随着社会的发展和城市经济的飞速进步,电商行业扮演着越来越重要的角色,订单逐渐趋向于数量大,品种多,批量小,碎片化,高时效等特点,对现代化仓储系统的订单处理能力提出了更高的要求。本文研究“货到人”AGV拣选模式下的基于订单分批的多AGV路径规划与避障的问题,具体研究内容如下:首先对订单分批问题进行研究,以所有批次拣选订单所需要的货箱搬运总次数最小为目标函数,建立数学模型。为提高算法种群的多样性,设计改进PSO算法,根据粒子的适应度值对粒子进行K均值聚类,保存较多的优良性群体位置来提高粒子的搜索能力;然后采用一定规则的交叉和变异算子用于增加粒子的多样性,从而避免算法过早收敛而陷入局部最优解。结果表明:与一般粒子群算法对比,改进PSO算法计算货箱搬运总次数有明显的减少,且通过三种规模的数据对改进PSO算法优化性能进行验证,最终降低了粒子寻找出现局部最优解的概率,尤其在大规模数据算法对比结果中,改进PSO算法的有效性更加突出。然后,在订单分批的基础上,设计一种基于AGV任务均衡与路径优化的联合优化模型。以同一批次中不同AGV拣取任务的最长距离和最短距离之差的绝对值最小为目标函数,建立数学模型,针对MOPSO算法在多目标优化问题中收敛差,容易陷入局部最优的问题,设计改进MOPSO算法并进行优化求解。结果表明:相对于遗传算法和传统粒子群算法,改进MOPSO算法算法性能更稳定,求解得到的拣货路径和拣货距离也更优,更适合该模型的求解。在不同的算例中,与订单分批拣选方案目标函数值减少了 1.77%,拣货总距离减少了 1.6%,且验证了改进MOPSO算法的收敛性能更加平稳。最后研究了多AGV路径规划与避障的问题。考虑AGV行驶的转弯时间和避障策略,以AGV行驶时间最短为总目标,建立多AGV行驶的路径规划模型,设计了加入时间因子的改进A*算法进行求解。结果表明:对比AGV在4个方向和8个方向的移动条件下,同一环境中多AGV路径规划与避障时间有所减少,考虑AGV的转弯时间后,改进的A*算法策略可节约更多的时间,效率更高,更适合解决多AGV路径规划与避障的问题。本文的研究实现了提高AGV路径规划时间与效率,结合前两章的研究,结果表明能够大规模的减少运营成本,提高仓储系统的订单处理能力。