多智能体系统凭借其高效率与执行任务多样化特性,解决了诸多实际工作中的难题,在各行各业中也扮演着越来越重要的角色。避障作为多智能体系统的核心研究领域之一,更是受到了科研工作者的高度重视。在障碍物多而复杂的环境中,多智能体系统应用仿生智能优化算法进行有效避障;相比较传统避障算法,仿生智能优化算法提高了避障的时效性与环境适应性,且解决了避障过程中易陷入的局部最小值问题。本文基于仿生优化算法进行多智能体避障研究,做出的主要工作如下:（1）针对多智能体系统在避障过程中出现的避障路径冗长、时效性较差问题,提出一种布谷鸟鸽群融合避障算法。首先,利用布谷鸟搜索算法中Levy飞行机制进行长、短交替搜索,获得鸟巢位置更新点,进而得到次优避障路径;其次,在次优路径的基础上,引入鸽群优化算法的地图罗盘算子与地表算子进行二次避障路径规划演示,再次更新鸟巢位置更新点,进而获得最优避障路径。最后,通过MATLAB仿真结果表明,该组合优化算法能有效的解决复杂环境下的多智能体避障问题,且平均避障时间提高了约17.35%。（2）针对多智能体系统在避障过程中出现的编队队形保持能力差、易陷入局部最优问题,提出一种改进鸽群优化算法。在队形异构模式下,首先利用人工势场法为多智能体系统中每个智能体进行独立避障抉择;其次,针对人工势场法中引、斥力增益系数固定带来的局限性,利用改进鸽群优化算法随机搜索得到适应当前环境的最佳增益系数,整个避障过程采用领航跟随法保持编队队形。最后通过MATLAB仿真,验证了此方法能较好的保持一定编队队形完成避障任务且平均避障时间提高约20.96%。（3）在整个多智能体系统避障过程中,根据实时环境境况,计算出现有编队队形伸缩因子r,通过判断比较ρ与其下限值ρm的大小,确定多智能体系统动态队形变换的策略模式,得出适合当前复杂环境的最佳避障队形。