蚁群优化(Ant colony optimization,简称ACO)算法是根据蚂蚁寻找食物时发现路径的行为提出的,该算法具有并行式、正反馈、自组织等许多优良的性质。最初ACO算法用于求解旅行售货商问题(Traveling Salesman Problem,简称TSP),随后又被用于求解路径规划、数据挖掘等问题。TSP是找一个无向带权完全图里权值最小的一条Hamilton回路;路径规划是机器人研究领域的重要内容之一,其目的是在有障碍物的环境中为机器人寻找一条满足特定指标最优的路径。应用ACO算法求解这两个问题时,都存在收敛慢、容易陷入局部最优等缺陷。为此,本文提出改进的ACO算法来求解这两个问题,主要工作概括如下:(1)针对蚁群(ACO)算法收敛速度慢、容易陷入局部最优等缺陷,提出了一种改进信息素二次更新局部优化蚁群算法(IPDULACO)。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛速度。其次,在搜索过程中,当算法陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。实验结果表明,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度。(2)针对动态环境未知时变的特点,提出一种机器人路径规划新方法。在该方法中,首先对栅格法建立的环境模型进行凸化处理,以避免机器人沿规划路径移动时陷入U型陷阱,从而加快路径规划的速度;其次,提出双层蚁群算法(DACO),在每次迭代中先用外层ACO算法寻找一条路径,然后以该路径为基础构造一个小环境,接着在该环境下用内层ACO算法重新寻优,若寻得的路径质量更高,则更新路径并执行本文给出的一种新型信息素二次更新策略;最后,针对环境中不同动态障碍物的体积和速度,提出三种避障策略。动态环境下,先由DACO算法为机器人规划一条当前环境(即静态环境)下从起点到终点的全局最优路径,然后从当前起点开始,通过自带传感器获取动态环境信息,并根据需要执行等待、正碰或追尾避障策略,到达新的起点。仿真实验表明,该方法可以在动态环境下实时地为移动机器人规划出一条安全且最短的路径,是移动机器人路径规划问题的一种切实有效的方法。(3)针对ACO算法求解三维路径规划问题时容易陷入局部最优的缺陷,以及三维环境的特点,对ACO算法进行改进。首先根据下一可选节点距终点的距离的远近赋予不同大小的权值,近的节点赋予较大的权值,远的节点赋予较小的权值;此外通过引入高度因子对节点选择概率进行改进,控制算法向适应度值高的区域搜索,进而提高最优解质量。仿真结果也表明了改进算法的有效性。