)度方案，本文設(shè)計(jì)基于DBN網(wǎng)絡(luò)模型的AGV實(shí)時(shí)調(diào)度算法，其實(shí)時(shí)調(diào)度算法流程見圖2。算法利用基于偏好函數(shù)的調(diào)度策略篩選最優(yōu)集裝箱完成分配；為保證策略的優(yōu)越性，通過不斷更新的訓(xùn)練集與DBN網(wǎng)絡(luò)模型實(shí)時(shí)更新調(diào)度策略。

AGV實(shí)時(shí)調(diào)度算法的初始調(diào)度策略為隨機(jī)分配，即若本次任務(wù)箱分配為整個(gè)調(diào)度的首次分配，則為空閑AGV隨機(jī)安排任務(wù)箱。

圖2 AGV實(shí)時(shí)調(diào)度算法流程圖

1) 當(dāng)某AGV處于空閑狀態(tài)時(shí)，根據(jù)AGV與任務(wù)箱狀態(tài)計(jì)算偏好值，輸入DBN網(wǎng)絡(luò)模型，結(jié)合偏好函數(shù)產(chǎn)生策略最優(yōu)任務(wù)箱完成AGV任務(wù)分配。

2) 針對(duì)當(dāng)前時(shí)刻所有未分配的任務(wù)箱，假設(shè)其分配至當(dāng)前空閑AGV，并結(jié)合偏好函數(shù)和DBN網(wǎng)絡(luò)模型模擬接下來r個(gè)任務(wù)箱的作業(yè)即仿真步長為r，得到所有任務(wù)箱的仿真評(píng)估值。

3) 比較仿真評(píng)估值得到仿真最優(yōu)任務(wù)箱，產(chǎn)生新訓(xùn)練集。

4) 將新訓(xùn)練集與更新后的初始訓(xùn)練集結(jié)合輸入DBN網(wǎng)絡(luò)模型，完成DBN網(wǎng)絡(luò)模型的訓(xùn)練，即更新調(diào)度策略。

不斷重復(fù)上述過程，直至所有任務(wù)作業(yè)完畢。AGV實(shí)時(shí)調(diào)度算法步驟的偽代碼如Algorithm所示，通過訓(xùn)練集更新對(duì)環(huán)境變化做出動(dòng)態(tài)調(diào)整，在短時(shí)間內(nèi)得出合理的AGV實(shí)時(shí)調(diào)度方案。以下為算法步驟。

2.1 基于偏好函數(shù)的實(shí)時(shí)調(diào)度策略

采取偏好函數(shù)構(gòu)建AGV調(diào)度策略，即算法偽代碼的第04～第06行。調(diào)整策略以兩兩比較的偏好函數(shù)為基礎(chǔ)，結(jié)合上一輪訓(xùn)練好的DBN網(wǎng)絡(luò)模型，通過不同評(píng)價(jià)標(biāo)準(zhǔn)選取最優(yōu)任務(wù)箱。評(píng)價(jià)標(biāo)準(zhǔn)的依據(jù)是最大化岸橋作業(yè)效率和最小化AGV空載距離。

Algorithm 算法步驟:

01: 輸入任務(wù)箱列表V，初始調(diào)度策略π，仿真步長r，標(biāo)準(zhǔn)訓(xùn)練集大小I等參數(shù)

02: 為所有AGV隨機(jī)分配初始作業(yè)任務(wù)，更新當(dāng)前時(shí)刻T，初始訓(xùn)練集S←?

03: do until 所有任務(wù)箱分配完畢

04: if 當(dāng)前時(shí)刻T存在AGV處于空閑狀態(tài)，視其為當(dāng)前AGV then

05: 更新任務(wù)箱列表V和交換區(qū)、岸橋、場橋狀態(tài)

06: 根據(jù)當(dāng)前策略π，從任務(wù)箱列表V中選擇策略最優(yōu)任務(wù)箱π(VT)分配至當(dāng)前AGV

07: for 任務(wù)箱列表中的所有未作業(yè)任務(wù)箱 do

08: 運(yùn)用當(dāng)前策略π，對(duì)每一個(gè)任務(wù)箱i進(jìn)行步長為r的仿真，得出i的評(píng)估值Z(i)

09: end for

11: 臨時(shí)訓(xùn)練集G←?

12: for除i*外任務(wù)箱列表VT中的所有未作業(yè)任務(wù)箱 do

13:G←G∪(i*,i,1)∪(i,i*,0)

14: end for

15: if 訓(xùn)練集S的樣本個(gè)數(shù)大于Ithen

16:S←從訓(xùn)練集S中隨機(jī)抽取I個(gè)樣本

17: end if

18:S←S∪G

19: 將訓(xùn)練集S輸入DBN網(wǎng)絡(luò)模型，更新調(diào)度策略π

20: else /*當(dāng)前時(shí)刻T為AGV到達(dá)交換區(qū)的時(shí)間*/

21: 為AGV選擇合適的空閑交換區(qū)作業(yè)

22: 更新交換區(qū)、岸橋和場橋狀態(tài)

23: end if

24: loop

25: return 岸橋平均作業(yè)時(shí)間與AGV空載距離

將當(dāng)前時(shí)刻的p個(gè)任務(wù)箱標(biāo)準(zhǔn)Fe(m,n)輸入已訓(xùn)練好的DBN網(wǎng)絡(luò)模型中，得到R(m,n)。R(m,n)為任務(wù)箱m與n的總偏好值。由于預(yù)測誤差，預(yù)測得到的R(m,n)值為區(qū)間[0, 1]間的任意值，其值越接近1，則對(duì)于任務(wù)箱m的偏好越高。Fe(m,n)為對(duì)于標(biāo)準(zhǔn)e，任務(wù)箱m與n的偏好值。標(biāo)準(zhǔn)e的偏好值通過任務(wù)箱m與n的對(duì)比得到。

(1)

式(1)中:Ae(m)為任務(wù)箱m對(duì)應(yīng)標(biāo)準(zhǔn)e的值。

任務(wù)箱m的總評(píng)價(jià)值Dm見式(2)，其解決偏好沖突的問題(例如m的偏好程度高于n，n的偏好程度高于h，但h的偏好程度高于m，則無法從m、n、h中選取最優(yōu)任務(wù)箱)。

(2)

式(2)中:VT為時(shí)刻T未作業(yè)的任務(wù)箱集合。

待選任務(wù)箱列表中評(píng)價(jià)最高的任務(wù)箱，即為通過當(dāng)前策略π篩選出的策略最優(yōu)任務(wù)箱。

(3)

運(yùn)用偏好函數(shù)為當(dāng)前AGV選取最優(yōu)任務(wù)箱，任務(wù)箱的評(píng)估通過p個(gè)標(biāo)準(zhǔn)實(shí)現(xiàn)(標(biāo)準(zhǔn)值越低代表任務(wù)箱優(yōu)先級(jí)越高)：A1(m)為岸橋/場橋作業(yè)任務(wù)m前所需時(shí)間；A2(m)為當(dāng)前AGV作業(yè)任務(wù)箱m所行駛的空載距離。

A3(m)=Tm-Tmin

(4)

式(4)中:A3(m)為任務(wù)m的緊急程度，其通過任務(wù)m的截止作業(yè)時(shí)間tm減去截止作業(yè)時(shí)間最小的值tmin得到。

A4(m)為當(dāng)前AGV作業(yè)任務(wù)箱m需行駛的重載距離，其值取負(fù)數(shù)；A5(m)為任務(wù)m對(duì)應(yīng)的岸橋作業(yè)單個(gè)集裝箱的平均延遲時(shí)間，其值取負(fù)數(shù)。

(5)

式(5)中：A6(m)為當(dāng)前AGV作業(yè)任務(wù)m出現(xiàn)雙循環(huán)的情況。

(6)

式(6)中：A7(m)為進(jìn)口箱與出口箱的區(qū)別。

(7)

(8)

式(8)中：A9(m)為當(dāng)前AGV優(yōu)于其他AGV的程度；k為當(dāng)前AGV；BT(i,m)為在時(shí)刻T；i號(hào)AGV處于空閑狀態(tài)并抵達(dá)任務(wù)箱m所在位置所需的時(shí)間；U為AGV集合。

2.2 未作業(yè)任務(wù)箱的模擬仿真

針對(duì)未作業(yè)任務(wù)箱列表中的任務(wù)箱，算法進(jìn)行步長為r的模擬仿真，得到新訓(xùn)練集以實(shí)時(shí)更新調(diào)度策略π，即算法偽代碼的第07～10行。時(shí)刻T已完成n個(gè)任務(wù)箱的分配，假設(shè)當(dāng)前AGV運(yùn)輸任務(wù)箱i，繼續(xù)模擬分配r個(gè)任務(wù)箱。模擬仿真過程中，r個(gè)任務(wù)箱分配的依據(jù)為當(dāng)前策略π。通過式(9)～式(11)計(jì)算任務(wù)箱i的模擬仿真評(píng)價(jià)值Z(i)，比較任務(wù)箱列表中所有任務(wù)箱的評(píng)價(jià)值，得到模擬最優(yōu)任務(wù)箱i*。

Z(i)=WHHn+r+WEEn+r,i∈Vt

(9)

(10)

(11)

式(10)和式(11)中：Hn+r和En+r為n+r個(gè)任務(wù)箱裝卸后，任務(wù)箱i的岸橋平均作業(yè)時(shí)間和AGV平均空載行駛距離；WH和WE分別為Hn+r和En+r對(duì)應(yīng)的權(quán)重；q為岸橋數(shù)量；tn+r為n+r個(gè)任務(wù)箱裝卸后的時(shí)刻；l為開始作業(yè)時(shí)刻；um為AGV作業(yè)任務(wù)箱m的空載距離。

2.3 訓(xùn)練集的產(chǎn)生與更新

根據(jù)模擬仿真的結(jié)果產(chǎn)生新訓(xùn)練集，即算法偽代碼的第11～第18行。訓(xùn)練集樣本的形式為任務(wù)箱兩兩比較，包括p個(gè)標(biāo)準(zhǔn)的偏好值Fe(m,n)和兩個(gè)任務(wù)箱的總偏好值R(m,n)。將Fe(m,n)作為訓(xùn)練集的輸入標(biāo)簽，R(m,n)對(duì)應(yīng)訓(xùn)練集的輸出，即每一個(gè)訓(xùn)練樣本均包括p個(gè)Fe(m,n)的輸入標(biāo)簽以及一個(gè)R(m,n)的對(duì)應(yīng)輸出。若任務(wù)箱m優(yōu)于任務(wù)箱n，則R(m,n)值為1；反之為0。產(chǎn)生訓(xùn)練樣本時(shí)，設(shè)置其輸出值為0或1；由于預(yù)測誤差，第2.1節(jié)中通過訓(xùn)練后的DBN模型選取任務(wù)箱時(shí)，得到的R(m,n)值分布在區(qū)間[0,1]之間。

設(shè)時(shí)刻T未作業(yè)任務(wù)箱數(shù)為dT，通過模擬仿真篩選模擬最優(yōu)任務(wù)箱i*。將任務(wù)箱i*與剩余任務(wù)箱兩兩比較產(chǎn)生dT-1個(gè)積極訓(xùn)練集(任務(wù)箱i*在前，其他任務(wù)箱在后，取總偏好值R(m,n)為1，以及dT-1個(gè)消極訓(xùn)練集(任務(wù)箱i*在后，其他任務(wù)箱在前，取總偏好值R(m,n)為0。樣本大小為2(dT-1)的新訓(xùn)練集與更新后的初始訓(xùn)練集合并輸入DBN網(wǎng)絡(luò)模型，更新調(diào)度策略π，完成模型訓(xùn)練。

新訓(xùn)練集樣本數(shù)量不足以更新調(diào)度策略，算法合并新訓(xùn)練集與已有訓(xùn)練集，輸入DBN網(wǎng)絡(luò)中更新策略。設(shè)I為標(biāo)準(zhǔn)訓(xùn)練集容量，當(dāng)新添加2(dT-1)個(gè)樣本后，將所有樣本輸入DBN網(wǎng)絡(luò)更新調(diào)度策略；若總訓(xùn)練集大小超過I，則在下一輪策略更新前，隨機(jī)抽取總訓(xùn)練集中的I個(gè)樣本，作為新初始訓(xùn)練集。

2.4 調(diào)度策略更新與調(diào)度方案評(píng)估

算法采用深度信念網(wǎng)絡(luò)[8]更新調(diào)度策略，即算法偽代碼第19行。DBN模型是為解決多隱層密度連接型信念網(wǎng)絡(luò)的推理困難提出的深度學(xué)習(xí)模型。訓(xùn)練集更新后，將當(dāng)前訓(xùn)練樣本的標(biāo)簽輸入DBN網(wǎng)絡(luò)，結(jié)合相應(yīng)的訓(xùn)練樣本偏好值(其值為0或1)完成DBN網(wǎng)絡(luò)模型訓(xùn)練。調(diào)度策略分配任務(wù)箱時(shí)，輸入當(dāng)前時(shí)刻下的任務(wù)箱屬性標(biāo)簽，得到相應(yīng)的預(yù)測總偏好值；由于預(yù)測誤差，總偏好值分布在區(qū)間[0, 1]內(nèi)。為評(píng)估AGV總分配方案的優(yōu)劣，加權(quán)考慮岸橋作業(yè)效率最高以及AGV空載運(yùn)輸距離最短，即算法偽代碼第25行。

3 算例分析

以某自動(dòng)化碼頭為例進(jìn)行算例分析，見圖3。設(shè)岸橋數(shù)量為7，堆場箱區(qū)數(shù)量為14，AGV運(yùn)行速度為6 m/s，場橋作業(yè)單個(gè)集裝箱的時(shí)間為37.4 s，岸橋作業(yè)單個(gè)集裝箱的時(shí)間為68.3 s。運(yùn)用MATLAB R2014a開發(fā)算法程序，所得結(jié)果均在Intel(R) Core(TM)i5-4570 3.20 GHz CPU的PC上測得。算法參數(shù)為：模擬仿真的步長r為10;標(biāo)準(zhǔn)訓(xùn)練集樣本容量I為9 000;權(quán)重WH和WE均為1;訓(xùn)練集樣本權(quán)重參數(shù)α為6。

圖3 泊位與堆場間的AGV運(yùn)行區(qū)

3.1 方案有效性試驗(yàn)

為驗(yàn)證方案的有效性，將本文方案同兩種常見的AGV任務(wù)分配調(diào)度規(guī)則進(jìn)行對(duì)比。

3.1.1任務(wù)分配調(diào)度規(guī)則

EDF(Earliest Deadline First)：截止時(shí)間最早的集裝箱優(yōu)先規(guī)則。若AGV處于空閑狀態(tài)，從未作業(yè)任務(wù)箱列表中選取截至?xí)r間最早的任務(wù)箱，分配至AGV;NEDF(Nearest & Earliest Deadline First)：根據(jù)空閑AGV所處位置，從未作業(yè)任務(wù)箱列表中篩選出一系列與該AGV距離最短的任務(wù)箱，并從中選取截至?xí)r間最早的任務(wù)箱，分配至AGV。

3.1.2方案對(duì)比分析

以AGV數(shù)量15臺(tái)、20臺(tái)、25臺(tái)和集裝箱數(shù)量300、600、900、1 200為例。方案對(duì)比結(jié)果見表1。表1中:AGVN為AGV數(shù);CONN為集裝箱數(shù);AGVE為AGV平均空載距離;QCA為岸橋平均作業(yè)時(shí)間。

表1 方案對(duì)比表

由表1可知:在不同規(guī)模分布下，本方案始終優(yōu)于EDF和NEDF，且AGV空載距離和岸橋作業(yè)時(shí)間的優(yōu)化率分別為6.53%、6.94%和4.64%、4.72%，優(yōu)化效果顯著。隨著算例規(guī)模的增大，優(yōu)化率隨之變大，方案優(yōu)勢更為突出。

3.2 算法效果檢驗(yàn)

自動(dòng)化碼頭的AGV任務(wù)分配研究多集中在啟發(fā)式規(guī)則的設(shè)計(jì)[1-2]，實(shí)時(shí)性較差。一些研究采取調(diào)度策略完成AGV調(diào)度，但無法隨環(huán)境動(dòng)態(tài)變化保證策略的實(shí)時(shí)最優(yōu)。為進(jìn)一步驗(yàn)證算法的優(yōu)越性，將本算法所采用的DBN網(wǎng)絡(luò)模型替換為人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Network, ANN)，運(yùn)用ANN網(wǎng)絡(luò)模型實(shí)時(shí)更新調(diào)度策略。在小規(guī)模算例下，本文算法與引入ANN的算法差異不明顯。因此，本文對(duì)中等規(guī)模、大規(guī)模算例進(jìn)行算法優(yōu)越性試驗(yàn)，其算法對(duì)比見表2。

表2 算法對(duì)比表

結(jié)果表明:在中、大規(guī)模算例下，本算法得到的調(diào)度方案優(yōu)于ANN算法得到的方案，且算例規(guī)模越大，算法優(yōu)勢越明顯。就求解時(shí)間而言，本文算法較ANN算法優(yōu)勢不明顯，但兩種算法的求解時(shí)間較短，均能為AGV實(shí)時(shí)分配任務(wù)箱。

3.3 敏感性分析

3.3.1AGV數(shù)量的敏感性試驗(yàn)

在任務(wù)箱數(shù)量為同等規(guī)模(以3 000任務(wù)箱為例)下，考慮不同AGV數(shù)量的敏感性分析見圖4。由圖4可知:AGV數(shù)量的增多在一定程度上可以降低空載距離和岸橋平均作業(yè)時(shí)間。隨著AGV數(shù)量的增多，AGV空載距離和岸橋平均作業(yè)時(shí)間抵達(dá)最低點(diǎn)后繼而增大。

圖4 AGV數(shù)量的敏感性分析

3.3.2標(biāo)準(zhǔn)訓(xùn)練集大小I的敏感性試驗(yàn)

由表3可知：當(dāng)樣本容量I為9 000時(shí)，AGVE與QCA的值最小，方案優(yōu)化效果最顯著。這是由于樣本容量過小無法保證舊樣本的比例，而樣本容量過大會(huì)降低新樣本對(duì)調(diào)度結(jié)果的作用。同時(shí)樣本容量的增大會(huì)降低求解效率，影響調(diào)度的實(shí)時(shí)性。

表3 不同訓(xùn)練集樣本容量的敏感性分析

3.3.3DBN模型層數(shù)的靈敏度分析

定義AGV與任務(wù)箱數(shù)量為(30, 2 000)，DBN模型層數(shù)的敏感性分析見表4。

由表4可知:當(dāng)DBN層數(shù)為3層時(shí)，AGVE與QCA的值最小，方案的優(yōu)化結(jié)果最顯著。若DBN層數(shù)過低，則無法充分挖掘數(shù)據(jù)中的特征；而DBN層數(shù)過高會(huì)造成對(duì)訓(xùn)練數(shù)據(jù)的過擬合。因此，選擇合適的DBN層數(shù)直接影響調(diào)度精度的提高。

3.3.4權(quán)重WH和WE的敏感性試驗(yàn)

定義AGV與任務(wù)箱數(shù)量為(30, 2 000)，權(quán)重WH和WE的敏感性分析見表5。

由表5可知:隨WH比重的增大，岸橋平均作業(yè)時(shí)間不斷降低，AGV空載行駛距離持續(xù)變大。在實(shí)際中碼頭對(duì)岸橋作業(yè)效率的重視程度更高。因此，根據(jù)碼頭實(shí)際需求改變權(quán)重比例WE∶WH，對(duì)重視程度高的部分給予更高權(quán)重，相應(yīng)的調(diào)度方案也會(huì)隨之改變。

4 結(jié)束語

針對(duì)自動(dòng)化碼頭AGV調(diào)度問題，為降低AGV空載行駛距離、提高岸橋作業(yè)效率，提出以偏好函數(shù)和DBN模型為基礎(chǔ)的AGV實(shí)時(shí)調(diào)度算法。偏好函數(shù)用于為AGV選取優(yōu)先級(jí)最高的集裝箱，并利用實(shí)時(shí)更新的訓(xùn)練集進(jìn)行DBN模型訓(xùn)練，完成調(diào)度策略的實(shí)時(shí)更新。通過優(yōu)化AGV的集裝箱作業(yè)順序，提高自動(dòng)化碼頭作業(yè)效率。算法可針對(duì)環(huán)境的動(dòng)態(tài)變化、碼頭的實(shí)際需求得出相應(yīng)的AGV實(shí)時(shí)調(diào)度方案，為自動(dòng)化碼頭降低設(shè)備能耗、提高作業(yè)效率提供新的思路。進(jìn)一步研究可考慮AGV任務(wù)分配、路徑規(guī)劃與路徑?jīng)_突的關(guān)系，提高AGV運(yùn)行效率與可靠性。