随着社会经济的不断发展,各种优化问题也变得越来越复杂。传统的数值计算方法越来越不能适应社会的高速发展。为了探索新的求解优化问题的方法,研究者们从自然界中生物的生活习性和规律中受到启发,提出了许多启发式智能优化算法。这些算法凭借自身的优势为求解各种优化问题做出了应有的贡献,且在多个领域得到了实际应用。2010年,剑桥大学学者Yang提出了一种新型的启发式智能优化算法----蝙蝠算法(Bat Algorithm,BA)。蝙蝠算法是模拟蝙蝠发出和接收超声波来捕食而提出的。目前,蝙蝠算法已经在交互测试、反应堆堆芯布置、连续优化问题、旅行商问题、数值优化问题等方面得到了实际应用。尽管蝙蝠算法已经在多个领域得到应用,但蝙蝠算法还是存在易陷入局部极值、寻优精度不高、算法后期收敛速度慢等缺点。针对这些不足,本文在查阅大量相关文献和不断进行仿真实验的基础上分析了出现以上缺点的原因,并做出相应改进,将改进算法应用到函数优化和机器人路径规划的实际问题中。主要工作如下:(1)为了求解函数极值优化问题,针对基本蝙蝠算法中存在的易陷入局部极值、寻优精度不高、算法后期收敛速度慢等缺点,提出了一种适度导向和趋势扰动的蝙蝠优化算法(OPBA)。首先,在全局搜索阶段的速度更新方式中,加入非线性变异因子,控制蝙蝠种群的移动步长,从而提高算法的全局探索能力。同时,在局部搜索阶段中,改进蝙蝠的位置更新方式,提高算法局部搜索的深度挖掘能力。然后,引入趋势随机扰动机制,进一步提高算法的收敛精度。最后,把改进算法通过10个测试函数与基本算法、其他改进算法进行了比较,分别得出了最优解、最差解、平均解与函数的收敛图像,并对其进行分析,证明了OPBA算法在求解函数极值优化问题方面的有效性。(2)为了探索出更好解决机器人路径规划问题的方法,拓展蝙蝠算法的应用领域,提出了一种具有动态扰动、正切随机探索和反向学习选择机制的蝙蝠算法(PTRBA)。一是在算法的全局搜索阶段,引入动态扰动系数,扩大蝙蝠种群的多样性。二是在算法的局部搜索阶段,对其随机探索方式进行改进,提高算法收敛精度。三是采用反向学习选择策略,进一步平衡算法的全局勘探和局部挖掘能力。通过9个测试函数,本文改进算法与其他三个算法进行了对比,实验结果证明了PTRBA算法改进的可行性和稳定性。(3)把PTRBA算法与三次样条插值方法相结合,定义了以路径结点为基础的编码方式,构造了以移动机器人绕避障碍和最短路径为目标的适应度函数和求解方法,求解机器人路径规划问题。在简单和复杂障碍环境下分别对单机器人和多机器人系统进行路径规划对比实验,验证了融合三次样条插值方法的PTRBA改进算法对于求解机器人全局路径规划问题的可行性和有效性。