由于物流行业的不断发展,能够快速的按照订单要求满足顾客需求是仓库的管理的重要内容,快速完成货物拣选已经成为制约企业发展的关键。现在的自动化仓库多使用自动引导车(Automated Guided Vehicle,AGV)来实现物流仓库的自动化和信息化,自动引导车的优化运行是当前的热门研究方向。为了提高仓库运行效率,节省仓库的货物拣选时间,同时为了解决传统集中式自控系统在仓库管理中存在的安装成本高、耗时多等问题,本文基于群智能系统架构对自动化仓库的关键问题——仓库AGV的路径规划策略进行了研究。首先,本文研究了基于群智能的仓库日常管理系统,设计基于群智能架构的仓库货物查询、存取和故障报警功能,分析几种常用的地图建模方式,建立仓库二维栅格地图和仓库拓扑结构地图,简化仓库地图环境。其次,本文提出了一种基于并行排序蚁群算法的仓库路径规划方法,该方法通过多蚁群之间的协同生长,共同进化,提高蚁群算法的求解速度和求解效果,再对生成的初始路径通过减少中间节点的方式进行平滑处理。在不同大小的地图上进行多组对比实验,实验结果表明,本文算法在不同大小地图上求解单AGV路径规划问题的时候求解速度更快,稳定性更好,平滑处理后的路径长度更短、转弯次数更少。再次,本文提出了基于群智能架构的排序优化蚁群算法和路由信息协议算法进行路径规划,通过将常用算法和群智能架构相结合,提高路径规划效率。实验结果表明,基于群智能架构的排序优化蚁群算法在多次求解路径时,相较与传统算法路径求解效果更好,速度更快。路由协议算法在仓库数据初始化之后可以直接得到最优路径信息,相比其他算法进行路径规划时的响应更快且算法准确度高。最后,本文构建仓库多AGV之间的动态避碰博弈模型,利用虚拟行动法进行博弈求解并解决多纳什均衡的选择问题,相邻AGV之间互相博弈,从行动集中选择最优行动。仿真实验结果表明,该方法能更快的找到多个AGV之间的纳什均衡解,实现AGV的行为选择,进而完成多AGV的动态避碰。本文提出的路径规划算法相比于现有算法,能够有效的减少拣选货物时的路径长度,避免多AGV同时运行时发生碰撞,为解决仓储作业中的AGV动态路径规划问题提供了有效的方法。