群机器人学是研究如何协调控制大量机器人的方法，是群智能在多机器人系统中的应用。依靠大量个体协调组成的群机器人系统，可以完成单一机器人无法完成的复杂任务，同时由简单个体构成的群机器人系统的设计成本一般低于同等能力的单体机器人。由于具有鲁棒性、灵活性、可扩展性等特点，群机器人的研究已经受到了广泛的关注。群机器人觅食是一个集任务分配、区域搜索、抓取、传输于一体的综合过程，是群机器人研究中的一个典型问题。研究群机器人觅食，在理论研究和实际应用中都有着重要的意义。从实际应用来说，群机器人觅食具有广阔的应用前景，如有毒废物清理、未知区域的样本搜集、扫雷、搜索救援以及行星探测等。从理论上来说，群机器人觅食可以促进对群体白组织行为涌现机理及其演化规律的理解。进一步地可以实现对群机器人自组织行为的设计、分析与控制。区域搜索和任务分配是群机器人觅食的两大重要研究分支，其中算法参数是影响算法性能的关键。基于基础数学和机器学习理论，本课题对区域搜索、任务分配策略以及任务分配算法中的参数优化策略进行了深入研究，具体内容如下:
　　(1)群机器人通常只具有局部感知以及有限的信息获取能力，因此随机搜索是群机器人执行搜索任务时的主要搜索策略。而机器人的重复搜索是影响搜索效率的主要因素。通过分析群机器人的特性，提出了一种基于自适应步长的随机行走方法，即每个机器人通过估计环境中的机器人密度来自适应地调节步长，从而降低重复搜索的次数。分别使用仿真与机器人实验验证了所提出方法的有效性，并评估了该方法在执行区域搜索任务时的性能。结果表明，该方法的搜索效率明显优于其他方法。
　　(2)随机行走方法已经在区域搜索问题中得到了广泛的应用，但现有研究对影响随机行走方法搜索效率的因素少有关注。给出了机器人位置的均方位移公式，并指出随机行走步长的均值和方差是影响搜索效率的因素。然后，构造了一种截断的随机行走方法，该方法生成的步长满足给定分布且其步长大小在指定范围内，从而提高搜索效率。最后，基于均方位移和截断的随机行走方法，给出了步长阈值与区域面积以及机器人数量的关系。当随机行走步长的期望值大于步长阈值时，机器人可以得到最高的搜索效率。实验结果证明了方法的有效性和正确性。
　　(3)算法参数对算法性能有着较大的影响，对参数进行优化是一个重要的问题。人工蜂群算法简单、易于实现的特点使其在参数优化中有着广泛的适用性。然而，人工蜂群算法中解的搜索公式具有较好的全局搜索能力但局部搜索能力不足。针对现有方法的局限性，使用了多个解的搜索公式并构造了一种基于迭代成功率的自主选择机制以提高算法的优化性能。在基准测试集上，该方法性能远远优于现有方法。最终，将基于自主选择机制的人工蜂群算法用于优化任务分配算法中所涉及的参数。
　　(4)在群机器人觅食中，任务分配是指根据任务需求以及环境的变化动态调整觅食机器人数量的过程。针对现有方法较少考虑机器人间物理交互和搜索区域交通状况的现状，提出了使用交通流密度和机器人间避障次数来衡量环境中的交通状况的方法，并据此构造了动态变化的阈值。随后构造了基于Sigmoid函数的响应阈值模型来计算机器人的觅食概率。实验结果表明，该方法不仅可以提高觅食效率而且可以减少机器人间的物理交互次数。
　　(5)现有任务分配方法对外界环境、噪声的干扰过于敏感，鲁棒性较差。而对于群机器人觅食任务，系统的鲁棒性是至关重要的。提出了一种使用简单、鲁棒的吸引子选择模型来控制机器人运动的方法，该模型不需要大量的复杂传感器就可以对环境的变化做出鲁棒响应。随后使用交通流密度和机器人间避障次数来调整阈值的大小，并构造了基于动态响应阈值的模型计算机器人觅食概率，从而实现了有效的任务分配。实验结果证明了该方法的有效性。