移动机器人路径规划是智能机器人技术领域中至关重要的研究方向。移动机器人路径规划的目标是在具有障碍物的环境空间内,根据实际任务或工作需求搜索一条符合要求的无碰撞路径。智能优化算法是解决机器人路径规划问题的重要工具。本文首先选择粒子群优化算法和蚁群算法作为解决移动机器人路径规划问题的智能算法,并分别针对两种算法的缺点进行改进,然后将改进后的算法进行混合,最后将混合算法应用到油田采油井巡检问题。本文主要工作如下:首先对粒子群优化算法的缺点进行改进,通过引入粒子牵引机制提高粒子在低适应度值区域的逃脱能力,从而加速算法收敛。通过采用非线性动态调节惯性权重和学习因子的策略保证算法在迭代初期粒子活跃度高,搜索范围大;在迭代后期算法收敛性强,局部搜索能力强,使算法在收敛速度加快的条件下依然能保持较好的搜索精度。针对蚁群算法的缺点,提出了引入障碍物排斥权重的路径选择概率,改进了局部信息素更新策略并将信息素浓度的最大最小值进行限制。对改进算法进行Benchmark函数测试验证改进算法的有效性和可行性。其次,提出基于改进粒子群蚁群的混合算法思想。首先利用改进粒子群优化算法搜索速度快的优点进行第一轮粗搜索获得一条较优路径,在这条路径上铺设初始信息素,然后利用改进蚁群算法搜索能力强的优点进行第二轮细搜索最终获得最优路径。并在MATLAB中进行仿真实验,通过栅格法建立三组不同障碍物环境比例的地图模型,分别使用本文改进粒子群优化算法、改进蚁群算法和混合算法进行路径规划,通过比较各算法所求得的最短路径和搜索时间等数据分析改进算法的性能,得出改进后的粒子群优化和蚁群算法都较原始标准算法提升了搜索性能。混合算法由于吸取了两种改进算法的优点,弥补各算法本身的缺点,在不同障碍物比例环境下都有最好的表现。仿真实验证明混合算法搜索速度快且求解精度高,在不同障碍物比例的地图模型中均表现优秀。最后使用本文改进混合算法在油田遥感地图中进行路径规划仿真实验,结果证明复杂地图环境下混合算法在解决机器人路径规划问题的优越性。