「这条线该配多少台 AGV？」几乎是每一个上智能仓储、智能搬运项目时都会被问到的问题。多数团队会用一个经验公式先估个数——但经验公式算出来的数字，往往在项目投产后被证明偏乐观。
一、经验公式为什么容易失准
最常见的算法是先算总搬运需求，再按单台设备能力折算数量：
常见经验算法AGV 数量 = 总搬运任务量 ÷ 单台 AGV 单位时间有效搬运量
这个公式本身没错，问题出在「有效搬运量」这个参数上。它把三件事悄悄简化掉了：
- 路径冲突：多台 AGV 在同一条通道相向而行时必须避让，车辆越多、冲突越多，单车效率反而越低；
- 任务不均衡：订单不是匀速到达的，峰值时段的需求可能是平均值的两倍以上；
- 等待与充电：取放货工位排队、充电桩占用、故障停机，都会吃掉可用工时。
换句话说，这个公式算的是「理论上需要几台」，而不是「实际跑起来需要几台」。两者之间的差距，就是投资决策的风险所在。
二、仿真能算出什么
离散事件仿真做的事情，是把 AGV 放进一个带约束的运行环境里：真实的路径网络、避让规则、调度策略、订单到达规律、工作站节拍，全部按实际情况设定，然后让人和设备一起「跑」起来。它能给出经验公式给不出的结论：
- 边际效益曲线：从 10 台加到 20 台，每加一台能带来多少效率提升？什么时候加台数已经不再划算？
- 拥堵阈值：车辆利用率超过多少之后，等待时间会急剧上升？
- 峰值表现：大促或月底冲量时，现有配置会不会崩？订单准时完成率是多少？
- 调度策略的影响：换一种派单规则、改一下通道单向通行，能不能少买几台车就达到同样产能？
三、一个典型的算例
以一个日均出货 3 万单的电商仓为例，客户初始凭经验方案计划配置 60 台 AGV。项目组的仿真实验覆盖了多个配置档位与两种调度策略，得到的典型结论是：
| 配置档位 | 拣选效率（相对值） | 单车平均利用率 | 峰值等待时间 | 结论 |
|---|---|---|---|---|
| 40 台 | 偏低 | 高 | 明显偏长 | 产能不足，峰值掉单 |
| 48 台 | 达标 | 合理 | 可接受 | 推荐区间 |
| 60 台 | 略高 | 偏低 | 受拥堵影响反而上升 | 过配，投资浪费 |
| 70 台以上 | 不再提升 | 拥堵加剧 | 上升 | 越加越堵，不推荐 |
最终该项目在效率提升 18% 的前提下，把 AGV 配置相对初始方案优化了 22 台，直接减少一次性设备投资逾百万元。关键不是「买了更少的车」，而是买的每一台车都有明确的作用。详见《精远诚 FlexSim 物流仓储仿真项目顺利交付》。
四、做这个测算需要准备什么
- 搬运任务清单：从哪搬到哪、每次搬多少、一天搬多少次、集中在什么时段；
- 路径与场地资料：仓库平面图、通道宽度、单双向规则、可供停车与充电的位置；
- 设备参数：AGV 额定速度、加减速特性、取放货动作时间、电池续航与充电时长；
- 工作站节拍：拣选台、复核台、打包台的作业时间与人员配置；
- 业务波动特征：日均单量、峰值倍率、订单结构（单品单件率、SKU 分布）。
这些资料多数企业手上就有，只是分散在不同部门。项目组通常会用一到两周做需求梳理和数据采集，之后的建模与实验会快得多。
五、结论
AGV 配置数量不是一个「估」出来的数字，而是一个可以「算」出来的决策。在设备合同签字之前把模型跑一遍，成本只是几周时间；在设备进场之后再发现问题，成本就是合同变更与工期延误。这个账，怎么算都划得来。