机器人是当今最重要的研究领域之一,它可以执行许多人类无法完成的任务,例如采矿、军事、救援、太空探索等,完成这些任务最需要的能力就是导航能力,移动机器人导航成功与否主要取决于其智能功能,而路径规划是最有效、最重要的智能功能。机器人路径规划的目的是在基于路径长度、行走时间、能耗等特定的优化标准下,在给定工作空间中寻找一条起止点之间的安全且有效的路径。本文将移动机器人考虑成质点,在静态栅格环境下分别改进蚁群算法（Ant Colony Optimization,ACO）、萤火虫算法（Firefly Algorithm,FA）并应用于路径规划,主要研究内容如下:针对ACO在进行路径规划时存在缺乏初始信息素、难跳出局部极值且收敛速度慢等问题,同时根据遗传算法（Genetic algorithm,GA）和ACO在求解问题时各自呈现的一种时间——速度变化特点,提出一种将GA和ACO融合的算法。首先,机器人的行走空间由栅格法创建,并建立以路径长度为目标的决策模型;其次,鉴于ACO初始信息素缺乏,则根据适应度对GA每次迭代得到的种群进行降序排序,选取排序靠前的部分个体结合初始信息素产生规则来获得ACO所缺的初始信息素;再次,为控制GA向ACO的切换时间而设计相应的控制策略;最后,利用ACO搜索路径,并设计相应的路径简化规则与光滑规则对全局最优解进一步优化,使规划路径更光滑且距离更小。实验仿真结果表明,提出的融合算法能有效地增强全局搜索能力以及提高收敛速度。在以路径长为目标的同时引入路径光滑度,建立双目标模型,同时针对FA具有原理简单、参数少、易于实现、个体对搜索范围不够敏感等特性提出了一种多种群萤火虫算法（Multi-Population Firefly Algorithm,MP-FA）。首先,设计飞行规则用于初始化萤火虫个体,进而设计种群划分规则将种群划分为多个子种群;其次,设计种群内部、种群间的信息交流策略,其中针对种群内部的信息交流设计停滞阈值来判断个体更新是否停滞,对更新停滞的个体采取变异操作;再次,由于需要通过加权的方式将多目标模型映射为单目标模型,所以为避免对权重以及MP-FA中所需的参数进行随意设定而造成结果缺乏合理性的问题,引入人工蜂群算法（Artificial Bee Colony Algorithm,ABC）调试所需参数,同时设计相应的参数目标评价模型,对所选取的参数进行评价;最后,设计一种多目标排序评价法对MP-FA的性能进行评估。通过在两种环境模型中进行仿真实验可以验证MP-FA在求解移动机器人路径规划时更具优越性。