物联网和云计算等新兴技术给物流的传统生产模式带来极大的变革,新兴技术在智能仓库得到广泛应用,智能仓库作为智能物流的重要一环,在智能仓库中部署了大量的物联网设备,任务的分析和处理给云计算带来挑战性的大量数据。应用在智能仓库中的云计算系统是以集中方式进行管理的,无法充分利用智能仓库的资源,并且现有的远程部署和网络资源短缺等因素导致任务执行效果不理想,要求云计算层对每一个从仓库上传的请求进行处理,这并不现实且消耗巨大,传统远距离集中式任务处理方式满足不了对于时延要求越来越高的智能仓库内部的各项货物流转任务。为此,采用一种分布式的方式雾计算,在智能终端设备附近部署雾计算节点,缩短待处理任务与计算资源之间的传输距离,从而提供实时快速响应。雾节点与智能仓库中的各类物理机器、终端设备等紧密部署,通过网络连接,提供实时计算服务。雾计算的优势是能够实时分析智能仓库产生的大量数据,以及对复杂任务进行分析处理,快速高效地完成终端设备交付的任务。然而,只有对雾计算资源进行合理分配调度,才能满足智能仓库任务对于时延和能耗的要求。本文首先针对智能仓库的要求和雾计算基本架构的特征,设计基于雾计算的智能仓库架构,为智能仓库内的相关任务提供了两种不同的计算方式,建立终端计算方式和雾层计算方式下的数学模型。然后对人工蜂群算法进行改进,引入反向学习思想并改进搜索方程,增强算法性能使其满足雾层计算方式下的雾节点计算资源调度要求。接着建立智能仓库内任务调度模型,建立时延和能耗分析模型,将改进后的人工蜂群算法用于智能仓库内的雾节点计算资源分配,在雾层计算方式下为雾节点分配最佳的数据量和合理的网络带宽,实现任务信息流的合理分配,从而满足智能仓库任务对于时延的要求。最后,依靠雾计算层的分析处理能力,针对智能仓库内无人搬运车对货物的搬运问题,通过遗传算法对智能仓库内搬运车进行路径优化,使搬运路径距离最短。仿真实验和结果表明,在雾计算环境下,通过改进的人工蜂群算法,对处在雾层计算方式下的雾节点进行计算任务分配,能够为雾节点分配最佳的计算数据量和网络带宽,实现智能终端设备与雾节点之间的任务信息流调度,令雾节点上的任务完成时延与任务标定时延之间的绝对误差都在误差范围内,能够满足不同任务类型对时延的要求。通过遗传算法,能够对智能仓库内随机产生的不同位置的货物规划搬运路径,实现搬运车搬运路径最短的要求。分析结果能够证明在雾计算环境下对智能仓库进行物流任务优化的高效性与可行性。