机器人车间调度是通过加入AGV路径规划扩展的复杂组合优化问题，图搜索方法常用于寻找最优调度，A*算法提供了基础框架。本研究引入了人工势场方法，引导Petri网中的托肯自发移动，快速达到目标状态。团队采用赋时Petri网对机器人作业车间建模，包含路径和任务子网。随后，基于Petri网拓扑结构设计任务网势场，并提出最大势差启发函数，证明其可采纳性。为优化AGV路径规划，进一步设计了路径网势场，构建总体势差启发函数。

     经过验证，最大势差启发函数提高了A*算法效率，但在任务和AGV数量增多时性能下降。总体势差启发函数在处理大规模任务时更具优势，搜索效率提升了一到两个数量级，特别是在处理数百个零件时，相较于遗传算法能显著减少完工时间并找到更优的调度方案。