近年来,在物流行业中,传统仓储系统已满足不了日益增长的订单需求,并逐渐被使用移动机器人的智能仓储系统所替代。然而智能仓储中多移动机器人的任务分配问题和路径规划问题限制了其普及和推广,因此本文将针对智能仓储中的这些问题展开研究。首先,提出智能仓储中设备间的控制方式和对仓储环境进行构建。结合仓储实际情况提出混合式控制方式,然后用栅格图法建立环境地图,并设定机器人在该地图中的移动方式和距离表达方式。其次,为移动机器人分配任务。使用改进遗传算法,将待执行任务随机分组,然后通过遗传操作对种群进行迭代,在迭代过程中加入精英保留策略,保证优秀个体不会流失,加快算法的收敛,最终得到每个机器人的待执行任务序列。然后,对移动机器人规划路径。使用强化学习算法中的Q-learning算法先制定出奖励矩阵,再将机器人的任务分组作为Q-learning算法要规划的问题输入。进行动作选择时,对于路径转向和每一步可行的动作均设有惩罚值,并在更新Q表时引入A*算法中的估价函数,使算法在每次迭代时选择更合理的动作。这种引入方式增加了算法的学习效率并且降低了算法的运算次数,最终为每台机器人规划出转向次数少、行程较短的全局路径。最后,对移动机器人可能发生的冲突进行调节。使用基于时间窗的避障算法对全局路径排布时间窗,在某一路段发生冲突时调节移动机器人在该路段的时间窗,具体包括时间窗插入、时间窗连接、重叠检测和时间窗推迟等步骤,最终得到与其他移动机器人无冲突的时间窗。基于以上研究,算法在MATLAB平台上进行了仿真实验,仿真结果表明:在任务分配阶段,本文算法相比于传统算法能够跳脱出局部收敛,并且在任务数量发生变化时依然适用;在路径规划阶段,本文算法相比于传统算法能更快收敛并且得到平滑度高、路径代价少的路径。因此,本文的研究对提高仓储物流作业效率具有一定的现实意义。