蚁群算法是模仿蚂蚁群体觅食行为的仿生算法,具有鲁棒性强、并行计算、易与不同的算法结合等优点,对复杂的组合优化问题具有很强的解决能力,目前蚁群算法已经在各种领域被普遍应用,并且取得了较好的效果,逐渐受到了更多专家、学者的关注和研究。本文以蚁群算法现有的理论为根本研究立足点,针对蚁群算法存在的收敛速度慢和易陷入局部最优等缺点,提出了自适应学习机制的双种群蚁群算法,经过在多种规模TSP问题上的实验,结果表明本文算法的收敛速度以及求解精度都有所提升。具体工作如下:首先,在最大-最小蚁群算法理论的基础上,提出了自适应模拟退火蚁群算法。在高温阶段以一定概率接受次优解,优化每次迭代后的路径,增加算法的全局搜索能力,并采用一种自适应信息素更新策略,前期增加算法的全局搜索能力,后期加快算法的收敛速度;在低温阶段通过降温系数的取值,加快算法收敛速度,然后在温度机制上采用了回火机制,避免局部最优,使解的质量得到了提高。同时在算法中加入了3opt进一步优化了算法解的质量。通过实验结果可见在中小规模城市中该算法的收敛速度以及求解质量得到了一定程度的改善。其次,为了更好地解决大规模TSP问题,借鉴现实中蚂蚁的群体交流合作的行为,采用双种群间的自适应学习机制进行算法性能的提高。该算法在两个种群交流后引入奖励惩罚模型,奖励算子提高了算法的收敛速度,惩罚算子提高了算法的多样性。首先由最大最小蚁群算法(MMAS,MAX-MIN Ant System)与自适应模拟退火蚁群算法(SA-MMAS,Adaptive simulated annealing ant colony algorithm based on max-min ant system)两个种群合作搜索路径,然后对于不同城市规模,蚁群间动态地信息素交流,增强了算法在城市规模上的鲁棒性,其次在种群交流后利用奖励惩罚模型对双种群间的学习合作行为给予动态的反馈,从而平衡了算法的多样性与收敛速度。通过17个经典旅行商问题(Traveling Salesman Problem,TSP)实例进行验证,结果表明,该算法能够以较少的迭代次数取得最优解或者接近最优解;对于中大规模TSP问题较好的平衡了算法的多样性与收敛速度,效果更好,从而验证了算法的高效性和可行性。最后,为了验证本文算法的实际应用效果,将改进的蚁群算法应用到基于ROS平台的实际移动机器人路径规划场景中,并通过MATLAB仿真对比本文算法与蚁群算法在机器人路径规划中的性能,最终利用ROS中的组件实现多机器人的通信。结果表明,本文算法在实际的机器人路径规划中相比原始蚁群算法不仅能够找到更优的路径,而且时间较短,具有较好的效果。