在柔性制造系统(Flexible Manufacturing System,FMS)中,自动导引小车(Automated Guided Vehicle,AGV)系统作业调度是否高效决定了生产制造的效率和成本,因此针对FMS中AGV调度策略的优化成为了目前各科研单位以及企业的研究重点。在面向FMS的AGV调度策略中,AGV的调度算法的制定不仅要考虑AGV的任务分配问题,还需要参考每个操作的花费时间,小车的运行时间等因素。此外,相比于单AGV调度算法,多AGV多任务调度算法需要一个更加复杂的调度数学模型来支撑。本文围绕上述的调度问题需求,在考虑AGV的电量状况下,以最小作业完成时间以及调度最少AGV数量作为优化目标,针对粒子群算法(Particle Swarm Optimization,PSO)容易陷入局部最优,以及遗传算法(Genetic Algorithm,GA)在搜索精度与速度上的缺陷等问题,本文采用将两个算法混合使用的方式,实现算法优势互补,并且针对粒子群算法初始化随机分布造成种群粒子局部分布以及遗传算法以固定概率进行交叉变异操作带来的算法效率问题,本文利用均衡评估以及自适应遗传算子分别对PSO和GA算法进行了改进,提出了一种改进的混合粒子群与遗传算法(PSO-GA),该算法可以在合理的时间内给出调度问题的最优解。基于提出的调度算法,面向FMS系统给出了多AGV调度模型以及详细的调度算法流程。最后,本文对提出的面向FMS基于改进的PSO-GA调度算法进行了仿真实验。实验结果表明,相较于单一的GA或PSO算法,改进算法在全局寻优收敛与算法运行时间上有明显优化效果,而又比现有混合PSO-GA算法在搜索精度和收敛速度上有进一步提高。