AGV路线优化和实时调度是当前AGV领域的一个研究热点。实用中，人们采用的方法主要有：

1．数学规划方法

为AGV选择最佳的任务及最佳路径，可以归纳为一个任务调度问题。数学规划方法是求解调度问题最优解的传统方法，该方法的求解过程实际上是一个资源限制下的寻优过程。实用中的方法主要有整数规划、动态规划、petri方法等。在小规模调度情况下，这类方法可以得到较好的结果，但是随着调度规模的增加，求解问题耗费的时间呈指数增长，限制了该方法在负责、大规模实时路线优化和调度中应用。

2．仿真方法

仿真方法通过对实际的调度环境建模，从而对AGV的一种调度方案的实施进行计算机的模拟仿真。用户和研究人员可以使用仿真手段对某些调度方案进行测试、比较、监控，从而改变和挑选调度策略。实用中采用的方法有离散事件仿真方法、面向对象的仿真方法和3维仿真技术，有许多软件可以用于AGV的调度仿真，其中，Lanner集团的Witness软件可以快速建立仿真模型，实现仿真过程三维演示和结果的分析处理。

3．人工智能方法

人工智能方法把AGV的调度过程描述成一个在满足约束的解集搜索最优解的过程。它利用知识表示技术将人的知识包括进去，同时使用各种搜索技术力求给出一个令人满意的解。具体的方法有专家系统方法、遗传算法、启发式算法、神经网络算法。其中，专家系统方法在实用中较多采用，它将调度专家的经验抽象成系统可以理解和执行的调度规则，并且采用冲突消解技术来解决大规模AGV调度中的规则膨胀和冲突问题。

由于神经网络具有并行运算、知识分布存储、自适应性强等优点，因此，它成为求解大规模AGV调度问题是一个很有希望的方法。目前，用神经网络方法成功的求解了TSP-NP问题，求解中，神经网络能把组合优化问题的解转换成一种离散动力学系统的能量函数，通过使能量函数达到最小而求得优化问题的解。

遗传算法是模拟自然界生物进化过程中的遗传和变异而形成的一种优化求解方法。遗传算法在求解AGV的优化调度问题时，首先通过编码将一定数量的可能调度方案表示成适当的染色体，并计算每个染色体的适应度（如运行路径最短），通过重复进行复制、交叉、变异寻找适应度大的染色体，即AGV调度问题的最优解。

单独用一种方法来求解调度问题，往往存在一定的缺陷。目前，将多种方法进行融合来求解AGV的调度问题是一个研究热点。如，将专家系统和遗传算法融合，把专家的知识融入到初始染色体群的形成中，以加快求解速度和质量。

总结说明

首先，给大家两个英文单词Navigation（导航），Guidance（导引），这两个单词的意思是不一样的。导航是指确定自身的位置及航向；而导引是根据目前的位置、航向及理论轨迹来计算下个周期的速度值和转向角度值。有了这个概念后，我们分析一下磁带导引、电磁导引或其它形式的“有线”导引。他们都只能称为导引，而不叫导航。因为，这些导引方式只需AGV的相对位置，而与全局坐标无关！这也是为什么这类导引的AGV相对简单的原因：不需要复杂的导航计算（Dead-reckoning），甚至不需要导引计算，只需根据传感器的差分信号进行简单的转向控制。建议朋友们，不再说磁导航，而是叫磁带导引（Magnetic Tape Guidance）和电磁导引也称线导（Wire Guidance）。

AGV的导航/导引技术多种多样，不同的场合可采用不同的导引技术。单一的导引技术无法覆盖所有的应用：例如在有叉车行驶的场合我们就不宜选用磁带导引，可选用将导引线埋入地下的电磁导引；在由于工艺需要，路径需要经常变化的场合，可考虑激光导引；在路径复杂的场合应尽量考虑“无线”方式（激光，陀螺），因为“有线”模式，只能是真正地理意义上的“路”，而“无线”模式的路径是虚拟的，可以重叠，交叉，可以乱得象一团麻，而即使这样，AGV的运行在系统的调度下也是有序的，路径的选择也是最优的，所谓“条条大路通罗马”。AGV就能象汽车一样，在受到前方车辆阻挡时还能够找到其它的路径，从而提升AGV系统的作业效率。[6]