路径寻优是一种较为经典的优化问题,其主要内容是通过智能优化算法合理规划出一条从起始地到目标地的最优路径。群智能优化算法（Swarm Intelligence,SI）是一种新兴的元启发式技术,具有原理简单、易实现等特点。近年来,出现了许多新颖的SI算法,例如哈里斯鹰优化算法（Harris Hawks Optimization,HHO）。HHO算法是受哈里斯鹰捕食行为启发而提出的一种新的SI算法,具有参数少、易于实现等特点。然而,HHO算法也存在一定的局限性,包括易陷入局部最优、种群多样性低和寻优性能低等。鉴于此,本文以HHO算法为基础,提出一种综合改进算法,并将HHO算法及其改进算法应用于移动机器人路径规划和电动汽车路径规划,最终都取得了较好的路径寻优效果。具体研究内容如下:（1）对HHO算法寻优迭代过程中收敛速度低、易陷入局部最优解和难以平衡算法的搜索与开发问题,本文提出一种改进的哈里斯鹰优化算法（IHHO）。首先,运用佳点集法初始化哈里斯鹰种群的位置,提高初始哈里斯鹰种群的遍历性;其次,提出一种非线性能量因子更新策略平衡算法的搜索和开发,提高算法全局搜索性能;最后,通过与灰狼优化算法（GWO）和HHO算法进行对比,验证IHHO算法的有效性。（2）对移动机器人路径规划问题进行建模与求解。首先,运用栅格法对其道路环境进行建模;其次,提出使用HHO和IHHO算法进行求解;最后,在简单地图和复杂地图情况下,分别测试了GWO、HHO和IHHO算法。实验结果表明:IHHO算法不论在简单地图和复杂地图均可以在较短的时间内寻找到最优路径,表现出很强的鲁棒性,证明了IHHO算法在移动机器人路径规划中的显著优势。（3）对电动汽车最优时间的路径规划以及充电策略问题进行建模与求解。首先,进行问题描述、数学建模和综合分析;其次,提出使用HHO和IHHO算法求解;最后,在实验仿真阶段,分别测试了HHO、GWO和IHHO算法,验证IHHO算法的优越性。实验结果表明:IHHO算法寻优能力优于HHO和GWO算法。