UUV(Unmanned Underwater Vehicle)是一类使用各种使能技术进行导航和执行多重任务的水下运载器,近期备受军事、科学研究和商业应用等方面的关注。日益复杂的任务需求使得UUV的自主能力备受考验。在实际应用中,由于UUV自身携带的电池容量有限,执行长期观测或监视任务时的能源限制成为了一个急需解决的技术瓶颈问题。此外,UUV执行长期任务时实际航行速度与海洋中环流速度基本处于同一量纲,因此环流将严重影响UUV的工作效率和能量消耗。本文主要以能量消耗作为优化目标针对考虑复杂海洋环境影响下UUV长远距离的路径规划方法进行研究,主要工作有:以航行时间、能量消耗、安全性和信息采集量四个优化目标作为依据,分析了UUV路径规划研究现状,并根据研究现状中的部分方法延伸出适用于二维和三维海洋环境下,UUV路径规划的随机空间分解建模方法和路径控制节点的设置方法,有效地增加了路径规划算法的自由度,同时确保没有加重计算代价。结合B-Spline方法,采用细分方法用于生成包括二维和三维空间环境下规划的路径,保证轨迹良好的光滑度以满足UUV路径跟随控制的实际需求。本文通过基于多粘性Lamb涡组合叠加的方法,建立了能够较好模拟海洋环流的二维和三维空间下的海洋环境模型。针对UUV长航程下能量消耗的优化问题,建立了二维和三维空间下的UUV能量消耗模型。同时,为了证实能量消耗对UUV任务执行的影响,设计了UUV信息采集的案例,并建立了基于UUV能耗和信息采样量的多目标优化模型。结合粒子群优化算法(Particle Swarm Optimization,简称PSO)、基于量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization,简称QPSO)和多目标粒子群优化算法(Multi-objective Particle Swarm Optimization,简称MOPSO),对设计的多种UUV任务执行案例进行优化求解,根据任务案例的需求生成UUV能耗最优的航行路线。本文改进性地提出了能够依据粒子进化程度自适应分类的自适应量子粒子群优化算法(Adaptive Quantum-behaved Particle Swarm Optimization,简称AQPSO),相比于传统的PSO和QPSO算法,更能胜任计算复杂程度和计算量增大的情况。本文同时创新性地提出了综合MOPSO和模糊综合评价(Fuzzy Comprehensive Evaluation,简称FCE)的混合MOPSO-FCE算法,实现了从生成非劣解到根据UUV实际航行情景需求进行选解的完整过程。最终通过一系列由简至繁的案例设计证实了上述各优化算法生成UUV能耗最优航行路径的有效性,并使用Monte Carlo方法验证了鲁棒性,性能分析对比的结果证实了改进算法的优异性能。