近年来,各种事故灾害发生频繁,现场救援工作的需求愈加迫切;同时,也使得救援现场的环境变得恶劣且复杂,人工救援成为一项困难又危险的工作。移动机器人技术的迅速发展,为解决这一艰巨的课题带来新的方向。移动机器人用于受灾现场的搜救探索,是机器人技术朝实用化发展的重要研究内容。本文从划分与指派两个优化层面,对多机器人探索优化算法进行研究。K-means聚类算法是一种无监督学习方法,实现简单。用K-means算法对探索目标点的分布区域划分,保证了每个区域的工作量相当,在指定探索区域内,机器人移动不会冲突碰撞。考虑到K-means算法对初始中心敏感,对离群点可能错分。采用人工蜂群算法对聚类算法优化并提出K-means不迭代的思想,同时改进人工蜂群算法,加快与提高对解的搜索速度、开发精度。优化的K-means算法用在UCI数据集中数据的聚类测试,结果表明提出的算法提高了聚类划分的稳定性。指派问题是一类组合优化问题。人工蜂群算法一般用于连续优化问题上,而且不同的组合问题有不同的解编码。因此,从可行解的编码形式和解的搜索更新方式上,改进人工蜂群算法。通过两个指派算例对改进的算法做测试,并与其他方法做对比,结果也说明提出的算法是可行的、有效的。问题研究中,建立的是两目标的机器人指派模型。因此,设计了优化两目标问题的蜂群算法,算法在标准测试函数上的运行,证实了多目标蜂群算法机制的有效性。将提出的组合问题编码与更新的方法融入上述多目标机制,可以用来解决两目标的机器人指派问题。最后,运用以上提出的算法进行了实算研究,使得本文的研究方案构成了一个完整的系统。包括基于探索目标点的K-means聚类划分、两目标指派优化;并提出最优折中解的选择方法。