你见过蚂蚁搬家吗？成千上万只工蚁在狭窄的洞道里穿梭，有的搬食物、有的运泥土，却不会堵成一团，也不会互相推搡。蚂蚁靠气味和触角交流，在通道里彼此避让，最终把整个巢穴的运输网络打理得井井有条。现代电商仓库里的AGV（自动导引运输车）车队，就像这样一支训练有素的蚂蚁大军。 几百台搬运机器人同时穿行在数万平方米的仓库中，既要按时把货送到指定位置，又不能撞车、堵路、互相卡死。背后依靠的，就是一套聪明的“调度算法”。本文用蚂蚁巢穴这个贯穿始终的比喻，带你理解仓储多AGV调度的核心知识：从仓库栅格地图建模与集中调度架构，到基于A*的路径规划，再到时间窗、资源锁等冲突避免策略，以及任务分配、死锁检测、实时重规划，最后在效率与安全之间找到平衡。

岗位关联

学懂多AGV调度，你就能设计真正落地的高效仓库机器人系统——这是物流自动化、智能制造和群体智能方向一线工程师的核心能力。

目录
  1. 可视化演示
  2. 调度系统架构
  3. 路径规划算法
  4. 冲突避免策略
  5. 任务分配机制
  6. 死锁检测恢复
  7. 实时重规划
  8. 效率安全平衡
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示仓储多AGV协同调度：网格地图A*路径规划、CBS冲突避免（顶点/边冲突检测与重路由）、组合拍卖任务分配与死锁检测，动态演示群体协作。

本节配有交互动效（进入视口后自动加载，约 3KB）。

路径规划：网格地图多AGV A*寻路 紫色为AGV1路径 粉色为AGV2路径 绿色为AGV3路径 A* Search on Grid Map (8x6) with Obstacle Avoidance 仓储网格地图上3台AGV独立执行A*寻路，避开货架障碍物规划最优路径到达目标

调度系统架构

想象一个庞大的蚂蚁巢穴，无数工蚁在泥洞里穿梭。如果每只蚂蚁都只凭感觉乱跑，通道早就彼此堵死。真正高效的蚂蚁群一定有一个隐形的“指挥系统”：哨蚁探路、工蚁分工、同伴通过触觉交换信息。现代电商仓库里的AGV车队也是一样，它们需要一个调度中心来统筹全局，把仓库地面抽象成一张棋盘式的栅格地图，每辆AGV都在这张地图上行动。

调度系统通常分三层：任务层负责接收订单、调度层负责统一决策、执行层负责AGV的加减速与转向。在集中式架构中，一台调度服务器保存着全局地图、车辆位置和任务队列，通过无线网络向每台AGV下发指令，AGV也会实时回报状态，比如空闲、取货、送货、充电。这个“状态循环”就像蚂蚁用触角不断向同伴汇报路况。

规划前，仓库被离散成一个个格子，调度中心据此判断两辆车的路径是否重叠。调度时，我们需要估算一辆车完成一次搬运任务需要多长时间，作为排产和路径预留的依据。

有中央指挥的蚁群，表面看每只工蚁都在自由活动，实际上整座巢穴井井有条。集中式调度就是这个大脑：它知道每台AGV在哪、要去哪，也决定了谁先走。理解了架构，就理解了整个调度系统的骨架。

Ttask=Dpathvavg+tload+tunload\displaystyle T_{task} = \frac{D_{path}}{v_{avg}} + t_{load} + t_{unload}
任务周期=行驶时间+装载时间+卸载时间，是调度器做全局排队和冲突判断的基准。
  1. D_path / v_avg行驶时间：路径总长度除以平均行驶速度，就是AGV在路上的时间。
    tdrive=Dpathvavg\displaystyle t_{drive} = \frac{D_{path}}{v_{avg}}
  2. t_load装载时间：AGV在取货点吸取或抓取货物所花费的时间。
  3. t_unload卸载时间：AGV在目的货架释放货物所花费的时间。
  4. T_task完整搬运周期：行驶时间加上装卸时间，才能评估一次任务占用的总时长。
    Ttask=tdrive+tload+tunload\displaystyle T_{task} = t_{drive} + t_{load} + t_{unload}

路径规划算法

蚂蚁从洞口去觅食，不会一步直达，而会边走边评估：这条路有没有障碍、绕不绕远。A*算法正是把这种“边走边评估”的思想搬到了栅格地图上。它是最常用也是最适合AGV的全局路径规划算法之一：在地图上为每一辆AGV找一条从当前位置到目标货架的最短且可通行的路径。

A*算法为每个栅格节点维护两个值：已经付出的实际代价g(n)，以及到终点还有多少距离的启发估计h(n)。两者相加就是评价分数f(n)。调度器每步都挑分数最小的节点扩展，好似蚂蚁嗅着食物气味一步步前进。启发函数h(n)通常取曼哈顿距离，因为AGV在地图上只能上下左右走，这样h永远不会高估真实代价，保证找到的路径一定最优。

找到的原始路径有时会很“僵硬”，全是直角拐弯，所以调度系统还会做路径平滑优化，把折线换成更顺滑的曲线。蚂蚁不会在每一个弯道都急刹车，AGV也一样，平顺的路径能减少磨损和停顿。路径规划是每台AGV的“个人路线图”，但多台车同时上路，真正考验智慧的是怎样避免彼此撞上。

f(n)=g(n)+h(n),h(n)=∣nx−goalx∣+∣ny−goaly∣\displaystyle f(n) = g(n) + h(n), \quad h(n) = |n_x - goal_x| + |n_y - goal_y|
f(n)是A*的“总预计代价”，g是已走过的路，h是还没走的路的最乐观估计。
  1. n当前被评估的栅格节点：把仓库地图切成一层层格子，每个格子是一个候选节点。
    n∈Gn \in \mathcal{G}
  2. g(n)从起点到节点n的实际代价：每一步真实走过的距离累加起来。
    g(n)=∑e∈path(cost(e))\displaystyle g(n) = \sum_{e \in path}(cost(e))
  3. h(n)从节点n到终点的启发估计：忽略障碍物，只算横向和纵向差值的和。
    h(n)=∣nx−goalx∣+∣ny−goaly∣\displaystyle h(n) = |n_x - goal_x| + |n_y - goal_y|
  4. f(n)综合评价分数：g加上h越小，说明这条路线既走得少、又有希望到达终点，A*优先扩展这类节点。
    f(n)=g(n)+h(n)f(n) = g(n) + h(n)

冲突避免策略

窄窄的蚁道里，两只蚂蚁迎面相遇，会默契地侧身让路。AGV没有触角，却更需要规则来避免碰撞。仓库通道比蚁道宽不了多少，好几台车同时驶向同一个交叉口，必须有人“安排错峰”。

调度系统最常见的手段是时间窗调度：每台AGV在规划路径时，调度中心会预估它何时通过某个关键交叉口，然后给不同车辆分配不同的时间窗，保证同一时刻只有一台车占用关键区域。这个方法像给每只蚂蚁发了一张“通行时段牌”。此外还有区域资源锁——进入交叉口前先申请锁，出来再释放，类似于蚂蚁进入窄洞前用气味标记“洞内已占用”。再配合交叉口优先权规则，比如直行优先、重载优先、空车让行重车。

冲突是否会发生，可以化为一个简单比较。设两辆AGV预计到达同一交叉口的时刻分别是t_A和t_B，若时间差小于安全间隔，就必须让其中一辆减速或等待。

时间窗、资源锁和优先权共同构成了AGV的“交通文明规范”。此外，调度系统还会强制车辆靠同一条车道行驶，减少对头相遇。蚂蚁群靠气味维持秩序，AGV车队则靠这些冷冰冰的规则，实现了比蚂蚁更精确的避让。

∣tA−tB∣<Δtsafe\displaystyle |t_A - t_B| < \Delta t_{safe}
两车到达交叉口的时刻差小于安全时间间隙，就判定为潜在冲突，需要调度避让。
  1. t_AA车预计到达交叉口的时刻：用当前时刻加上剩余路程除以速度得到。
    tA=tnow+dAvA\displaystyle t_A = t_{now} + \frac{d_A}{v_A}
  2. t_BB车预计到达交叉口的时刻：同理估算B车的到达时间。
    tB=tnow+dBvB\displaystyle t_B = t_{now} + \frac{d_B}{v_B}
  3. |t_A - t_B|到达时间差：两车谁先到、相差多久，是这个判断的核心。
  4. Δt_safe安全时间间隙：前车完全离开交叉口并留出缓冲所需的最小时间。如果时间差小于它，则判定为冲突。
    ∣tA−tB∣<Δtsafe\displaystyle |t_A - t_B| < \Delta t_{safe}

任务分配机制

蚁群里谁去搬食物？不是每只蚂蚁都去抢同一个面包屑，而是离得近的工蚁先出动，闲着的蚂蚁也会被同伴的信息吸引过来。AGV调度系统面对一批订单，必须决定“哪个任务交给哪辆车”。

调度中心维护一个集中任务池，所有订单进入池子，然后按一定策略分配给空闲车辆。最直观的策略是就近任务匹配：计算每辆空闲AGV到每个任务的曼哈顿距离，距离最近者获得任务。但如果总让最近的忙、让远的闲，就会造成忙闲不均——有些车排成长队，有些车空着跑。所以还要加负载均衡策略：统计每台车的任务队列长度，给“已经很忙”的车增加代价，引导任务流向更闲的车。

更高级的分配方式是拍卖竞价分配：每个任务像一件拍卖品，各辆AGV根据自己的位置和负载报价，调度中心把任务分配给报价最低的车。综合来看，分配代价可写成：

这就好比一只闲蚂蚁闻到远处食物的气味，毫不犹豫赶往现场，而一只已经扛着重物的蚂蚁则不会再去凑热闹。任务分配机制让整个车队忙闲均匀、空跑最少，从根源上减少了无谓的拥堵。

C(i,j)=dij+λLj\displaystyle C(i,j) = d_{ij} + \lambda L_j
任务i分配给AGV j的总代价=距离代价+负载惩罚，选总代价最小的组合。
  1. d_ij任务i与AGV j的距离：用曼哈顿距离衡量，体现AGV空跑的成本。
    dij=∣xi−xj∣+∣yi−yj∣\displaystyle d_{ij} = |x_i - x_j| + |y_i - y_j|
  2. L_jAGV j 当前的负载量：指它任务队列里还排着多少任务，代表忙碌程度。
  3. λL_j负载惩罚项：λ是惩罚系数，任务的代价随负载增大而升高，促使任务流向更空闲的车，实现负载均衡。
    λLj\displaystyle \lambda L_j
  4. C(i,j)综合分配代价：距离代价加上负载惩罚后，总代价最小的AGV获得任务。
    C(i,j)=dij+λLj\displaystyle C(i,j) = d_{ij} + \lambda L_j

死锁检测恢复

两只蚂蚁在窄洞里迎面相遇，如果谁也不肯退让，它们就会顶着牛僵滞在原地，后面的蚂蚁也全被堵住。AGV车队同样可能发生这种“顶牛”：车A占着B要走的通道，B占着A要释放的路口，两者互相等待，谁也不肯先动。

死锁的形成需要四个条件：互斥、占用且等待、不可抢占、循环等待。在仓库调度场景里，最常见的就是循环等待——多辆车首尾相接，形成一个闭环。调度系统会定期构建“等待图”：节点是AGV，如果有向边从AGV i指向AGV j，表示i在等待j释放资源。只要图中存在环，就说明发生了循环等待。

应对死锁也有“治未病”的手段：资源预留机制，让每辆车在进入路径前先申请整条路径涉及的全部资源，避免中途等待。一旦检测到死锁，调度中心就命令某辆车倒退让路，重新规划路线，让整个堵塞的车流重新流动起来。蚁群靠哪只蚂蚁先退一步化解僵局，AGV车队靠调度系统的全局眼光按下“重置键”。

∃ v1→v2→⋯→vk→v1,k≥2\displaystyle \exists\ v_1 \to v_2 \to \cdots \to v_k \to v_1,\quad k \geq 2
等待图中存在闭合环，且环上至少有两辆车，就判定系统陷入死锁。
  1. 构建等待图将每台AGV作为节点，若AGV_i在等待AGV_j让出通道资源，就画一条有向边 i→j。
  2. 检测有向环用深度优先搜索或拓扑排序扫描等待图，看能否从某个节点出发沿边绕回自身。
  3. 死锁判定存在长度为k（k≥2）的环，即至少两辆车彼此等待。
    v1→v2→⋯→vk→v1\displaystyle v_1 \to v_2 \to \cdots \to v_k \to v_1
  4. 打破环恢复选定环中优先级最低的一辆AGV强制回退、释放资源，环被切断，其他车辆继续前进。

实时重规划

蚂蚁在觅食途中如果碰到一滩水，不会傻站在原地等水蒸发，而是嗅一嗅、绕个弯继续前进。AGV的仓库环境同样是动态的：临时堆放的货物、突发故障的车辆、刚插入的加急订单，都可能让原来规划好的路径失效。

调度系统因此需要实时重规划能力。与从头再来不同，系统通常只做局部路径修改——在受影响的区域附近重新搜索一条旁路，而不是把整条全局路径推倒重来。这样能大幅节省计算量，让车辆在毫秒级时间内找到替代路线。故障点绕行是最典型的场景：某辆AGV在路上报告异常，调度中心立即把该路段标记为不可通行，并命令受影响车辆绕行。

重规划时，系统不再只看物理距离，还要看动态拥堵情况。每条栅格会有一个实时权重，越拥挤、越有障碍的区域权重越高，新路径就是总权重最小的一条路。

流量热力预判则更进一步：调度中心能提前预测未来几分钟哪个区域会变拥堵，于是给即将驶入该区域的AGV提前换线。蚂蚁凭借对巢穴地形的熟悉绕开水洼，AGV凭借调度系统的实时计算避开拥堵，整个过程行云流水，用户几乎无感。

Pnew=arg⁡min⁡P∈Ps,t∑(x,y)∈Pw(x,y)\displaystyle P_{new} = \arg\min_{P \in \mathcal{P}_{s,t}} \sum_{(x,y) \in P} w(x,y)
从起点到终点的所有候选路径中，选动态权重总和最小的一条作为新规划路径。
  1. P ∈ P(s,t)候选路径集合：从起点s到终点t所有可行的路径构成一个集合。
    P∈Ps,t\displaystyle P \in \mathcal{P}_{s,t}
  2. w(x,y)动态栅格权重：每条栅格根据交通拥堵、障碍物和临时封锁被赋予实时权重，拥堵越重权重越高。
    w(x,y)=α⋅d(x,y)+β⋅ρ(x,y)\displaystyle w(x,y) = \alpha \cdot d(x,y) + \beta \cdot \rho(x,y)
  3. Σw(x,y)路径总权重：一条路径经过的所有栅格权重加总，表示这条路“现在到底好不好走”。
    ∑(x,y)∈Pw(x,y)\displaystyle \sum_{(x,y) \in P} w(x,y)
  4. argmin 选择最优路径在集合中挑选总权重最小的一条，作为重规划后的新路径。
    Pnew=arg⁡min⁡P∑(x,y)∈Pw(x,y)\displaystyle P_{new} = \arg\min_{P} \sum_{(x,y) \in P} w(x,y)

效率安全平衡

蚂蚁搬运食物时再急需，也不会横冲直撞撞翻整个蚁群。AGV调度同样要在效率和安全之间找平衡：车速越快，单位时间送出的货物越多，但刹车距离更长、反应时间更短，撞车风险直线上升；车速过慢又会让整个仓库的吞吐量大打折扣。

安全距离是基础底线。调度系统要求每辆AGV与前车保持足够间距，这个距离由三部分构成：反应时间内滑行的距离、紧急制动的距离、额外冗余余量。

除了安全距离，系统还要设置任务优先级：加急订单的AGV可以享受更高路权，低优先级车辆主动让行。而吞吐量曲线告诉我们，AGV数量并非越多越好——车辆密度超过某个临界点，冲突剧增、等待时间变长，效率反而下降。聪明的调度系统会在车辆密度、速度和安全间距之间寻找最佳平衡点，正如蚁群懂得保持合理密度，既不浪费通道，也不堵死洞口。

dsafe=v⋅treact+v22a+dmargin\displaystyle d_{safe} = v \cdot t_{react} + \frac{v^2}{2a} + d_{margin}
安全间距=反应滑行距离+制动距离+冗余余量，速度越快，安全间距按非线性增长。
  1. v·t_react反应时间内的滑行距离：从检测到前车到开始制动之间，AGV以原速继续前进的距离。
    dreact=v⋅treact\displaystyle d_{react} = v \cdot t_{react}
  2. v²/(2a)制动距离：假设以最大减速度a匀减速，从v降到0所需的路程。
    dbrake=v22a\displaystyle d_{brake} = \frac{v^2}{2a}
  3. d_margin冗余余量：补偿传感器误差和通信延迟的额外安全距离，是工程上的“保险系数”。
  4. d_safe最小安全间距：三者相加，调度系统以此动态调整AGV的速度和跟车间隔。
    dsafe=dreact+dbrake+dmargin\displaystyle d_{safe} = d_{react} + d_{brake} + d_{margin}

AI 应用场景

电商仓AGV搬运调度

阶段：任务分配、路径规划、冲突调度全链路

解决的问题：大促期间订单暴增，人工拣选慢且容易出错；多台AGV同时穿行会互相干扰，导致堵车甚至死锁。调度算法把订单拆解成搬运任务，实时分派给最空闲的车辆，规划路线并错峰通过关键路口，让整个仓库像蚂蚁巢穴一样有序流转。

具体案例：菜鸟“地狼”仓和京东“亚洲一号”内部，几十到几百台AGV在数万平方米货架间搬运货箱。系统根据订单位置计算曼哈顿距离，结合每台车的负载状态分配任务；车辆驶近交叉口时按时间窗排队。某台AGV故障时，调度器立即标记障碍点，给受影响的车辆重规划绕行路线，大促期间持续保持高吞吐。

快递分拨中心自动分拣

阶段：实时调度与路线重规划

解决的问题：快递分拨场里，包裹需要按流向送到不同装车口，AGV在密集通道中穿梭，静态路线完全不可行。调度系统必须根据每个包裹的扫描数据进行动态分配和路径调整。

具体案例：某快递分拨中心部署数十台AGV，包裹从卸货口经传送带落到AGV上，系统实时匹配最近的装车口，规划路径并避开高峰区域。当某个装车口车道被占满时，调度器通过动态权重将后续包裹改派到其他AGV或备用通道，实现“车找人、路让车”。

智慧工厂产线物料配送

阶段：路径规划、冲突避免、实时重规划

解决的问题：汽车总装车间产线节拍快，物料配送必须准时，而产线环境动态变化，工位临时插入加急件是常事。AGV调度算法需要兼顾准时性和安全性。

具体案例：某汽车工厂涂装车间，AGV按工位需求配送零部件。调度系统给每条产线分配任务优先级，加急物料车的路权更高，普通车辆会让行；若某通道临时施工，系统检测到堵点后立即为相关AGV生成绕行路线，并把新路径广播给附近车辆，避免二次拥堵。

Python 演示

python58 行
# -*- coding: utf-8 -*-"""A*路径规划与就近任务分配演示"""import heapq def manhattan(a, b):    return abs(a[0] - b[0]) + abs(a[1] - b[1]) def a_star(start, goal, obstacles, rows, cols):    """在栅格地图上找到从start到goal的最短路径"""    open_heap = [(0, start)]    came_from = {}    g_score = {start: 0}     while open_heap:        _, cur = heapq.heappop(open_heap)        if cur == goal:            path = []            while cur in came_from:                path.append(cur)                cur = came_from[cur]            path.append(start)            return path[::-1]         for dr, dc in [(1, 0), (-1, 0), (0, 1), (0, -1)]:            nxt = (cur[0] + dr, cur[1] + dc)            if not (0 <= nxt[0] < rows and 0 <= nxt[1] < cols):                continue            if nxt in obstacles:                continue            new_g = g_score[cur] + 1            if nxt not in g_score or new_g < g_score[nxt]:                g_score[nxt] = new_g                came_from[nxt] = cur                heapq.heappush(open_heap, (new_g + manhattan(nxt, goal), nxt))    return [] def assign_tasks(agv_list, task_list):    """贪心就近分配任务，实现简单负载均衡"""    assigned = {}    idle_tasks = list(task_list)    for name, pos in agv_list:        if idle_tasks:            best = min(idle_tasks, key=lambda t: manhattan(pos, t))            assigned[name] = best            idle_tasks.remove(best)    return assigned if __name__ == "__main__":    obstacles = {(2, 2), (2, 3), (4, 4)}    rows = cols = 7    agv_list = [("AGV1", (0, 0)), ("AGV2", (6, 6)), ("AGV3", (0, 6))]    task_list = [(1, 5), (5, 1), (6, 2)]     assigned = assign_tasks(agv_list, task_list)    for name, task in assigned.items():        pos = dict(agv_list)[name]        path = a_star(pos, task, obstacles, rows, cols)        print(f"{name} 从 {pos} 执行任务 {task}, 路径: {path if path else '不可达'}")
目的：演示多AGV调度的两步核心——用A*在栅格地图上找最短路径，再用曼哈顿距离+负载均衡做任务分配。
  1. open_heap = [(0, start)]优先队列存放待扩展节点，队首永远是综合代价最小的节点，保证A*每次从最有希望的格子开始扩展。
  2. new_g = g_score[cur] + 1每走一步，实际代价加一，代表AGV在栅格地图上移动一格的真实成本。
  3. if nxt not in g_score or new_g < g_score[nxt]只有找到更短的到达路径时才更新记录，保证最终路径全局最优。
  4. heapq.heappush(open_heap, (new_g + manhattan(nxt, goal), nxt))把“已走距离+曼哈顿估算”作为优先级压入堆，h(n)不高于真实代价，搜索才能收敛到最短路径。
  5. best = min(idle_tasks, key=lambda t: manhattan(pos, t))从剩余任务中挑距离最近的一个，模拟就近匹配分配机制。

常见误区

误区初学者往往认为，把每台AGV的路径都算成最短，整个仓库的效率就最高了。每辆车走最短路径，总距离最小，总该没问题吧？

正解最短路径可能让多台AGV同时挤进同一条窄通道，造成拥堵甚至死锁。就像蚂蚁如果都走同一条最短路线，洞口反而会堵成一团。实际调度中，要综合考虑动态拥堵权重和冲突代价，有时“多绕一点路”反而让全局更顺畅。

为何常见：因为单任务视角默认各任务互不影响，忽略了共享仓库通道这个关键约束。

误区AGV数量翻倍，总吞吐量也应该翻倍。干脆多买一些车，系统总会更快吧？

正解车辆过多后，交叉口冲突概率和等待时间快速上升，吞吐量曲线会先升后降。当车辆密度超过临界点，大量AGV都在互相让行，整体效率反而下降。调度系统需要找到车辆数、任务量和通道容量之间的最优匹配点。

为何常见：人们习惯用线性思维看问题，忽视共享资源竞争带来的非线性恶化。

误区把人类交通规则照搬过来，以为在每个路口装虚拟信号灯，红灯停绿灯行，AGV就永远不会撞车了。

正解信号灯只能解决交叉路口的时序冲突，却无法应对环形等待死锁——如果四辆车在四个路口互相挡住去路，即便有红绿灯，系统也会僵死。必须结合时间窗调度、区域资源锁和全局等待图检测，才能根治冲突和死锁问题。

为何常见：人类日常交通经验形成了认知锚定，忽视了AGV由中央调度统一控制，完全可以做得比红绿灯更精细。

误区集中式调度有全局视野，能算出全局最优方案，所以一定比分布式调度更优。

正解大规模仓库里车辆动辄上百台，全部交给一台服务器实时决策，计算延迟和通信压力会急剧上升，而且一旦调度中心宕机，整个车队都会瘫痪。蚂蚁巢穴恰恰没有“中央独裁者”，靠的是分布式协作。大型系统通常采用分层调度，区域自治加全局协调。

为何常见：集中式在教科书里看起来清晰完美，让人忽略了工程中的单点故障和实时性瓶颈。

误区任务开始时规划好路径，AGV照着走就行，中途不会再变化，根本不需要重规划。

正解AGV的实际运行高度动态，通道上可能突然出现临时货物、前方车辆故障挡路、新订单插入占用路线。如果不做实时重规划，AGV会傻等在原地，整个节拍被打乱。调度系统必须持续监控路况，用局部路径修改快速响应变化，像蚂蚁遇到水洼本能绕行一样。

为何常见：把规划当成一次性离线计算，忽略了物理世界的真实不确定性和动态事件。

面试题

Q1. A*算法中用来评估栅格节点n的综合评分公式是？

单选题 · easy

  • A.评分函数f(n)=g(n)+h(n)← 正确答案
  • B.评分函数f(n)=g(n)×h(n)
  • C.评分函数f(n)=g(n)-h(n)
  • D.评分函数f(n)=g(n)+2h(n)

答案：A。A*的核心评估公式是f(n)=g(n)+h(n)，其中g是已走实际代价，h是到达目标的启发估计。乘法和减法会破坏启发式搜索的单调性，导致搜索结果不确定。这就好比蚂蚁评估一条路既要算走过的路，也要估算剩余路，两者相加才是完整的判断依据。

Q2. 在栅格地图中，曼哈顿距离表示的是？

单选题 · easy

  • A.车辆斜向穿行两点之间的直线距离
  • B.只允许上下左右移动时的横向加纵向距离← 正确答案
  • C.车辆实际行驶过程中完整的欧拉曲线长度
  • D.任务从开始到结束所需的调度总时间预估

答案：B。曼哈顿距离指在仅允许水平垂直移动的情况下，两点之间的横向差加纵向差。AGV在仓库栅格中不能斜穿货架，所以这个距离是启发函数h(n)的常用选择。它永远不高于实际最短路径，保证了A*能找到最优解。

Q3. 多AGV调度中“时间窗避让”的核心思想是？

单选题 · mid

  • A.所有车辆到达交叉口时停车等待直到没有车
  • B.让不同的AGV错开通过交叉口的时间段← 正确答案
  • C.所有AGV同时加速冲刺冲过交叉口区域
  • D.在交叉口安装物理信号灯进行统一管控

答案：B。时间窗避让不是让车停下来等待，也不是靠物理交通灯，而是调算每辆车到达关键区域的时间，给车辆分配不同通行时段，使同一区域同一时刻最多只有一辆车通过。就像蚁群通过气味给通道安排顺序，避免交叉冲突。

Q4. 在等待图中检测到如下关系：AGV1→AGV2→AGV3→AGV1，说明系统处于什么状态？

单选题 · mid

  • A.三辆AGV正在同向行驶并保持安全队形
  • B.AGV之间存在循环等待，系统已发生死锁← 正确答案
  • C.三辆AGV同时到达起点准备执行新任务
  • D.三辆AGV都处于空闲状态等待任务分配

答案：B。等待图中有向边表示“我等你让出资源”，当三条边首尾相连形成环，就说明每辆车都在等下一辆车，谁也不肯先动，这正是典型的死锁状态。必须打断环上任意一条边才能恢复，比如让AGV3先回退。

Q5. 任务分配中引入负载均衡策略的主要目的是？

单选题 · mid

  • A.让每台AGV的行驶速度降低并更加安全
  • B.避免个别AGV任务堆积而其他车空闲← 正确答案
  • C.减少仓库中需要布置的货架总数量
  • D.让所有AGV在同一时刻完成所有任务

答案：B。如果只按就近原则分配，离任务点近的车会越来越忙，远处车辆却空等，导致局部拥堵和整体效率下降。负载均衡给忙碌车辆增加分配代价，把任务引向空闲车辆，类似蚁群中闲蚂蚁会优先响应新食物源。

Q6. 实时重规划通常发生在什么情况下？

单选题 · mid

  • A.AGV完成任务后自动返回充电桩充电时
  • B.原规划路径上出现新的障碍物或路段被占用← 正确答案
  • C.每天系统启动并执行初始化自检流程时
  • D.新订单创建但尚未分派给任何AGV时

答案：B。实时重规划的本质是响应动态变化，最常见触发场景是原路径上的障碍物或路段拥堵。系统不需要全局重新规划，只在受影响区域做局部搜索即可。就像蚂蚁遇到水洼会临时绕开，而不是重新探索整条觅食路线。

Q7. 下列哪一项属于AGV安全距离公式中的必要组成？

单选题 · easy

  • A.行驶总时间、装载时间和任务排队数量
  • B.反应时间内滑行距离、制动距离和冗余余量← 正确答案
  • C.车辆转弯半径、电池电量以及通信时延值
  • D.通道净宽度、货架高度以及托盘尺寸大小

答案：B。安全距离d_safe = v·t_react + v²/(2a) + d_margin，三部分分别是反应滑行距离、制动距离和冗余余量。这说明速度越快，安全距离增长越快，AGV之间的排队间距必须随之增大，才能保证紧急情况来得及刹停。

Q8. 下列属于多AGV冲突避免常用方法的有？

多选题 · mid

  • A.时间窗错峰安排车辆通过交叉路口← 正确答案
  • B.区域资源锁控制关键路段并发出入← 正确答案
  • C.增加车辆底盘高度加强通过能力
  • D.交叉口优先权规则规定让行顺序← 正确答案

答案：ABD。时间窗、资源锁和优先权规则都是从调度层面避免冲突的核心手段。底盘高度属于车辆机械设计，不解决车辆之间的通行时序冲突。这些方法配合使用，才能像蚁群一样在窄通道里保持顺畅通行。

Q9. 以下哪些策略能有效预防或恢复多AGV死锁？

多选题 · mid

  • A.强制让某一台AGV回退让出资源← 正确答案
  • B.任务分配前预留整条路径所需资源← 正确答案
  • C.定期更换仓库地面颜色提高辨识度
  • D.调度系统检测到环后立即重新规划路径← 正确答案

答案：ABD。回退让路能直接打断循环等待，资源预留能从源头避免竞争，检测到环后重规划可以绕开死锁区域的资源依赖。更换地面颜色属于视觉标识但不涉及资源分配逻辑，因此不能解决死锁问题。

Q10. 某仓库AGV数量持续增加，系统整体吞吐量反而下降，最可能的原因是？

单选题 · extreme

  • A.电池衰减导致每台车的最高速度下降
  • B.车辆间冲突增多导致大量相互等待← 正确答案
  • C.调度器CPU算力变得过于空闲富余
  • D.仓库地面摩擦系数减小车速提升

答案：B。车辆密度超过临界点后，交叉口排队、区域锁等待、避让重规划等开销急剧增加，大量AGV不是在搬运而是在等待，系统总吞吐量反而下降。这也是调度系统需要实时控制车辆数量和路径权重的核心原因，类似蚁道里蚂蚁太多反而搬运效率降低。