来源：期刊VIP网 时间：
作者：张艳伟;莫满华;秦威;
单位：武汉理工大学交通与物流工程学院;武汉理工大学水路交通控制全国重点实验室;上海交通大学机械与动力工程学院;
摘要：针对自动化集装箱码头智能导引车（IGV）作业环境动态、作业过程受电池电量约束等问题，研究不确定环境下考虑充电的IGV任务动态分配方法。分析不同载重下IGV充放电过程，提出基于电量区间自主决策的充电策略。为规避动态环境下IGV作业时间不确定对装卸效率的影响，以IGV和集装箱任务信息为状态空间，以集装箱分配规则为备选动作，综合装卸等待成本、IGV搬运成本和充电成本设计即时奖励，基于深度强化学习构建面向IGV任务分配的马尔可夫模型。为克服传统深度Q网络（DQN）过估计、收敛困难和训练不稳定问题，设计集成优先级经验回放（PER）机制和决斗双重深度Q网络（D3QN）结构的D3QN-PER算法。实验结果表明：D3QN-PER算法比单一规则决策和随机决策的IGV搬运任务总完工时间平均分别改进4.60%和12.05%，具有更好的收敛性能和训练稳定性。
关键词：自动化集装箱码头;;智能导引车(IGV);;动态分配;;自主充电;;深度强化学习
基金资助：科技创新2030-“新一代人工智能”重大项目（2022ZD0119303）
