为了减少机器人点对点工作路径长度,提出了个体动态细化分工花授粉算法的路径规划方法。以花授粉算法为基础,将花粉按照适应度划分为精英个体、优等个体、差等个体,并对个体进行动态细化分工。精英个体引领进化方向,优等个体使用改进搜索方式进行寻优,差等个体使用柯西变异逃出局部最优,由此提出了个体动态细化分工花授粉算法。使用个体动态细化分工花授粉算法搜索最优路径结点,依据最优路径结点和三次样条插值法规划出最优路径。在简单环境和复杂环境下进行仿真验证,个体动态细化分工花授粉算法规划的路径长度、收敛速度和寻优稳定性均优于传统花授粉算法和改进蝙蝠算法。

为了提高机器人在栅格环境下的路径规划质量和规划稳定性,提出了启发式信息素交流异构双种群蚁群算法的规划方法。对精英蚂蚁系统和蚁群系统两种算法进行了原理分析和优势分析;为了实现精英蚂蚁系统和蚁群系统的优势互补,以迭代过程中的路径偏离度为启发信息,使用启发式信息素交流的方式将精英蚂蚁系统和蚁群系统融合为异构双种群蚁群系统,将新算法命名为启发式信息素交流双种群蚁群算法(HEC-TPAC);使用标准TSP测试集对算法性能进行测试,HEC-TPAC算法规划的旅行商路径质量和稳定性优于蚁群系统和精英蚂蚁系统。将HEC-TPAC算法和蚁群系统同时应用于栅格环境下机器人路径规划,HEC-TPAC算法规划的路径明显短于蚁群系统,且路径长度方差明显小于蚁群系统,表明HEC-TPAC算法在栅格环境下的路径规划质量和规划稳定性优于蚁群系统。

为了提高机器人在栅格环境下的路径规划质量,提出了基于超强启发式异类蚁群算法的路径规划方法。建立了机器人工作环境的栅格模型;在蚁群算法基础上,提出了由开创型蚂蚁、守旧型蚂蚁、传统型蚂蚁组成的异类蚁群算法,并通过仿真看出,开创型蚂蚁主导的异类蚁群算法具有最优性能;在信息素更新方面,按照“奖励先进、惩罚后进”的原则,提出了超强启发式信息素更新方法,引导传统型蚂蚁和守旧型蚂蚁快速向开创型蚂蚁搜索的较优路径靠近。经过仿真验证,异类蚁群算法在简单环境和复杂环境下规划的路径均优于传统蚁群算法,且异类蚁群算法寻优稳定性更好,寻优耗时更短。

为了提高花授粉算法的寻优精度和性能稳定性,提出了融入改进策略的精英协作引导花授粉算法。分析了花授粉算法的工作原理及缺陷,给出了对立点初始化方法提高初始种群质,使用精英协作引导全局搜索策略提高算法搜索效率和质量,建立动态转换概率模型用于平衡全局搜索与局部搜索,综合以上改进措施提出了精英协作引导花授粉算法。使用单模态标准函数和多模态标准函数对算法性能进行测试,每一项改进措施都能够提高算法的搜索精度和寻优稳定性,且改进措施之间不存在抵消性耦合。将精英协作引导花授粉算法应用于机器人路径规划,与花授粉算法相比,路径平均长度减少了4.01%,标准差减少了一个数量级以上,表明改进算法在路径规划质量和稳定性方面均优于传统花授粉算法。

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。

为了使机器人在复杂环境下规划出最优路径,提出了基于改进人工蜂群算法的路径规划方法。分析了传统的人工蜂群算法原理;为适应复杂环境下路径规划,引入了小步长侦查蜂用于侦查跟随蜂可能前进方向的障碍物分布情况,根据侦查出的障碍物复杂度和节点与目标点距离对可行节点进行评分,得分大小作为跟随蜂选择下一节点的依据,这样就可以使跟随蜂成功避开障碍物复杂区域。使用改进算法进行路径规划,将规划结果与传统蚁群算法和传统人工蜂群算法比较,改进人工蜂群算法规划路径最短,且算法耗时最少。