本文分別針對直線軌道RGV智能加工系統(tǒng)的一道工序和兩道工序的物料加工作業(yè)情況，以工作時長內實際成料數、RGV作業(yè)效率、CNC作業(yè)效率多目標作為目標函數，給出RGV動態(tài)調度模型和算法。前者在本文分別針對直線軌道RGV智能加工系統(tǒng)的一道工序和兩道工序的物料加工作業(yè)情況，以工作時長內實際成料數、RGV作業(yè)效率、CNC作業(yè)效率多目標作為目標函數，給出RGV動態(tài)調度模型和算法。前者在各作業(yè)時間差距甚微的實驗數據下，得到的智能加工系統(tǒng)整體效率較高且小車移動方式基本相似；后者得到不同工序的作業(yè)時間會影響不同工序CNC的分配數目和小車的移動的作業(yè)方式，數據仿真結果表明：建立的模型和求解算法切實可行。

　　2003 年Malmborg 教授及其課題組首先提出自動小車存取系統(tǒng)，它主要包括軌道導引小車系統(tǒng)，通過RGVS 小車進行貨物存取。RGVS 控制系統(tǒng)通常與AGVS 比較，RGVS 智能加工系統(tǒng)優(yōu)化調度一直是研究的熱點。目前眾多國內學者對此做出了許多研究，初步概述了智能加工系統(tǒng)調度的一般方法。用動態(tài)規(guī)劃法建立最優(yōu)路徑的逆序遞歸數學模型，求解復合作業(yè)的最佳配對組合，使復合作業(yè)的路徑優(yōu)化方法更加簡單。等通過遺傳算法時利用多重編碼技術，結合計算機模型仿真求解進行研究。等提出一種用于求解復雜環(huán)境下自動導引小車路徑規(guī)劃問題的改進灰狼優(yōu)化算法，引入路徑微調算子和鄰域變異算子來提高灰狼優(yōu)化算法的局部開發(fā)能力，采用改進的路徑片段與障礙物相交判斷算法來提高算法的運行效率。等以任務最短完成時間為目標，此基礎上提出路徑最短和堵塞次數最少兩個優(yōu)化目標，提出了改進的自適應權重的求解方案，進一步提高了算法性能。智能算法的缺點在于收斂速度較慢以及求解時容易陷入局部最優(yōu)，因此解決算法獲得最終較優(yōu)解的時間效率問題成為未來研究的，這也是智能算法在實際生產過程中的瓶頸問題。圖1 是一個RGV 有軌制導車輛系統(tǒng)，是集各高新技術于一體的系統(tǒng)，配合CNC 計算機數控機床在物料加工方面有一定的實際應用。它有一個機械手臂、兩只機械手爪和物料清洗槽，能夠完成上下料及清洗物料等作業(yè)任務。本文討論的是在結合8 臺CNC、1 條RGV 直線軌道、1 條上料傳送帶、1 條下料傳送帶等附屬設備條件下，如何實現物料加工的效率最高化問題。