面向智能园艺中多程采摘机器人任务调度的自适应经验离散遗传算法

智能机器人技术的持续创新正在推动智能园艺的发展，显著提升了自动采收系统的潜力。虽然多机器人系统为解决劳动力短缺和成本上升问题提供了有前景的解决方案，但这些系统的高效调度 presents complex optimization challenges。本研究研究了多程采摘机器人任务调度（MTPRTS）问题。该问题以机器人再部署为前提，严格遵循makespan约束，并涉及机器人重量、机器人负载和能源消耗之间的相互依赖，引入了巨大的计算挑战，要求采用 sophisticated optimization algorithms。为有效应对这种复杂度，元启发式方法通常利用局部搜索机制，广泛应用于。尽管局部搜索在车辆路径问题中发挥着关键作用，但大多数现有算法都受限于冗余的局部操作，导致搜索过程缓慢且易陷入局部最优，尤其在大规模场景中更为如此。为克服这些限制，我们提出了一种自适应经验离散遗传算法（AEDGA），其引入了三个关键创新：(1)集成的负载-距离平衡初始化方法，(2)基于聚类的局部搜索机制，和(3)基于经验的自适应选择策略。为确保在makespan约束下保证解的可行性，我们开发了通过三个不同框架实现的解修复策略。对18个提出的测试实例和24个现有问题的全面实验表明，AEDGA显著优于八种最先进的算法。