在机器人田间作业任务中,机器人路径规划直接决定任务实施的效率。随着田间作业需求的不断提升,机器人作业模式逐渐从单机器人作业向多机器人作业转变,任务类型也逐步由单任务转向多任务。在多机器人多任务作业模式下,传统算法已经难以满足最优路径规划需求。近年来,越来越多的研究人员采用基于群智能优化算法进行多机器人多任务路径规划,并取得了突出成就。但群智能优化算法性能受参数设计和环境因素的影响,在求解问题时会出现陷入局部最优解、收敛速度较慢等问题。本文针对上述问题进行了算子设计、参数改进以及混合算法等优化研究。首先,研究了群智能算法路径规划问题。针对传统算法路径规划存在易陷入局部动荡、求解非全局最优解等缺点,从参数优化设计、多算法融合两方面对传统算法进行改进。为提高粒子群算法搜索性能,采用了调整惯性权重系数的改进策略。对于蚁群算法在搜索前期存在收敛速度过快的问题,采用了基于分段算法的改进策略。其次,以路径值最短为算法优化目标,建立了单机器人多任务问题求解模型。针对遗传算法在解决障碍物环境下多任务问题时存在进化收敛速度慢、算法后期容易陷入局部最优的缺点,提出了一种两算法融合的改进遗传算法。用栅格法对环境地图建模,并选择栅格序号编码方式,以降低算法复杂性;地图构建完成后进行遗传算法操作,在选择、交叉、变异三个算子运行结束后,融入模拟退火算法接受准则来判断是否接受新解,以改善算法的局部寻优能力。对该设计方法进行仿真实验,结果表明所提出的改进算法与传统遗传算法相比所规划路径值缩短了 9%,算法收敛迭代次数减少了 67%,证明了改进算法的有效性和可行性。最后,针对多机器人多任务问题,提出了一种基于两算法融合的自适应改进遗传算法。采用栅格法进行机器人运行环境建模,以栅格序号为实数编码方式;对遗传算法的交叉、变异操作进行动态自适应参数调整;遗传算子操作结束后融入接受准则判断接受概率;然后对规划路径做平滑处理。对该方法进行了仿真实验,结果表明在求解多任务点多机器人问题时所提出的算法相对于传统遗传算法具有较快的速度和较强的全局寻优能力,机器人的平均路径值缩短了 5%,收敛迭代次数减少了 86%。