移动机器人技术在空间探测、国防、工业、农业、医学及社会服务业等领域显示了越来越广泛的应用前景,已成为国内外移动机器人学术界研究的热点。本文针对大范围环境、变化环境和未知环境,以免疫进化和多示例学习作为支撑技术,围绕移动机器人在它的运动过程中始终需要解决的定位与规划二个关键问题进行了比较深入的研究,其研究内容涉及基于多图像的定位、并发定位与建图、路径规划、进化与免疫计算和多示例学习等。 本文完成的主要工作和取得的创新性成果如下。 通过分析现有采样方法和多模函数优化过程中典型的早熟收敛现象,认为进化计算和免疫算法等智能优化算法需要一种以父体两旁为着重点搜索区域的采样范式,并提出使用逆正态分布进行采样。通过理论分析和实验,证实了这是一种在跳出局部极值方面有明显优势的采样方式。 提出了一种多样度和适应度联合引导的选择、交叉与变异概率适应性计算策略;通过实验和分析,总结出了选择压力与进化算法性能之间的密切关系。通过数学分析,证明了二进制遗传算法的变异概率和多样度之间的数学关系,为多样度引导的遗传算法提供了一种变异概率调整理论和计算方法。 在进化计算框架下,融合全局并行搜索的克隆选择和启发式局部搜索的免疫疫苗接种,设计了一类免疫克隆进化算法,并证明了该算法的全局收敛性。以该算法为核心,针对大范围环境和变化环境下的路径规划及未知环境下并发定位与建图等任务,分别提出了四种嵌入了领域知识的启发式免疫操作和进化操作的免疫克隆进化算法,并研究了各种任务下隐藏领域知识的提取问题。由于这些算法嵌入了从领域知识中提取出来的启发式操作算子,而且核心算法具有全局搜索能力,因此,明显地提高了这些算法处理相应问题的能力。 结合多示例学习问题的固有特性,提出了一种监督-非监督多示例神经网络,该网络以负示例作为监督学习的教师信息,以正包进行非监督自组织聚类学习。该网络训练速度比较快、准确性较高和具有多概念学习能力。利用这些性质,设计了基于多示例学习的图像多候选目标识别方法和一种移动机器人导航方法,并通过移动机器人进行了导航实验。 针对未知大范围环境下移动机器人定位问题采用了多图像表达场景信息,并在此基础上,提出了使用多示例学习的自动发现能力识别不同场景来进行移动机器人定位的方