AGV自动引导小车作为移动机器人的重要一部分,需通过自主路径规划进行导航。现实生活中的工厂和仓库大多是面积大且环境复杂,探索从静态简单环境到动态的相对复杂的实时环境的路径规划方法尤为重要。本文所提出的AGA-WOA混合算法的路径规划研究主要是为了满足AGV存取车辆时所进行的自主路径规划,其任务是为了在全局与局部结合,从静态到动态的环境中为每台AGV从预存停车位到目标停车位寻找一条最优无碰路径,有序完成所有路径规划任务。本文提出的AGA-WOA混合算法的路径规划研究主要是为了满足AGV在访问车辆时的自主路径规划。它的任务是在静态到动态的环境中,为每辆自动导引车找到从预存停车位到目标停车位的最佳无碰撞路径,以便完成所有路径规划任务。本文通过引入差异度函数对遗传算法适应度函数改进,并通过一系列遗传操作包括:选择算子、交叉和变异,从而形成新的改进遗传算法,提高了遗传算法的优化效率。为弥补遗传算法出现局部优化的问题,收敛度不高等问题,本文提出了将改进遗传算法和鲸鱼优化法混合优化算法,提高移动机器人路径规划对复杂环境的适应能力。通过鲸鱼优化算法减少遗传算法所需的迭代次数,采用不断更新鲸鱼的方法来对将遗传算法的染色体不断优化,用优良的染色体替换劣质的染色体个体。将改进遗传算法与鲸鱼优化算法相结合的思想可以有效地减少传统遗传算法的局部最优解、收敛时间长、优化结果不稳定等问题,使移动机器人能够更快地搜索目标结果,避免重复操作过程,不断地优化遗传算子。通过MATLAB来进行仿真分析,并在动态和静态环境下分别运用AGA-WOA混合算法进行仿真与实验,并对实验结果进行比对。验证了鲸鱼优化算法搭建基本遗传算法的方法在动静态环境下进行路径规划,在收敛速度、优化效果、优化能力和动态收敛等方面都取得了较好的效果。为了验证动静态两种环境仿真结果的有效性,规避所提出算法的随机性。本文通过搭建实验平台的方式,让小车在实际环境中运用所提出的算法进行实操,结果证明运用AGA-WOA混合算法进行路径规划的效率明显优于传统遗传算法,验证了该算法的有效性。