多智能体系统对解决分布式问题具有灵活性和智能性的特点,并且在仓库管理、自治交通工具、机器人、物流交付等多个领域有着广泛应用。多智能体路径规划是多智能体系统的核心问题,研究多智能体路径规划问题,可以提高多智能体系统的运行效率,同时对多智能体系统所应用的领域的发展有着深远影响和积极意义。虽然目前的多智能体路径规划方法已经取得不错的成果,然而,由于规划空间过于复杂,现有的方法将规划空间采样成为参考点或者划分成为栅格,使智能体的运动的灵活性和智能性大大降低。此外,当智能体的目标相同时,智能体之间会因为缺乏内在联系,使系统协调性大大降低。针对这些挑战,本文针对具有相同目标位置的多代路径规划问题展开研究。对比经典的多智能体路径规划问题,本文设计了短路径、整体性和安全性三条研究目标。通对智能体进行运动建模,保证智能体灵活运动,避免离散化规划空间,使多智能体系统具有较高的灵活性。通过约束优化建模方法实现整体性和安全性的研究目标,之后使用群智能优化算法,实现多目标优化问题的求解,确保多个研究目标保持均衡。考虑到现有的多目标优化算法需要较多的迭代次数才能实现较好的优化效果的现状与多智能体系统中计算资源有限的矛盾,并且,对于不同的问题,不同的群智能优化方案又具有不同的优化效果,开展了改进多目标灰狼优化算法的研究,并形成优化快速且优化效果明显的快速多目标灰狼优化算法。将快速多目标灰狼优化算法和其他群智能优化算法分别用于仿真环境中的路径搜索实验并进行了比较,改进后的多目标灰狼优化算法需要的时间步数减少10.1%以上,反映出对于当前研究的问题,快速多目标灰狼优化算法具有更高的搜索效率。之后,为了探究快速多目标灰狼优化算法对不同数量智能体的适应能力,进行了不同数量智能体的路径搜索的实验,发现快速多目标灰狼优化算法表现也较为出色。随着智能体数量增加,其他优化算法出现不满足优化目标的现象,例如智能体出现碰撞、运动路线平滑度低等。然而,快速灰多目标狼优化算法不但没有出现这些现象,而且随着智能体数量的增加,所需要的时间步也只有很少量的增加。本研究针对于多智能体系统的路径规划问题,通过约束优化建模将路径规划问题转化为多目标优化问题,并使用群智能算法进行求解。之后,通过改进多目标灰狼优化算法,形成搜索效率更高的优化算法。在多个仿真环境中对算法性能进行评估,与最著名的多目标优化算法进行实验对比,结果表明,本文研究的算法有着明显的优势。