随着智能制造的快速发展,自动导引车（Automated Guided Vehicle,AGV）作为车间的主要运输设备,被广泛应用于智能仓储系统、柔性制造系统等场景下,而多AGV调度系统可以为AGV选择最优路径和任务分配方案,对于制造车间的智能化具有重要意义。因此,本文对多AGV调度系统的路径规划和任务调度进行研究,重点研究了以下几个方面:首先,针对AGV的路径规划方面,在构建环境地图时,利用多传感器数据融合技术,将不同传感器采集的数据进行融合,解决单一的传感器无法精确刻画出地图特征的问题,使得障碍物与可行区域在地图中显示得更加准确与清晰,为之后的路径搜索提供了良好的基础。其次,针对传统蚁群算法在路径搜索过程中,存在收敛速度慢、搜索效率低、耗时长等问题,提出一种改进的蚁群算法:设置初始信息素为不均匀分布,增强最优路径对蚁群的吸引力,加快算法收敛速度;增强启发式策略,引入方向引导因子改善传统蚁群算法寻路的盲目性;优化信息素挥发因子,改善传统蚁群算法容易陷入早熟的缺点。而后,针对车间动态环境中存在未知动态障碍的复杂情况,结合全局路径规划与动态避障规划策略,将该改进蚁群算法与滚动窗口联合使用。再次,考虑实际运行环境中AGV的可变速度,并基于目前碳达峰碳中和重要前景政策,考虑AGV在执行任务时的电量消耗,并引入重量系数,AGV不同的载重对于电量的消耗不同。结合最大完工时间、AGV数量和AGV消耗电量三个目标,以车间物料运输问题为例,建立了多AGV任务调度的数学模型,并采用改进的自适应遗传算法对模型进行求解。最后,设计并开发了多AGV调度系统,分析多AGV调度系统的需求以及功能,并对各个功能模块进行详细的展示。