近年来,随着智能制造企业的高速发展,物流系统的应用与管理显得越发重要,其中,制造车间中所采用的自动引导车辆(AGV,Automated Guided Vehicle)虽能实现物料的自动搬运,并提高企业的生产率,但其中所涉及到的多AGV路径规划和任务调度技术是当前制造企业面临的主要应用问题。这些企业都迫切需要对整个物流系统进行优化调度来提高车间的运行水平,从而保证能够按时交货。因此,结合多AGV路径规划的智能制造车间调度技术是制造企业实施智能制造的关键技术,具有重要作用。本文针对数字化智能制造车间的多AGV应用问题开展了研究。首先,分析了国内外智能车间中的多AGV路径规划与调度技术的研究现状,针对制造企业面临的车间环境下的多AGV路径协调问题,指出并分析了相应的规划方式,通过引入改进的优先级算法解决了AGV之间的协调问题,从而也提高了AGV避让的安全性,并且,该方法是基于AGV的剩余电池电量来分配优先级,从而有效的提高了AGV的电池使用效率。其次,该优先级算法需调用其他算法求解单个AGV的最优路线,本文通过改进蚁群算法进行求解,该改进的蚁群算法通过随机初始化地图上各位置的信息素含量以提升算法前期搜索效率,在信息素的更新操作中,该算法通过当前解与劣质解的比较进行更新,除此之外,该改进算法增加了变异操作,该操作可随机地改变地图部分位置的信息素含量,以增加搜索空间,避免算法陷入局部最优。通过仿真验证了基于优先级算法的多AGV路径规划的有效性,进而也对比了蚁群算法改进前后的性能。针对以上所采用的路径规划方式,本文分析并建立了适应这种车间的调度模型,为了让调度模型求解的方案更贴合实际路径规划的结果,本文在调度模型和求解算法上面做出了一系列改进和完善。首先,根据地图环境和货仓个数的情况建立了多目标优化模型,将AGV电量消耗因素引入该模型,使得AGV电量消耗与任务分配的结果相匹配;其次,本文提出并推导了一个地图复杂系数作为站点间距离的加权值,该地图复杂系数充分地考虑了障碍物的面积、分布情况、障碍物的形状特征以及环境中包含的货仓个数;此外,本文设计了相应的遗传算法以求解该调度模型;最后,结合前文的路径规划和调度模型进行了一系列的实验与仿真分析,进而验证出本文所提出的调度方法更贴合实际应用。