电子商务的飞速发展使得快递包裹数量急剧攀升,为了实现高效和准确的物流运作,物流公司纷纷建立了自动分拣系统。自动导引车（Automated Guided Vehicle,AGV）是分拣系统的核心工具,如何对多个AGV进行任务调度与路径规划是分拣系统高质量稳定运行的关键所在,二者的协同优化能显著提高分拣效率。因此,本文对自动分拣系统中多AGV任务调度与路径规划的协同优化问题展开研究,主要研究内容和创新点如下:（1）针对包裹信息已知的单载量AGV离线任务调度与路径规划问题,以最小化最大搬运完成时间为目标建立了混合整数线性规划模型,基于问题特征提出一种改进差分进化算法。在算法中,通过实数编码策略来表示任务调度方案,采用动态差分进化策略来提高收敛速度。设计一种无冲突路径规划算法,并将其引入到改进差分进化算法的解码方案,以搜索最优路径并解决多AGV路径冲突,从而实现任务调度与路径规划的离线协同优化。仿真实验验证了所提算法的有效性,并对其协同优化效果进行了分析。（2）针对包裹动态到达的单载量AGV在线任务调度与路径规划问题,以最小化加权总搬运完成时间为目标建立了混合整数线性规划模型。针对在线环境特征,提出一种集中决策与分散决策相结合的AGV在线协同优化算法。算法通过集中决策实时统筹系统全局信息,并将AGV视为具有决策能力的智能体（Agent）,基于分散决策策略,各AGV主动接收实时信息并自主确定搬运任务和行走路径。任务调度决策与路径规划决策同时进行,且根据系统实时情况进行动态调整,实现任务调度与路径规划的在线协同优化。仿真实验比较了不同调度规则的求解效果差异,并验证了所提算法的有效性。（3）将研究对象扩展至多载量AGV,对其离线任务调度与路径规划问题展开研究。以最小化最大搬运完成时间为目标建立了混合整数线性规划模型,结合问题特征提出一种聚类-协同进化算法。算法首先将包裹聚类为若干个包裹组,使每个包裹组可由多载量AGV在一次作业中完成分拣;进而,针对问题的多决策特征,设计协同进化遗传算法对包裹组进行指派和排序,并将无冲突路径规划算法引入到协同进化遗传算法的解码方案中,实现多载量AGV任务调度与路径规划的离线协同优化。仿真实验验证了所提算法的有效性和稳定性,并对关键问题参数进行了分析。（4）进一步考虑了 AGV电池充电和包裹的分拣时间窗差异,研究了多载量AGV在线任务调度与路径规划问题,以最小化包裹延迟成本和AGV运行成本的加权和为目标建立了混合整数线性规划模型,结合问题特征提出一种基于多属性指标的在线协同优化算法。算法同样采用集中决策与分散决策相结合的求解策略,在集中决策中考虑了系统的多种属性指标,根据系统实时状态对属性权重进行动态调整。为支持多载量AGV的分散决策,设计渐进式充电算法、多载量AGV在线任务调度算法和多载量AGV在线路径规划算法,实现AGV充电、任务调度与路径规划的在线协同优化。仿真实验表明,所提算法具有很好的求解效果。