粒子群算法是一种基于群体寻优的新型启发式全局优化技术,其基本思想来源于对自然界中鸟类觅食过程的模拟。粒子群算法一经提出便以模型简单,收敛速度快以及容易实现等优点而引起了广泛的注意。同时,粒子群优化算法又具有非常广泛的应用研究领域,主要包括函数的寻优优化、工业系统优化与控制以及其他进化算法的应用领域等。在这些基础上,相继涌现出了很多关于粒子群优化算法的研究成果,有力地推动了粒子群算法的发展。随着机器人成为最高技术领域内最具代表的战略目标,作为机器人导航技术的一个重要研究课题,机器人路径规划问题吸引了大量研究者们的关注和研究。由于机器人路径规划问题符合多目标优化的要求,因此为了解决机器人路径规划问题中的优化问题,许多进化算法如遗传算法等相继被应用到其中。伴随着各种进化算法在机器人路径规划问题中取得大量研究成果,多目标粒子群算法也逐渐被引用到该领域中进行研究探索。本文针对标准多目标粒子群算法的一些缺点如：算法对于个体历史最优值位置和全局最优值位置的选择具有较大的随机性,种群的全局搜索能力以及局部搜索能力较差等进行了一些改进。本文的研究工作主要包括以下几个方面：(一)根据单目标粒子群算法中运用适应度值来评价粒子优劣的思想,在多目标粒子群算法中利用SPEA2适应度值计算方法为每个粒子赋予适应度值,为多目标粒子群算法提供一个评价指标。(二)根据SPEA2中的环境选择和配对选择策略来解决个体历史最优值位置pbest和全局最优值位置gbest位置选择的随机性问题。(三)采用自适应的方法来改变速度权重的计算方法,以此来平衡种群粒子在局部最优时的活性,使算法具有较强的全局搜索能力和局部搜索能力。(四)根据遗传算法的染色体思想和等分线思想规范种群粒子的指标位置,建立机器人路径规划的环境模型和数学模型。(五)将验证后的算法运用到机器人路径规划中,同时根据机器人路径规划的结果反过来验证算法改进的可行性和有效性。