一种基于 AGV 车队规模优化与任务分配用于柔性制造系统 (FMS) 中 AGV 系统的新型双层动态调度算法

《Expert Systems with Applications》：A novel dual-layer dynamic scheduling algorithm based on AGV fleet size optimization and task allocation for AGV systems in FMS

　　

• 集成车队规模优化与任务分配的AGV双层调度算法。• 基于半开排队网络设计AGV车队规模优化算法。• 基于"估算-优化-执行"机制设计AGV任务分配算法。• 通过实验验证算法性能。

引言

随着制造业的智能化转型，柔性制造系统（FMS）已成为实现多品种、小批量生产的关键方案，它能够实现快速的产品类型切换和产量调整，从而缩短生产周期并降低转换成本 Wu et al. (2025)。作为FMS中关键的物料搬运组件，自动导引车系统（AGVS）连接仓库和处理工作站，支持精确的物料配送和工序间转运。有效的AGV调度可以显著提升FMS的整体性能，对其可靠高效的运行至关重要 Shakeb Ashraf, Pal Singh, Ullah Khan, & Ali (2023)。

在实际的FMS中，订单需求的动态波动 Liu et al. (2023)、机器加工和AGV运输时间的不确定性 Li et al. (2025c)，以及随机生成的运输任务对AGV调度构成了主要挑战，直接影响系统整体性能。一方面，订单需求的变化会显著改变运输工作量。AGV部署不足可能导致物料流拥堵和生产中断，而过量部署则会导致资源闲置和浪费。在高生产率下，AGV运输能力可能成为瓶颈。因此，动态优化AGV车队规模对于适应需求波动和提高资源利用率至关重要 Kováts & Skapinyecz (2024)。另一方面，任务生成和运输时间的不确定性对调度算法的实时响应能力提出了严格要求。同时，高效的任务分配可以减少物料运输时间和生产周期，从而支持生产连续性 Huo, He, Xiong, & Wu (2024)。因此，在动态环境中动态优化AGV车队配置和实时任务分配以解决AGV调度问题（AGVSP）对于精确满足生产需求和提升FMS整体性能具有重要作用。

传统FMS中的AGV调度研究通常将该问题表述为在固定生产任务集和固定AGV车队规模下优化运输任务分配 Vis (2006)，以提高运输性能。尽管该问题本质上是NP-hard问题 Miyamoto & Inoue (2016)，但这些研究往往忽视了AGV车队规模的动态适应性需求。在AGV车队规模优化方面，早期研究尝试通过估算运输需求和单车能力来确定车队规模 Ji & Xia (2010); Vivaldini, Rocha, Martarelli, Becker, & Moreira (2016)。此后，基于排队网络的方法将物料搬运系统建模为闭合排队网络 Amjath, Kerbache, Smith, & Elomri (2022); Choobineh, Asef-Vaziri, & Huang (2012); Koo, Jang, & Suh (2004) 或半开排队网络（SOQN） Heragu & Srinivasan (2011); Tu, Chun-Wei Lu, & Lee (2013)，以评估AGV车队规模对系统性能的影响。然而，这些研究主要关注初始车间设计阶段的静态估算，通常假设生产需求恒定。虽然近期研究引入了基于资源流的SOQN来分析资源间的复杂耦合关系 Zhou et al. (2026)，但现有的车队规模优化方法仍难以处理波动的生产需求。此外，很少有研究将任务分配步骤纳入车队规模决策模型中。

在FMS中的AGV任务分配方面，当前方法主要分为静态调度和动态调度。静态调度研究主要聚焦于求解多目标优化问题，主流方法包括混合遗传算法和粒子群优化 Mousavi, Yap, Musa, Tahriri, & Md Dawal (2017)、改进蚁群优化算法 He, Sahnoun, Zhang, & Bettayeb (2025)，以及多目标粒子群优化算法 Barak, Moghdani, & Maghsoudlou (2021); Wu et al. (2025)。此外，对于联合作业和AGV调度，学者们构建了混合整数线性规划模型并采用改进遗传算法 Han et al. (2024); Liu et al. (2022); Samsuria et al. (2025) 以及并行分解启发式方法 Amirteimoori, Tirkolaee, Simic, & Weber (2023) 进行求解。最近，约束规划 Yao, Liu, Li, & Gao (2026) 和进化经验引导的深度强化学习 Li et al. (2025a) 也被引入用于FMS中运输约束下的机器与AGV集成调度，进一步丰富了协同生产与运输调度的方法学。然而，这些研究通常假设固定的生产和运输任务，而实际上订单需求是动态随机的，任务生成时间和数量不可预测。因此，静态调度方法不适用于动态生产环境。

为了克服静态调度策略的局限性，动态调度研究引入了即时分配调度算法（IASA），基于实时系统状态做出单步决策。Li et al. Li et al. (2023) 设计了一种具有实时任务列表更新模型的非周期性调度机制，而 Liu et al. Liu et al. (2023) 构建了具有软交付满足约束的混合整数优化模型，并提出了知识引导的求解方法。其他方法包括遗传算法 Umar, Ariffin, Ismail, & Tang (2015)、启发式算法 Nishida & Nishi (2023)，以及改进的和声搜索算法 Li, Li, Gao, & Zeng (2019)。此外，一些研究采用了强化学习 Li et al. (2025b) 和分层强化学习 Chang, Jia, & Hu (2025) 方法进行AGV调度。然而，这些基于强化学习的方法通常建立在固定状态和动作空间之上，因此主要适用于AGV数量固定的场景。尽管如此，上述大多数即时分配方法仍依赖于基于当前系统状态的静态决策条件，缺乏对后续任务分配的长期规划。为解决这一问题，Wang et al. Wang et al. (2022) 提出了一种多状态调度算法，使用神经网络预测AGV行驶时间，使优化目标更接近全局最优。Niu et al. Niu, Wu, Xing, Wang, & Zhang (2023) 将多任务链模型与基于SVM的能力预测模型相结合，通过预测AGV剩余容量提高了设备利用率。然而，这些研究忽视了运输任务与生产过程之间的协调。运输请求仅在任务生成后触发，导致任务需要等待空闲AGV到达，从而难以实现生产和运输效率的集成优化。

总体而言，现有的AGV车队规模优化方法仅基于静态生产需求和平均运输效率来确定最优车队规模，旨在优化系统配置和设计。然而，它们未能考虑动态任务需求和任务分配效率的变化，难以精确匹配FMS中的动态生产需求与运输能力。同时，现有的FMS AGV任务分配方法均采用固定车队规模，在动态生产需求下导致运输能力过剩或不足。此外，它们在动态任务场景中缺乏AGV与任务之间的双向预分配机制，阻碍了生产和运输效率的协同优化。更为关键的是，车队规模优化和任务分配在不同层次和时间尺度上解决问题。现有研究缺乏有效协调二者的调度框架，难以在生产率、AGV利用率、生产效率和运输效率等多个性能指标上实现综合优化。

为解决上述问题，本文提出了一种适用于实际动态生产场景的双层动态调度方法，联合优化车队规模与任务分配。该方法的核心在于设计动态车队规模优化算法和任务分配算法，以及两者之间的动态协调机制：在长期尺度上响应生产需求并匹配运输能力，在短期尺度上处理高频运输任务和实时AGV分配。这增强了系统对动态订单的响应能力，并在不确定环境中实现了多个性能指标（包括AGV利用率、生产周期时间和运输效率）的综合优化。最后，通过在实际FMS实例上与现有算法的对比实验验证了所提方法的有效性。本文的主要贡献如下：

1. 本文提出了一种协调车队规模优化与任务分配的双层动态调度算法。该算法采用松耦合的序贯决策架构和多时间尺度响应机制：车队规模层在长期尺度上动态调整车队规模以适应生产需求波动，任务分配层在短期尺度上在给定车队集下实时响应运输任务。两层通过双向信息反馈实现协调，从而实现生产率以及生产和运输效率的综合优化。

2. 提出了一种基于半开排队网络的动态车队规模优化算法。该算法基于SOQN构建任务分配阶段与运输-加工过程的综合模型。在此基础上，设计了计算运输需求和效率的算法，该算法基于排队网络理论并纳入实时AGV状态信息。然后确定满足生产需求所需的最小AGV数量和待调度的最优AGV集合。

3. 提出了一种面向多性能指标综合优化的任务分配策略。构建了AGV任务分配模型以联合优化生产和运输效率。设计了基于"估算-优化-滚动执行"机制的任务分配算法：利用AGV集合、历史加工和运输时间数据以及实时状态信息，开发了AGV空闲时间、任务生成时间和AGV-任务匹配成本的估算方法，以构建多指标成本矩阵。采用匈牙利算法实现快速最优求解，并引入滚动执行机制以减轻动态不确定性对匹配最优性的影响。

本文其余部分组织如下：第2节讨论FMS及所研究的问题，并提供数学公式。第3节详细介绍了所提出的双层动态调度算法。第4节通过实验验证所提算法的有效性。第5节给出结论和未来的研究方向。

---

柔性制造系统

本文研究一个由生产系统和运输系统组成的FMS。生产系统控制物料工艺流程、生产率和运输任务的生成，作为运输系统的驱动源。运输系统负责工序间的物料物理流动。制造车间由多个独立的加工工作站、物料仓库和产品存储库组成。具体车间布局

---

双层动态调度算法框架

本文提出了一种双层动态调度算法（DLDSA），协调AGV车队规模优化与任务分配，并纳入基于事件的触发机制以响应生产需求和工艺中的动态不确定性。框架如图2所示（参数定义见表1）。车队规模优化层由生产率需求变化、低电量或AGV故障等事件触发，这些事件可能导致不平衡

---

方法论

在本节中，我们首先给出FMS的数学模型，然后介绍所提出的车队规模优化算法和任务分配算法。

---

实验结果与讨论

仿真实验在配备Intel(R) Core(TM) i5-8300H CPU @ 2.30 GHz和8.00 GB RAM的计算机上进行，使用MATLAB和FLEXSIM的联合仿真。

---

结论

AGV调度问题在FMS中普遍存在，是其在动态随机生产条件下高效可靠运行的关键因素。然而，现有研究对AGV资源和运输任务的实时变化以及它们的动态最优匹配关注不足，仍有进一步优化空间。

本文聚焦于AGV的双层动态调度算法（DLDSA），该算法由AGV车队规模

---

CRediT作者贡献声明

Qi Zhou：方法论、软件、初稿撰写、审阅与编辑。Chao Peng：概念构思、资金获取、项目管理。Chuan Xie：形式分析、调查研究。Jianxiao Zou：资源、监督。Jiawei Sun：验证、可视化。

利益冲突声明

作者声明不存在已知的竞争财务利益或个人关系，这些利益或关系可能影响本研究中报告的工作。

Qi Zhou | Chao Peng | Chuan Xie | Jianxiao Zou | Jiawei Sun