社会的飞速发展得益于背后科技的强大推动,科技已经深深影响并改变着人类的衣食住行。室内、室外各种复杂路径规划问题在不断地刷新和被解决着,显然求解此类问题的传统算法和图形学方法已经难以满足现实和潜在的需求。然而,以蚁群算法和粒子群算法为代表的智能仿生算法的兴起为解决此类问题提供了一个新的思路和方向。智能仿生算法仅包含一些数学的基础性操作,计算相对简单且比较容易实现。因其算法自身不足的存在,求解效果也常常表现得不尽人意,由此需要进行一些适当的改进及优化。本文在分析了两种算法的优缺点后,以原有算法为基础、优化为目标对其进行适度改进,同时应用于测试案例进行验证。本文的主要研究工作如下:(1)对经典蚁群算法在求解车辆路径问题时的不足进行研究分析,提出了一种自适应动态搜索蚁群算法(ADACO)。首先,以测试案例的TSP问题为基础实验性配置组合参数并构建算法模型;其次,采用伪随机分布和自适应转移概率相结合策略,帮助群体选择较高质量路径;同时分段化设定信息素强度参数值,有效诱导群体及时跳脱局部困境并构造新的解。测试结果表明,无论在时间开销还是配送成本方面,ADACO算法较于其他算法均获得了显著改进,充分验证了该算法的可行性。(2)针对基本粒子群算法在高维复杂问题上种群多样性低、易落入局部“误区”以及收敛性能差等缺点,提出一种引入小生境和动态反向学习的混合策略粒子群优化算法(NOPSO)。一是利用小生境技术和适应度共享机制维持初始种群的个体多样性,增强种群的“搜索”能力;二是对全局精英个体实施动态反向学习策略得到与之对应的反向个体,有效激发种群的空间“开发”能力,确保算法的全局寻优能力。通过将传统PSO算法和NOPSO算法在不同规格栅格地图环境上测试对比,证实了NOPSO算法的可行性和可靠性,其规划的路径在优劣性和效果上都明显优于传统PSO算法。