移动机器人技术是一项具有重大应用前景的前沿技术,在移动机器人相关技术的研究中,路径规划是移动机器人技术研究的一个重要环节和课题。路径规划的主要任务是:在有障碍物的工作环境中,寻找一条从给定起点到终点的适当的运动路径,使机器人在运动过程中能安全、无碰撞地绕过所有的障碍物。粒子群优化算法(Particle Swarm Optimization)是群集智能领域一个很重要的分支, PSO算法概念简单、实现容易、参数较少、收敛速度较快,已在图象处理、模式识别、运筹学等众多领域得到广泛的应用。然而,PSO算法已经被Van de Bergh证明不是一种全局收敛算法,从而不能保证粒子搜索到最优解。针对这一缺陷,Sun遵循PSO算法的思想,引入量子概念,建立了一个Delta势阱模型以模拟粒子的学习倾向性,并设计了一种基于全局水平的参数控制方法,从而提出了一个全局收敛算法——量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization, QPSO),通过测试函数结果表明,其性能远远好于PSO算法。本文首先阐述了课题的研究背景和意义,接着介绍了与QPSO算法相关的进化计算和群集智能,并比较了QPSO算法、PSO算法的异同点,揭示出QPSO的优势及研究的必要性,并对其在各个领域中的应用做了简要的叙述。同时综述了机器人的起源与发展历程,展望了未来机器人的发展方向—智能机器人。智能机器人中最重要的一个研究课题是移动机器人的路径规划,在文中详细地说明了移动机器人路径规划的一般概念、特点、分类及其进行路径规划的一些基本问题以及几种常见的路径规划方法。本文结合移动机器人路径规划的特点,提出了基于量子粒子群算法的移动机器人全局最优路径规划方法。文中将一些无效的粒子重新初始化为有效的随机粒子,这样做有助于扩大搜索范围,防止算法陷入局部最优解。基于量子群算法的移动机器人全局最优路径规划方法分为二步:第一步是建立移动机器人的自由空间模型,第二步是采用量子粒子群算法为机器人搜索出一条全局最优路径。我们已经对所提出的算法进行了计算机仿真,通过结果对比,证实了本文所提出的方法无论是在收敛速度,还是在动态收敛特征方面都比粒子群算法以及其他规划算法的移动机器人全局路径规划方法更好。最后,对本文所作的工作和取得的成果做了总结,分析了可以进一步改进的地方,并对未来进行展望。