地面自主车辆（简记为ALV）是指在各种复杂的陆地环境中，无须人工干预即可自主完成行驶任务的智能机器人系统，在军事领域和民用领域都有非常广泛的应用前景。ALV涉及结构学、控制论、电子学、计算机科学等诸多领域，体现了机器人技术的最新成果，是一个高度综合的研究课题，其发展对国防、社会、经济和科学技术具有重大的影响力。在国家自然科学基金重大研究计划重点项目“乡村道路环境下无人驾驶车辆关键技术与集成验证平台研究”的资助下，本文面向ALV路径规划，以智能优化算法研究为主线，将ALV路径规划转化为优化问题，成功的解决了ALV路径规划问题，并通过相关仿真实验和实际应用，验证了相关方法的有效性。本文的主要研究工作和创新点如下:　　(1)针对离散域优化问题提出了一种改进的多角色蚁群算法。　　蚁群算法的机理与路径规划有天然的相似性，但是基本蚁群算法易停滞且求解质量欠佳。针对这些缺点，以旅行商问题为例，提出了一种基于K均值聚类的多角色蚁群算法（简记为MRACO）。MRACO充分利用旅行商问题的空间信息，采用K均值聚类将城市划分为不同类别。同时，对蚁群进行角色划分，不同角色的蚁群针对城市类别关系执行各自不同的搜索策略，增强了蚁群的搜索能力，较大幅度提高了求解质量。每进行一次迭代，仅各角色最优个体进行信息素更新，防止算法退化为随机的贪婪搜索。精英策略与跳出局部最优相结合，避免了算法的停滞。通过50个经典旅行商实例仿真实验表明，所提算法可以在较少的迭代次数内获得或非常接近问题的已知最优解，求解精度较对比算法提升了76％，若以获得已知最优解为标准，求解质量达到了对比算法的10倍。　　(2)针对连续域优化问题提出了一种改进的人工萤火虫算法。　　针对人工萤火虫优化算法全局搜索能力差和易陷入局部最优的缺点，提出了一种基于混沌序列的量子萤火虫优化算法（简记为QCSGSO）。在QCSGSO中，首先以混沌序列进行种群的初始化，使种群有更大的可能覆盖更多的局部最优区域，为进一步的寻优和调优提供了良好的前提条件。然后，划分精英种群并引入量子行为，使个体以一定概率随机出现在解空间的任何位置，大幅度提高了算法的全局搜索能力和跳出局部最优的能力。最后，将原算法的定步长移动方式改为单维度循环泳动，不仅提高了算法的求解精度和收敛速度，而且解决了基本人工萤火虫算法对移动步长过于敏感的问题，间接增强了算法的鲁棒性。通过16个标准高维函数的仿真实验表明，所提方法在寻优能力、求解精度和收敛速度方面均较大幅度的领先对比算法，并具有较强的稳定性。在验证QCSGSO整体性能的基础上，将其应用于ALV局部运动规划，充分考虑了车辆自身的机械约束和运动学约束。最后，给出了4种评价组合下的仿真实验，效果较为理想，较好的达到预期目的。　　(3)针对ALV的不确定环境，提出一种预先生成多条路径的规划方法。　　相对于一般智能机器人系统，ALV任务空间较大，不可避免的会出现不确定环境。针对这一问题，提出了一种基于改进人工萤火虫算法的路径规划方法。首先利用人工萤火虫算法覆盖多个局部最优解的能力，一次生成多条规划路径;然后提出两种路径切换算法，分别用于调优和脱困。在通过路径交叉点时，调优切换算法对交叉路径进行重新评估并切换到较优路径，最终达到实际行驶路径的最优化。在遇到环境发生改变时，脱困切换算法通过启发式搜索快速切换到适当路径，重用了原搜索结果，避免了二次规划。通过仿真实验及实际试用，表明了所提方法在实际行驶路径长度和路径切换耗时方面均取得了较为理想的成绩。　　(4)为满足ALV路径规划的实时性要求，对MRACO和QCSGSO进行了基于统一设备计算构架（简记为CUDA）的并行化研究。　　一般情况下，智能优化算法的运算方式是逐次进行迭代的，速度相对较慢，而ALV路径规划，尤其是局部运动规划的实时性要求较高。为解决这一矛盾，本文基于CUDA平台提出了MRACO和QCSGSO的并行计算方法PMRACO和PQCSGSO。PMRACO和PQCSGSO均采用了“细粒度”并行方式进行加速，充分发挥了图形处理单元（简记为GPU）多核的优势;然后，采用了基于“束”的优化，避免了耗时较大的栅栏同步，进一步提高了并行算法的加速比。在仿真实验中，相对于串行算法，PMRACO和PQCSGSO分别获得了最高8倍和40倍的加速效果。