1.一种基于改进A‑Star算法的智能仓储多AGV调度方法，其特征在于，包括：S1：基于智能仓储的工作环境，使用栅格法进行环境建模，具体包括：

步骤11：依据实际的仓储工作环境，将仓库的平面地图划分为若干相同大小的栅格，标记障碍物和可通过区域，并建立栅格地图；

S2：构建评价函数并改进A‑Star算法，具体包括：

S21：构建A‑Star算法的评价函数为：

f(n)＝g(n)+h(n)                 (1)其中，f(n)为评价函数，表示从起始节点P到中间节点n再到目标节点P的总代价值；g(n)表示为起始节点P遍历到中间节点n的代价值；h(n)为启发函数，表示当前节点n到目标节点Q的代价值；

考虑到实际仓储工作环境站位间距及AGV行进方向，确定AGV仅可在上下左右方向进行移动不能进行斜方向的移动，因此选用曼哈顿距离作为启发函数；设当前节点为(xn，yn)，目标节点为(xs，ys)，则启发函数为：h(n)＝|xs‑xn|+|ys‑yn|             (2)S22：考虑AGV转弯的代价函数，使路径寻优倾向于转弯数小的路径；设定当前节点为(xn，yn)、父节点为(xn‑1，yn‑1)和子节点为(xn+1)(yn+1)，可利用节点信息对转弯进行判定；

S221：当(xn‑xn‑1)(yn+1‑yn)与(xn+1‑xn)(yn‑yn‑1)相等时，表示AGV直行通过当前节点，没有转向；

S222：当(xn‑xn‑1)(yn+1‑yn)与(xn+1‑xn)(yn‑yn‑1)不相等时，表示AGV在当前节点发生转向；

S223：设1为AGV移动一个单元格的基础代价，k表示AGV的转弯代价系数，取值范围为

0.1‑0.2，则实际代价函数g(n)为

S23：引入启发函数权重因子α进行动态调节，此时A‑Star算法的评价函数为f(n)＝g(n)+α·h(n)             (4)

其中，当α＝0时，此时αh(n)＝0，即f(n)＝g(n)，那么A*算法的求解结果的代价值与Dijkstra求解的代价值相同，A*算法退化成Dijkstra算法，此时f(n)搜索精度高，其结果一定是最优解，但是其搜索效率低，需要大量搜索时间；当0＜α≤1，此时α·h(α)小于等于实际的代价值，随着α值增加，A*算法的求解结果的精度和时间到达最优；当α＝1时，A*算法达到最优；当α＞1时，此时α·h(n)大于实际代价值，随着α值增加，A*算法的搜索速度加快，所求的搜索时间少，但此时算法搜索精度差，搜索结果不一定是最优解；对于不同场景的要求，需要α取值进行灵活的调整，平衡好算法的搜索精度和时间的关系；

S3：设计改进的A‑Star算法进行模型求解，得到最优调度结果，具体包括：S31：设置起始点S0和目标点V0；

S32：初始化集合Open list和Close list；Open list表示将要搜索的路径集合，Close list表示已搜索到的有效路径集合；并将起始点S0优先放入Open list集合中；

S33：开始搜索路径；寻找栅格地图中起始点S0周围可以到达的栅格(上下左右四个)，将这些栅格加入到Open list集合中，并设置它们的父节点为S0；

S34：从Open list集合中删除起始点S0，并将起始点S0放入Close list集合中；

S35：对Open list集合中所有栅格节点进行实际距离g(n)的计算，以及每个节点到目标点估计函数α·h(n)的计算，将二者相加得到下一节点到目标点的估计距离f(n)；

S36：从Open list集合中选择f(n)值最低的栅格i，将其从Open list集合中删除，放入到Open list集合中；

S37：检查栅格i所有临近并且可达的栅格，不考虑障碍物和Close list集合中的栅格；

S371：如果这些栅格还不在Open list集合中的话，将它们加入到Open list集合，并且计算这些栅格的f(n)值，并设置父节点为i；

S372：如果某相邻的栅格j已经在Open list集合中，计算新的路径从S0到达栅格j(即经过i的路径)的g(n)值；如果新的g(n)值更低，则修改父节点为栅格i，重新计算f(n)值，h(n)值不需要改变；如果新的g(n)值比较高，则说明新的路径消耗更高，则值不做改变；

S38：继续从Open list集合中找出f(n)值最小的，从Open list集合中删除，添加到Close list集合中，再转至步骤7；

S39：结束判断：当Open list集合中出现目标点V0时，说明路径已经找到；当Open list集合中没有了数据，则说明没有合适路径。