机器人路径规划既是一个经典问题,又是一个现代问题,简而言之就是寻求从机器人起始位姿到目标位姿的一条最优或近似最优无碰撞路径的一个问题。解决路径规划问题有很多方法,其中云自适应粒子群算法当前解决这类问题的一个比较行之有效的方法。　　 云自适应粒子群算法(CAPSO)是克服传统粒子群算法(PSO)的惯性权重不能很好反映实际优化搜索过程的缺陷而提出的一种改进的优化算法,该方法把种群分为三个子群分别采用不同的惯性权重生成策略,从而提高算法的优化精度。该方法的理论基础是李德毅院士提出的云理论。由于云理论具有随机性和稳定倾向性特点,因而使得云自适应粒子群算法既可以保持种群的多样性,又能提高算法的收敛速度。　　 本文在静态环境机器人的路径规划问题的基础上,提出了先用Dijkstra算法找出次优路径然后再运用云自适应粒子群算法进行二次路径优化的方法,该方法既克服了Diikstra算法优化程度不充分的局限性又充分体现云模型在知识表达时具有不确定中带有确定性、稳定之中又有变化的优势,弥补了传统粒子群算法和Dijkstra算法在路径规划搜索中存在的缺陷,并通过仿真实验证明了该改进算法的有效性。　　 除此之外,本文还将云自适应粒子群算法与蚁群算法进行路径规划比较,通过仿真实验得出该算法优于蚁群算法。