人工智能、物联网、云计算等先进的信息技术促进了传统物流业向现代物流业的转型升级,尤其是智能机器人的发展,极大地提高了物流各环节的效率,有效降低了物流总成本。近年来,一种新的“货到人”拣货作业模式已经开始在配送中心内部被采用。该模式利用AGV（Automatic Guided Vehicle）将货架搬运至拣货台,由拣选人员将商品拣选出来,货架访问若干拣货台后返回原位置,然后AGV再去搬运下一个货架,直至所有拣货任务完成。本文针对此应用场景,研究AGV的拣货路径规划问题,主要研究内容如下:（1）在总结国内外取送一体化的车辆路径问题、AGV调度问题和拣货路径规划问题的研究现状基础上,系统分析了拣货作业类型、“货到人”拣货作业模式、储位分配策略、仓储布局以及AGV环境建模方法。以AGV选取货架并访问多个拣货台的行驶路线优化为特色,提出了基于AGV的可移动式货架拣货路径规划问题（MMPRP）,给出了相关假设、约束条件以及环境建模的拓扑地图,建立了以最小化AGV总行驶距离为目标函数的移动距离模型。（2）针对MMPRP问题的特点,设计了一种混合蚁群算法（MACO）予以求解。该算法在基本蚁群算法的基础上,对转移规则、信息素更新方式做了改进,结合货架到拣货台的距离、货架上的商品种类等因素,设计了一条适合MMPRP问题的货架选择规则,在信息素更新规则中引入Max-Min蚁群策略、精英蚂蚁策略和路径节约因子。此外,设计了合并单一访问节点、移除末端AGV访问需求、替换满足度较低的货架、重排列一段访问路径、最长路段节点移除、交换两个货架路段等六种局部优化算子,以提升算法的性能。（3）构建了48个测试算例,对MACO算法的有效性和适用性进行验证,并探究了随机存储策略、基于周转率的存储策略,以及拣货台布局方式对解的影响。实验结果表明,本文所提出的整融合六种局部优化算子的MACO算法能够有效地求解MMPRP问题,对最优解的探索能力和对解空间的搜索能力比单纯的蚁群算法更强。在60种左右商品规模的算例中,MACO算法所搜索到的最优解,相较单纯ACO算法,平均改进率在移动距离模型中高达20.43%。图27幅,表26个,参考文献74篇。