移动机器人成功探索未知环境，是机器人顺利执行各种后期任务的先决条件，机器人对所处环境产生认知后，就可将未知环境中的问题转化到已知环境中解决，为机器人执行后期任务提供充足的环境信息，有利于给出全局最优方案。因此，对未知环境的探索和地图构建具有重要意义和研究价值。未知环境探索是机器人通过传感器对环境产生认知的过程，机器人在移动探索时需实时避障；构建环境地图则是用特定的地图模型解释和表达认知的环境信息。与单机器人相比，多机器人系统在应用中体现出更强的适应性、良好的可扩展性以及高度可靠性，多机器人系统吸引了国内外专家学者的目光。若采用多自主机器人探索未知环境并构建环境地图，势必具有更高的探索效率且可构建更准确的环境地图。常规多机器人探索策略往往存在诸多限制因素，并非都适用于大规模机器人的应用场景，限制了算法应用的推广。本文在总结前人研究的成果后，给出一种基于机器人分数阶达尔文粒子群优化算法(RoboticFractional Order Darwinian PSO)的多机器人地图探索和构建方法，该算法是群智能算法，特点是多个种群同时并存，在算法执行过程中，机器人群体数和群内机器人个数能够实时动态变化。多种群并存有效减轻系统通信负担量，适合大规模机器人的群体协作探索未知环境的应用场景。本文同时引入模糊控制器实现该算法参数的自适应调整。最后，成功实现固定参数与参数自调整两种类型的R-FODPSO算法仿真；设定评价指标，依据仿真得出的评价指标值比较两类算法并论证了参数实时调整算法在探索未知环境时，机器人移动距离更短，算法“存活”时间更长，地图探索感知遍历度更高。该算法能够满足地图探索和构建算法需具备的高效性、准确性和可移植性等特点。