移动机器人全局路径规划是在机器人对工作环境全部已知的情况下,通过合理的规划算法指导,从起点出发,避开工作环境中的所有障碍物,寻找一条运动到终点位置的最优路径。在移动机器人全局路径规划的相关研究中,目前虽然已经取得了一些重要性的研究成果,然而理论研究上还是尚有欠缺,在解决实际问题时的相关技术也有待提高和完善。在全局路径规划中,路径寻优算法是路径规划的核心部分,所以,如何对规划算法进行改进一直以来是研究中的热门课题之一。蚁群算法由于信息素不断累加的作用使其具备正反馈特性,促使算法向着最优解更快的收敛,能够在解空间上进行多点搜索,其鲁棒性和寻优能力比其他算法要强;遗传算法中种群个体不断地进行遗传操作,使种群中的个体向着全局最优解不断进化,其在搜索空间覆盖面积上比较大,同时具备较好的并行搜索能力。本文结合了两种算法的优点,提出将两种算法融合改进的策略,并成功的将融合改进后的算法应用到移动机器人全局路径规划中。(1)本文提出在路径搜索中,先用遗传算法进行搜索,将遗传算法搜索到的部分最优解,作为蚁群算法初始信息素的值,以弥补蚁群算法在算法搜索最初阶段信息素匮乏的不足之处。(2)本文提出在蚁群算法信息素更新时,将全局最优路径和当前迭代最优路径混合更新的策略,以及提出一种蚁群双向搜索方案,以便提高和改善算法的搜索速度。(3)本文提出在蚁群算法的路径搜索中,通过模拟遗传算法的交叉操作,将具有交叉点的全局最优路径与当前迭代搜索的最优路径,在交叉点进行交叉互换,产生新的最优路径,加快蚁群算法的搜索速度。本文最后通过Matlab仿真对融合改进的算法做了验证,通过设置三幅代表不同环境的栅格地图,与基本遗传算法和最大最小蚁群系统两种算法做了仿真对比,验证了改进算法的有效性,证明改进的算法在路径寻优速度和质量上要好于其他三种算法;本文利用TurtleBot移动机器人进行实物验证,将本文融合改进的算法与基本遗传算法和最大最小蚁群系统分别对TurtleBot移动机器人做路径寻优,通过分析实验结果得出本文融合改进的算法要优于未融合改进前的算法。