1．數(shù)學規(guī)劃方法
        為AGV選擇最佳的任務及最佳路徑，可以歸納為一個任務調(diào)度問題。數(shù)學規(guī)劃方法是求解調(diào)度問題最優(yōu)解的傳統(tǒng)方法，該方法的求解過程實際上是一個資源限制下的尋優(yōu)過程。實用中的方法主要有整數(shù)規(guī)劃、動態(tài)規(guī)劃、petri方法等。在小規(guī)模調(diào)度情況下，這類方法可以得到較好的結(jié)果，但是隨著調(diào)度規(guī)模的增加，求解問題耗費的時間呈指數(shù)增長，限制了該方法在負責、大規(guī)模實時路線優(yōu)化和調(diào)度中應用。

2．仿真方法
        仿真方法通過對實際的調(diào)度環(huán)境建模，從而對AGV的一種調(diào)度方案的實施進行計算機的模擬仿真。用戶和研究人員可以使用仿真手段對某些調(diào)度方案進行測試、比較、監(jiān)控，從而改變和挑選調(diào)度策略。實用中采用的方法有離散事件仿真方法、面向?qū)ο蟮姆抡娣椒ê?維仿真技術(shù)，有許多軟件可以用于AGV的調(diào)度仿真，其中，通過軟件可以快速建立仿真模型，實現(xiàn)仿真過程三維演示和結(jié)果的分析處理。

3．人工智能方法
      人工智能方法把AGV調(diào)度過程描述成一個在滿足約束的解集搜索最優(yōu)解的過程。它利用知識表示技術(shù)將人的知識包括進去，同時使用各種搜索技術(shù)力求給出一個令人滿意的解。具體的方法有專家系統(tǒng)方法、遺傳算法、啟發(fā)式算法、神經(jīng)網(wǎng)絡算法。其中，專家系統(tǒng)方法在實用中較多采用，它將調(diào)度專家的經(jīng)驗抽象成系統(tǒng)可以理解和執(zhí)行的調(diào)度規(guī)則，并且采用沖突消解技術(shù)來解決大規(guī)模AGV調(diào)度中的規(guī)則膨脹和沖突問題。

由于神經(jīng)網(wǎng)絡具有并行運算、知識分布存儲、自適應性強等優(yōu)點，因此，它成為求解大規(guī)模AGV調(diào)度問題是一個很有希望的方法。目前，用神經(jīng)網(wǎng)絡方法成功的求解了TSP-NP問題，求解中，神經(jīng)網(wǎng)絡能把組合優(yōu)化問題的解轉(zhuǎn)換成一種離散動力學系統(tǒng)的能量函數(shù)，通過使能量函數(shù)達到最小而求得優(yōu)化問題的解。

     遺傳算法是模擬自然界生物進化過程中的遺傳和變異而形成的一種優(yōu)化求解方法。遺傳算法在求解AGV的優(yōu)化調(diào)度問題時，首先通過編碼將一定數(shù)量的可能調(diào)度方案表示成適當?shù)娜旧w，并計算每個染色體的適應度（如運行路徑最短），通過重復進行復制、交叉、變異尋找適應度大的染色體，即AGV調(diào)度問題的最優(yōu)解。

單獨用一種方法來求解調(diào)度問題，往往存在一定的缺陷。目前，將多種方法進行融合來求解AGV的調(diào)度問題是一個研究熱點。如，將專家系統(tǒng)和遺傳算法融合，把專家的知識融入到初始染色體群的形成中，以加快求解速度和質(zhì)量。