路径规划作为所有仿真实体物理行为的基础,是仿真系统中最基本也是应用最为频繁的部分,路径规划算法高效与否对仿真系统的性能有着最直接的影响。目前,路径规划的实时性问题已经成为限制训练仿真发展的一个瓶颈,动态环境下实时路径规划问题也成为当前人工智能以及仿真领域研究的一个热点和难点。同时,计算机多核化的发展趋势使得并行技术在提高计算效率方面具有很大潜力,通过并行化以提高算法效率也逐渐成为算法改进的一个主要方面。本文旨在结合当前仿真系统的实际需求,探索并行技术在路径规划中的应用,最终在如何提高算法实时性方面进行深入研究。文章主要针对训练仿真中复杂环境下实时路径规划问题,分别研究静态大规模环境和动态复杂环境下的并行路径规划问题。具体内容为:针对静态大范围场景的特点,文章研究通过快速收敛的粒子群(Particle Swarm Optimazation,PSO)算法进行路径规划。结合PSO易于并行化的特点,进一步将并行技术与其结合,提出基于并行PSO的实时路径规划算法。并行算法通过将粒子平均分配在多个核上进行计算,极大地提高了路径规划的效率。最后,分析并行化算法的优缺点,针对其不足提出分层并行的思想以提高算法可扩展性。对于动态复杂场景,首先,文章研究对动态环境具有较强适应能力的四叉树空间表示方法;然后,介绍一种基于四叉树空间表示的路径规划算法——Quad*,对算法特点进行分析;最后,提出双边并行Quad*(Parallel Bidirectional Quad*,PB-Quad*)算法,PB-Quad*通过双核同时从路径两个端点向对面搜索,能够极大地减少总的节点扩展数,从而提高原算法的效率。实验表明,PSO算法能够在地图空间内迅速搜索出较优路径,同时,并行PSO具有良好的可扩展性,能够极大地提高算法实时性。四叉树表示方法能以较少的网格对空间进行精确表示,并且对于动态环境能够通过局部重构实现快速更新;基于四叉树的PB-Quad*较Quad*相比能够显著地缩短搜索时间。