随着科学技术的快速发展,移动机器人路径规划技术成为人工智能领域的重要研究内容,其技术发展的愈加成熟,能够满足人类各种各样的需求。移动机器人路径规划要求机器人以行驶路径最短、消耗时间最快、能源消耗最低等方式无碰撞的从起点移动到目标点。粒子群算法作为一种智能优化算法,它非常容易实现路径优化问题,但是粒子群算法在迭代后期容易丢失多样性,算法发生早熟,容易收敛到局部极值,当使用粒子群算法对机器人移动路径进行优化,实现效果往往不够理想。因此,本研究的主要内容和研究成果包括以下几个方面:（1）在标准粒子群优化算法（BPSO）的基础上进行了改进,提出了一种代价诱导粒子群优化算法（Induced Cost,IC）。该算法能够弥补BPSO算法种群多样性丢失,算法容易收敛到局部极值的缺陷,引用精英均值偏差观察粒子群的多样性分布情况,对种群进行初始化操作,随机分配粒子的位置,提高粒子的活跃性,使其在全局范围进行搜索;并对适应度值较差区域的粒子进行诱导,将处于局部极值区域的粒子迁移出去,使其在更广阔的范围进行搜索,加快搜索速度。仿真结果表明,ICPSO算法不仅可以加快收敛速率,还可以提高算法搜寻局部极值的效率。（2）将改进的粒子群优化算法应用到单机器人全局路径规划中,根据二次坐标转换思想规划移动机器人的路径,建立环境模型,并根据路径优化目标建立适应度函数,采用ICPSO算法优化路径。将改进的算法和其他经典的粒子群优化算法在不同环境下进行了仿真实验,仿真结果表明,算法在改进之后,收敛速度有所提高,并能够有效跳出局部极值。（3）将改进的粒子群优化算法与协同分配原则进行结合,提出了一种基于协同分配的粒子群优化算法,将该算法应用到多机器人局部路径规划中和存在动态障碍物的环境模型中。将多机器人路径规划要完成的任务分成若干个子任务,将子任务分配到机器人的各个节点。机器人在移动过程中要避免发生碰撞,根据路径优化标准构造适应度函数,通过计算适应度值来选出最优的结果。仿真结果表明,该算法可以保证机器人成功的躲避障碍物安全的移动,并且安全的运动到目标点,证明了该算法具有可行性和有效性。