随着电商的迅速发展和客户订单需求的不断变化,拣货系统对订单的快速响应显得愈发重要,货到人模式下基于移动机器人的拣货系统（Robotic Mobile Fulfillment System,RMFS）发展起来,货位指派和自动导引车（Automated Guided Vehicle,AGV）路径规划是决定仓储运作效率的关键因素。为提高拣货效率及降低成本,本文以RMFS为背景,研究货位指派与AGV路径规划,主要研究内容和成果如下:首先,综合考虑货物相关性和出库频率建立了货位指派两阶段模型,第一阶段以货物聚合度为指标,基于关联度对货物聚类,第二阶段基于货物聚类与出库频率建立了货位指派优化模型;为求解货位指派结果,设计了基于层次聚类-遗传算法（Hierarchical ClusteringGenetic Algorithm,HC-GA）的求解算法;仿真结果表明货位指派方案和算法的可行性及有效性。其次,基于栅格法搭建智能仓库环境模型,构建了以总搬运时间最短为指标的单AGV路径规划模型及最短时间内完成任务为指标的多AGV路径规划模型;考虑频繁转弯对行驶时间的影响,在AGV路径规划成本函数中,通过AGV物理学运动状态确定转弯代价,在A*算法中引入AGV转弯代价系数;基于改进A*算法规划单AGV全局路径,以此确定每一任务的最短完成时间,并引入贪心思想分配AGV执行的任务及货架出库次序;为实现多AGV无障碍路径规划,提出全局与局部相结合的动态路径协同规划方法,在静态环境下初步规划AGV全局最优路径并引入时间表进行碰撞检测,分析路径冲突类型并根据AGV当前行驶状态设计避碰策略,依据策略动态规划局部冲突路径;仿真结果表明改进A*算法能够有效减少转弯,减少搬运时间消耗。最后,根据J公司实际需求并结合研究成果,提出了货位指派及多AGV路径规划的总体设计方案,并通过整体仿真结果表明,在本文货位指派结果基础上规划AGV路径,能够通过减少货架出库次数以及搬运距离缩短完成任务时间;且在仿真实验中以先预分配再精确分配确定执行一批订单的最优AGV数量,并设置对比算法验证了改进A*算法在普通订单场景和特殊订单场景中的适用性和有效性。本文基于相关研究现状和企业需求研究货到人模式的货位指派和AGV路径规划,提高仓储拣货效率,并对研究成果进行了实际应用分析,结果表明本文货位指派在提高仓储运作效率上具有优越性,路径规划方法能够高效实现多AGV协同运作,验证了本研究能有效解决J公司及类似仓储实际需求,同时能为相关领域提供一定的参考价值。