MEModern Engineering2996-69732996-6981Art and Technology10.61369/ME.2026050028Article智能制造多机器人协同调度优化算法及产线仿真验证https://artdesignp.com/journal/ME/3/5/10.61369/ME.2026050028权昊2026352026-05-20针对智能制造车间中加工机器人与搬运机器人（AGV）资源耦合、调度效率低的问题，建立了以最大完工时间和系统总能耗为优化目标的多机器人协同调度模型，综合考虑工序约束、加工机器人选择与搬运任务分配。提出一种强化学习引导的自适应混合遗传算法：采用工序-加工机器人-搬运机器人三层编码，引入Q学习算子对交叉与变异概率进行自适应调整，并设计变邻域局部搜索增强寻优能力。基于扩展算例与数字孪生产线仿真平台进行验证，结果表明，所提算法在最大完工时间和总能耗上较NSGA-Ⅱ、MOPSO 分别降低约7%和6%，且收敛性与稳定性更优，可为智能制造产线的高效协同调度提供支持。智能制造,多机器人协同,生产调度,混合遗传算法,强化学习,产线仿真

[1] 国务院. 新一代人工智能发展规划[Z].北京: 中华人民共和国国务院,2017.[2] 薛建儒, 房建武, 吴俊, 等. 多机协同智能发展战略研究[J].中国工程科学,2024,26(1):101-116.[3] 张中伟, 高增恩, 王菁锐, 等. 分布式AGV 调度研究综述与发展趋势分析[J].制造技术与机床,2024(11):55-61.[4] 王玉芳, 章殿清, 华晓麟, 等. 考虑双资源约束多转速的绿色柔性作业车间调度研究[J].控制理论与应用,2025,42(10):2019-2027.[5] 谭伟华, 吴亮红, 李哲, 等. 改进教学优化算法求解执行器配置与生产调度协同优化问题[J]. 控制理论与应用,2026,43(4):865-873.[6] 冯运, 童翊轩, 王耀南, 等. 重大装备集群机器人协同制造数字孪生技术综述[J].自动化学报,2025,51(7):1463-1479.[7] 李颖, 高岚, 朱志松. 面向智能制造场景的机器人数字孪生建模与控制[J].系统仿真学报,2024,36(7):1536-1545.[8] 刘永奎, 杨康, 脱奔奔, 等. 数字孪生工业机器人: 概念框架、关键技术与案例研究[J].系统仿真学报,2025,37(7):1723-1752.