本文分別針對直線軌道RGV智能加工系統的一道工序和兩道工序的物料加工作業情況，以工作時長內實際成料數、RGV作業效率、CNC作業效率多目標作為目標函數，給出RGV動態調度模型和算法。前者在本文分別針對直線軌道RGV智能加工系統的一道工序和兩道工序的物料加工作業情況，以工作時長內實際成料數、RGV作業效率、CNC作業效率多目標作為目標函數，給出RGV動態調度模型和算法。前者在各作業時間差距甚微的實驗數據下，得到的智能加工系統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時間會影響不同工序CNC的分配數目和小車的移動的作業方式，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，它主要包括軌道導引小車系統，通過RGVS 小車進行貨物存取。RGVS 控制系統通常與AGVS 比較，RGVS 智能加工系統優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調度的一般方法。用動態規劃法建立最優路徑的逆序遞歸數學模型，求解復合作業的最佳配對組合，使復合作業的路徑優化方法更加簡單。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境下自動導引小車路徑規劃問題的改進灰狼優化算法，引入路徑微調算子和鄰域變異算子來提高灰狼優化算法的局部開發能力，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，因此解決算法獲得最終較優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，是集各高新技術于一體的系統，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。