现有路径规划算法大多基于路网，在用于求解数字高程模型（Digital Elevation Model，DEM）下的路径规划时，因数据量大，效率低下。
　　针对上述问题，本文基于真实地形数字高程模型，在研究现有启发式寻路算法的基础上，给出了相应的解决思路与方法，具体工作如下：
　　（1）给出一种基于改进遗传与蚁群算法相结合的DEM路径规划算法。针对遗传算法和蚁群算法在 DEM 数据下进行路径规划时的效率变化特点，分为两个阶段进行求解；在遗传过程中，通过在初始群体生成阶段构建选择因子，使得在节点寻找时更加倾向于终点方向，提高初始群体生成效率；对变异过程中变异节点的变异区间进行限制，避免产生路径断点；在蚁群寻优过程中，根据遗传过程产生的路径信息，采用自适应信息素初始化与更新策略，提高算法搜索效率。测试结果表明，该算法能够在规则网格DEM数据下搜索出符合条件的路径，并具有较好的效率。
　　（2）给出一种基于禁忌策略的改进和声搜索算法。利用和声搜索算法的记忆机制与禁忌搜索算法的禁忌机制进行结合；在和声记忆库初始化与更新时，通过构建选择因子，提高初始和声的质量，并通过对和声评价函数进行计算，设定库内节点选择概率，提高库内节点搜索的效率；在库外节点搜索时，构建基于搜索深度的HMRC与基于动态权值的库外节点选择概率，充分利用节点的位置与高程信息，提高求解质量；搜索过程结合禁忌策略与藐视准则，在减小求解需处理的数据量的同时避免了优良选择的丢失，提高了算法的全局搜索能力。实验测试结果表明该算法能够在规则网格DEM数据下搜索到符合条件的路径，并具有较好的效率。