随着移动机器人在众多领域取得广泛应用,如何在灵活变化环境和复杂场景下快速规划出最佳路径成为学者关注的重点。最优路径规划是实现自主移动机器人的一个关键环节。制定一种灵活、稳健、易于实施的算法,能够对虚拟环境进行精确建模,并能以最少的处理时间和精力探索出最短的路径,实现无碰撞的最优路径,这是机器人学的一个重要研究课题。传统的方法如随机搜索树、图搜索法等难以在变化或复杂场景下快速规划最优路径。为此,本文取得如下研究成果:针对传统算法难以在动态环境中快速规划路径问题,本文将一种最新的群体智能算法-黏菌优化算法（Slime Mould Optimization Algorithm,SMOA）应用于路径规划和避障问题,并结合滚动优化策略提出一种动态路径规划算法。首先,利用自适应权重模拟黏菌觅食时产生的能量转移,在能量最大的地方产生最优路径。然后,使用滚动窗口感知局部环境信息,结合粘菌探索时针对环境信息产生的正负反馈回避障碍。最后,提出一种移动机器人躲避动态障碍的代价函数,使用黏菌优化算法规划每一个窗口内的路径。本文将黏菌优化算法与其他群体智能算法进行了比较。结果表明,与其他方法相比,黏菌算法生成无碰撞路径长度更短、时间更少。针对基于采样的规划算法难以在复杂环境下快速规划最优路径问题,本文在快速随机搜索算法的基础上,提出一种新的不均匀采样算法。该不均匀采样算法专注于复杂环境中可能存在最优路径的区域,进一步加快最优路径的收敛速度。首先,使用广义维诺图初始化环境,将环境转化为道路网络。其次,使用绒泡菌模型（Physarum Inspired Model,PIM）在道路网络中获得启发式最短路径。然后,离散化启发式路径以构建势函数。最后,势函数为采样算法提供了一个不均匀的采样分布。作为一种元算法,本文的方法适用于其他随机采样算法,并有助于提高基础算法的性能。本文还说明了所提出的算法的概率完备性和渐近最优性。本文选择时间成本和路径长度来验证算法的有效性。通过一系列的模拟实验,证实了所提出的算法取得了令人满意的结果。