移动机器人路径规划是机器人技术中一个重要的研究领域,具有复杂性、约束性及非线性等特点；因此,多年来对路径规划算法的研究方兴未艾。然而,现有的优化算法在解决复杂环境路径规划问题时常伴有鲁棒性差、非最优、效率低等不足；而蚁群优化算法作为一种新型智能优化算法,具有强鲁棒性、隐含并行性、易与其他智能方法相结合、全局优化性能较强等优点。其生物机理是蚁群在蚁巢与食物源之间寻觅一条最短的可行路径,这恰好与机器人路径规划的物理过程不谋而合；二者在内部机理上的天然联系,为基于蚁群算法的路径规划研究的合理性提供了有力的依据。本论文围绕着蚁群优化算法的原理、理论及其应用,就如何改进基本蚁群优化算法、蚁群优化算法在移动机器人路径规划领域的应用进行了较为深入、系统的研究。本文的主要研究工作如下：(1)在结合图论理论的基础上,采用栅格法建立了二维空间的环境模型；并借鉴二维环境建模的过程,应用空间切面分割法获得了三维空间的环境模型。(2)对基本蚁群算法中各参数的选择进行了理论分析和仿真测试,总结出了各参数对算法性能的影响情况以及各参数相应的设定范围,为后期的方法设计做了很好的铺垫和准备。(3)针对蚁群算法搜索速度慢,算法主要参数的设置凭借经验、缺乏严密的理论指导,易陷入局部最优等缺点；从算法自身改进的角度,提出了模糊自适应窗口蚁群优化(FWACO)算法。该算法利用模糊控制实现了蚁群算法三个关键参数α、β和(1-ρ)的自适应调整；为了提高算法的搜索效率,合理分布了初始信息素；同时为防止算法陷入局部最优,提出了节点活跃度的概念,并以此对路径选择加以指导；同时提出了信息素的启发式更新方法。随后,提出了新的路径评价指标,克服了单纯以路径长度为评价函数时牺牲问题真实性的问题。最后,在二维障碍物栅格环境和三维障碍物栅格环境下进行了多种仿真研究,仿真结果表明,该算法收敛速度快,即使在复杂路径下,也能在较短时间内找到一条最优或近似最优的无碰路径。(4)针对蚁群算法搜索速度慢、易陷入局部最优等缺点；从算法融合的角度,提出了差分进化混沌蚁群优化(DECACO)算法。该算法利用差分进化算法进行信息素的更新；同时对可能出现的停滞现象,在信息素更新时加入混沌扰动；算法还采用了一个新的路径评价函数。从而增强了算法的逃逸能力,避免了路径死锁现象,也提高了最优路径的搜索效率。最后,仍然在二维障碍物栅格环境和三维障碍物栅格环境下进行了多种仿真研究,仿真结果表明,该算法鲁棒性强、对障碍物的适应能力好,即使在障碍物非常复杂的环境下,该算法也能快速地规划出安全的最优路径。(5)在前两章对基本蚁群算法进行研究的基础上,针对前人提出的双向并行搜索蚁群优化(TWPSACO)算法所存在的问题,对其进行改进研究,并应用于移动机器人路径规划问题中。鉴于该方法中的蚂蚁相遇判别策略存在着易丢失可行路径,甚至最优路径的致命缺点；提出了蚂蚁相遇判别的新方法。随后,为避免算法陷入局部最优,提出了综合考虑多种因素的新的路径选择策略和全局信息素更新方法。同时,为避免环境陷阱问题,采用了基于障碍物有效顶点的方法建立了二维栅格环境模型。仿真研究表明,只要路径客观存在,算法就可快速规划出安全路径,效果令人满意。综上所述,本文所提出的三种群优化算法对移动机器人的路径规划问题是有效、可行的,优化精度高、搜索速度快、算法的鲁棒性和对障碍物的适应能力都较强,具有较好的综合性能指标。最后,对全文的研究工作进行了总结,并指出了尚需进一步研究和解决的问题。