智能仓储系统的多机器人任务分配方法,根据多机器人任务分配问题模型建立时间成本和能耗成本的多目标优化模型；其中能耗成本表示为多机器人系统的总路径长度,时间成本表示为多机器人系统中各机器人总路径的方差；

具体步骤如下：

(1)、构建多目标任务分配方法的数学模型对于给定N个取货点的图G＝{V,E},其中V为取货点集合,E为该图的边集,安排m个机器人对取货点集V进行遍历,使得除出发点vn∈V以外的所有取货点均有且仅有一个机器人通过,且路径之和最小,各机器人路径方差最小；对于多目标任务分配问题,有如下优化目标： 式中：S：所有机器人路径总长度；Si：第i个机器人的路径总长度；Savg：各机器人长度均值；其中Si是根据第i个机器人的路径Pi＝{Ui,Ei}计算的路径总距离,其数值为按照图G的邻接矩阵D(G)计算的路径序列节点距离之和,其中Ui是由机器人i负责的取货点集,Ei是由Ui组成的首尾相连的边集,即： 其中duv表示从节点u到节点v的距离,其数值为邻接矩阵D(G)第u行v列的元素值；对多机器人任务分配方法如下：所有机器人必须从指定起点出发,且对其他所有节点严格访问一次后返回起点vn；即对于除出发点以外的点集U＝V\{vn}有：且每组有效解必须包含m条平凡子路径,即公式(2)-(4)构成了任务分配方法的约束条件；

(2)、构建非支配排序的多目标遗传算法

(2-1)、利用遗传算法求解,需要对个体基因进行编码,采用断点标记法对基因进行编码,步骤如下：

(2-1-1)、将集合V中的非起始点标记为1,2,...n-1,将起始点标记为n,并添加m-2个断点并将其编号为n+1,n+2...n+m-2；

(2-1-2)、将断点n+1,n+2...n+m-2与1,2...n组合为基因序列,并在计算S时候将编号为n+1...n+m-2的节点指向起点O,从而将问题转化为旅行商问题进行求解；(2-1-3)、为防止n+1...n+m-2前后相连,保证每条机器人路径均为平凡子路径,在G的邻接矩阵D中应有dnn＝∞,以保证进化过程中断点相连的个体被淘汰；

(2-2)、采用非支配排序算法以保证有效获得优质子代,其方法如下：

(2-2-1)、向种群中每个个体赋予被支配集合Ni和支配解集合Si,其中Ni表示当前种群中支配个体i的个体集合,Si表示被个体i支配的个体集合；

(2-2-2)、实际排序时,根据适应度方程获得个体的特征其中,Fi表示个体i的特征向量,由fi1和fi2组成,分别表示当前个体的时间成本和空间成本。对种群个体进行遍历,获取个体i的支配集合Si和被支配集合Ni,找到种群P中所有|Ni|＝0的个体,存入集合T0,对T0中的个体赋予支配等级并从种群P中排除集合T0获得剩余种群P1,再考察剩余种群P1,若个体j∈P1,且|Nj|-1＝0则将其存入集合T1,对T1中的个体赋予支配等级直至种群P为空,即种群P中个体均被赋予对应支配等级为止,并获得具有全部支配等级分级的新种群P′；

(2-3)、为保正非支配排序策略选择的父代种群具有多样性,避免将种群中的优化分量相近的个体纳入父代,引入同支配序的种群拥挤度计算策略其中个体的拥挤度参数Gi被定义为距离个体i最近的两个个体j,k的特征矢量(f1,f2)的差之和,即：   筛选子代时,优先选择支配序较小的个体,同等支配序下,优先选择拥挤度参数较大的个体,以此保证种群多样化；

(2-4)、针对遗传算法无法避免陷入局部最优值的缺点,引入了一种带有精英库的种群重启策略,即对于每次计算,在种群达到收敛条件时,重新初始化种群,并将达到收敛条件的优质解个体纳入精英库,达到使用精英库进行进化的条件时,将精英库作为新的种群继续迭代,从而提高算法收敛到非支配解的概率；检查种群是否达到收敛,如果达到收敛,将当前优质父代个体存入精英库,并初始化种群,返回步骤(1)；

(2-5)、检查当前迭代是否达到精英库迭代条件,若达到条件,将精英库中所存个体作为新种群,返回第一步；

(2-6)、利用筛选出的父代优秀个体通过交叉算子和变异算子生成下一代个体,并将下一代个体和父代个体作为新种群,返回步骤(1)；

(2-7)、检查是否达到终止条件并终止循环,并选择特征散点平方和最小者作为最优解；保证解具有最优的时间成本和能耗成本。