针对传统蚁群算法应用在机器人路径规划当中,容易出现搜索空间过大,容易陷入局部最优,搜索效率过低等缺陷,提出一种在传统蚁群算法基础上,加入伪随机因子,利用下一节点到目标节点的距离来修改期望启发函数,改变差路径信息素更新方式的算法(Improved ant colony algorithm based on grid model,IACA-GM),建立栅格环境模型进行模拟仿真,实验结果表明,IACA-GM算法有效地缩小了最优路径的搜索范围,减少了循环次数,加快了算法收敛速度,提高了机器人对最优路径的搜索效率。

为了规划机器人行驶路径,保障机器人行驶安全,提高机器人任务完成的安全性与自动性,提出基于双目视觉技术的复杂环境下机器人自动导航方法标定双目摄像机,利用双目视觉技术采集机器人行驶环境图像;提取机器人行驶环境图像特征;按双目视觉三维重建原理,获取机器人行驶环境三维点云数据;以机器人行驶环境二维地图为依据,构建机器人行驶环境栅格地图;采用A*算法在构建的栅格地图中规划机器人行驶路径,完成机器人自动导航。实验表明该方法可实现复杂环境下机器人自动导航,并规划出较为理想的机器人行驶路径。

提出一种改进的栅格法网格剖分算法，该算法综合了栅格法和Delaunay算法的优点，生成了四边形和三角形混合单元，保证了整体性能与局部性态最优，满足汽车覆盖件冲压成形模拟软件对有限元网格质量的需求。实践证明，本文提出的改进的栅格法网格剖分算法可行有效，生成网格的质量高。程序容易实现。该算法已经成功集成到商业化冲压成形模拟软件KMAS中。

针对基本蚁群算法在无人机自主航迹规划过程中容易陷入局部最优解的不足,采用对引导因子进行改进的精英蚁群算法来研究二维空间环境下无人机的全局航迹规划问题。首先选择栅格法对空间进行划分,建立静态障碍物地图并构建启发因子;其次,通过加入改进引导因子的精英蚁群算法寻找到达目标点距离最短的航迹;最后通过仿真实验对比改进引导因子的精英蚁群算法与基本蚁群算法和最大最小蚁群算法搜索的航迹优劣。

机器人在荒野物资运输和山地自由行走时，需要在山地表面规划出行走路线，为此提出改进的蚁群算法加以求解。根据坡度提出避障规则，在满足避障约束条件下，合理增加路径的多样性；根据当前节点到目标点和起点的距离，重新设计启发式函数，驱使机器人尽量沿着起点和目标点之间的最短路径行进；依据实时路径长度，动态调整挥发系数，以精炼搜索空间、提高收敛性能。将改进蚁群算法与原始算法进行比较，实验结果表明改进蚁群算法的有效性优于原始蚁群算法。

为了提高移动机器人在全区域覆盖路径规划中的性能，提出了基于神经元激励神经网络的路径规划算法。介绍了栅格法环境建模原理，使用此方法得到了机器人工作环境的矩阵模型；分析了生物激励神经网络算法，在神经元活性值定义、机器人跳出“死区”两个方面对算法提出了改进，提出了神经元激励神经网络算法。使用此算法对设定的工作环境进行遍历并与生物激励算法进行比较可以看出，在遍历重叠率、路径长度、转弯次数等方面，神经元激励算法都优于生物激励算法，充分说明了改进算法在机器人遍历规划中的优越性。