随着机器人科技的不断发展,路径规划问题的精度和计算时间显得愈加重要。蝴蝶算法是近年来提出的启发式算法,通过模拟蝴蝶的觅食行为来搜索目标函数的最优解,其在多元多峰的目标函数寻优性能已被证明优于已提出了大部分启发式算法。然而,蝴蝶算法的典型应用场景是在传统工业领域,本文将改进蝴蝶算法应用于机器人的路径规划场景下,并证明了其表现出的优秀性能。本文首先针对于蝴蝶算法在搜索过程中存在易陷入局部最优解,收敛速度较慢等问题,提出了两种改进方案。对于蝴蝶算法中的常数参数,感知状态c,采用指数模型构建随着迭代次数实时修正的自适应表达式;对于另一个参数,切换概率p,采用随机分布的方式,提高蝴蝶个体在迭代过程中丰富度,以及算法在多次实验中最优解的精确度。在两种方案的改进后,比较基础蝴蝶算法(BOA),对c优化的蝴蝶算法(ICBOA),对p优化的蝴蝶算法(IPBOA),c和p同时优化的蝴蝶算法(IBOA),以及遗传算法(GA)和蚁群算法(AG)。通过8个典型的测试函数对其证明,ICBOA明显提升了蝴蝶算法的收敛速度,IPBOA提升了算法的平均搜索精度,二者同时改进的IBOA则在搜索精度,比起基础蝴蝶算法有显著提升,由此证明改进的有效性和可行性。在路径规划的场景中,本文主要考虑在栅格系统,二维开放空间,以及三维空间的路径规划。在栅格系统中,采用节点插入法初始化路径,结合路径长度和路径平滑度构造适应度函数,并且考虑在普通场景和带有U形陷阱区域的场景,比较了遗传算法,蚁群算法,BOA以及IBOA,结论是IBOA在算法精度和收敛速度上都优于对照组算法。在二维开放空间中,本文首先采用Maklink图论构建无向网络图,再依据Dijkstra算法规划次优路径。为了弥补Maklink图论固定选取Maklink线中点作为路径节点的局限性,IBOA重新在次优路径的基础上,舍去中点局限,重新搜索Maklink线最佳路径节点,由此二次规划出最优路径。在三维系统中,通过将三维转化为多重二维的方式降维,再用栅格法建模,并采用在蝴蝶可视区域搜索的方式,然后考虑路径避免拥堵因素,角度因素,以及距离因素构建适应度函数。最后比较IBOA,BOA,以及蚁群算法。仿真结果显示,IBOA的性能在以上三种算法中最优。