多机器人协同是智能制造的基础技术,国内外众多学者对多机器人协同中的作业调度和路径规划问题进行了深入研究。基于已有研究成果,本文提出了一种应用了Hopfield神经网络、改进蚁群算法及时间窗的多移动机器人作业调度和路径优化方法,并通过实验验证了其有效性和实用性。论文首先从作业环境、地图模型以及作业流程三个方面描述了多移动机器人的系统结构,研究了多机器人的控制方法,提出了多移动机器人系统整体的调度算法模型以及系统性能评价方式。为提高多机器人任务分配效率,提出了利用Hopfield神经网络算法求解多机器人任务分配问题。针对多机器人作业特点,设计了与约束条件相对应的能量函数表达式,得到相应的车间多机器人调度问题的Hopfield神经网络结构和权值表达式,然后获得可行的、高效的多机器人任务调度方案。针对目前路径规划研究中普遍存在着路径规划算法效率低、易陷入局部最优,提出了基于3种优化策略的改进蚁群算法。一是蚁群算法中前代最佳路径与当前迭代最佳路径之间的差异存在动态变化信息,可以通过动态变化信息产生的正向前馈来提高算法效率;二是改善算法启发式因子,充分利用目的地点的启发式信息来改善算法在搜索初期效率较低的问题;三是在改进的蚁群算法中添加变异操作来解决蚁群算法易陷入局部最优的问题,以提高机器人路径规划算法效率。针对移动机器人的路径冲突问题,提出了基于时间窗算法多机器人协作避障策略。本文提出了冲突区的计算方法,给出了两条及多条路径交叉的时间窗分配方法,实现了多移动机器人在车间中高效协同作业。最后,论文将全局任务分配和路径优化后的结果进行融合,形成完整的工厂多机器人智能调度算法。并通过仿真实验,以及与同类方法的比较,验证了本文算法在优化多移动机器人调度及路径规划问题上的有效性和实用性。