移动机器人是提高生产力、解放劳动力,提高人类生活水平的重要手段;路径规划是移动机器人重要技术之一。蚁群算法是20世纪末出现的一种模仿自然界的智能算法,最先被用于解决TSP,然后被用来解决多种问题。本文先从理论方面,研究了蚁群优化算法用于解决TSP;再从实践方面,利用蚁群优化算法解决移动机器人路径规划问题。首先,为了理解蚁群优化算法的基本原理及其经典版本的优秀思想,本文分析了三种传统和两种较优的蚁群算法。其中,以第一个蚁群算法——AS为对象,论述了从自然界的蚂蚁行为到算法的几个重要特征,包括启发式信息、信息素增量模型和初始信息素与信息素增量的关系,以及算法的停滞行为。另外,以EAS和RAS为对象,分析了算法中多样性和收敛速度的关系和特性、蚂蚁的探索和开发能力及对应方法。此外,以ACS和MMAS算法为对象,先以信息素的变化与不同路径上信息素的差别为线索,单独分析了算法的技术及其特点;再对比分析了这两类优秀算法的特性和共性;并得出结论:信息素的限制和初始化对提高多样性有重要作用,利用当前最优路径对提高算法收敛速度有显著意义。其次,为了平衡蚁群优化算法在大规模TSP中的多样性和收敛速度,提出了一种启发式协同的异构双种群蚁群算法。启发式协同策略是一种间接的交流策略;它将一个种群积累的信息素作为另一个种群的启发式,而不直接参与信息素的更新;因为降低了不同种群信息素表趋同的可能性,所以有助于算法的多样性。异构双种群有助于平衡算法的多样性和收敛速度,因为一个子群负责算法的多样性,而另一个子群由自然界中蚁群的自适应能力得到启发而兼顾收敛速度和多样性。此外,还利用正交设计分析基本参数的作用,并得到一组优化的参数进行实验;还分析了本算法参数对性能的影响。在MATLAB中的仿真实验说明了本算法对于提高较大规模问题的性能有一定效果。最后,针对蚁群算法用于解决移动机器人路径规划时遇到的启发式效果不足又易使算法陷入局部最优、难以跳出局部最优解的缺陷,提出了一种基于最大熵的自适应随机蚁群算法。为了提高启发式的效果,设计了一种等比启发式信息;使得启发式不再与环境有关且保持一定的方向启发效果;这有利于提高启发式在大规模问题中对算法的指导作用,也有利于维持算法一定的收敛速度。根据最大熵原理,使得算法随机决定是否使用启发式;这有利于提高算法前期的多样性。此外,当检测到算法停滞后,以单个栅格为对象随机进行局部信息素初始化;既能提高算法跳出局部最优的能力,又能够保留先前蚂蚁积累的经验。在MATLAB中仿真实验证明了改进算法在机器人路径规划中的有效性。随后,基于Turtle Bot2机器人及当前流行的机器人操作系统(ROS)中的插件机制,实现了蚁群算法在实际机器人路径规划中的应用,证明了改进算法的有效性。