随着科技的进步,移动机器人发展越来越迅速,给人们的衣食住行都带来巨大改变。同时,它也属于人工智能(Artificial Intelligence)中非常重要的一个分支与方向。移动机器人中最重要的几个模块为机器视觉技术,SLAM定位技术以及机器人路径规划技术等。目前,解决移动机器人路径规划的方法较多,大致可以分成四类:图形学方法、传统机器人算法、智能仿生优化算法和其它算法。针对机器人路径规划这一重要课题,本文提出一种基于动态反馈机制的双种群蚁群算法,对旅行商问题与路径规划问题进行一系列的研究与仿真,最后将算法应用于实际机器人路径规划中。本文的主要的研究内容如下:首先,为了减少算法中参数对实验结果的影响,引入粒子群优化算法(Particle Swarm Optimization,PSO)对蚁群算法的多个参数在三维空间中进行优化,提高解的质量;引入一种新的路径构造的方式:单位距离信息素,加强距离因素和信息素因子的协同作用。两种路径构建方式的蚂蚁进行协同交流,共同促进算法找到全局最优解。在TSP问题上,通过与其它多种优化算法比较分析,表明本文算法具有较好的种群多样性,同时增强了解的质量。其次,为了加强种群间的学习和竞争,将两种经典的蚁群算法——蚁群系统(Ant Colony System,ACS)和最大最小蚂蚁系统(MAX-MIN Ant System,MMAS)相结合,既保留MMAS的多样性,也保留了ACS收敛速度快的优势,共同促进算法在大规模问题上找到最优解。引入推荐算法中协同过滤的思想,奖励两个种群中蚂蚁更偏好的路径的信息素,使算法更具导向性,加快算法的收敛速度;同时,根据种群之间信息的动态反馈,自适应调整两个种群的交流频率,增加算法多样性;算法停滞时,两个种群协同交互,均化每个种群信息素,跳出局部最优。通过中大规模TSP测试集的仿真实验,本文算法提高了解的质量,保证了算法多样性,加快了算法的收敛速度。接着,为了验证算法在更大规模中的运用,将算法的种群数目扩大为多个,提出一种单位距离信息素算子,将其作为一个种群的路径构建方式,并与ACS和MMAS构成多个种群,采用皮尔逊相关系数作为评价标准衡量种群之间的相似程度,选出相似度较高的两个种群,奖励两个种群中的相似路径的参数,以加快算法的收敛速度;根据种群之间信息的动态反馈,自适应调整两个种群的交流频率,增加算法多样性;算法停滞时,初始化奖励的?和?参数,跳出局部最优。实验结果表明,本文提出的异构多种群蚁群算法比传统的单种群蚁群算法和其它多种群蚁群算法在TSP问题上有着更好的实验结果,且在大规模问题上,这种优势更加的明显。最后,在以上理论分析的支持下,利用机器视觉以及雷达技术,采集大环境下的地图,并利用本文所提出算法对机器人路径规划问题进行仿真分析。实验结果表明本文改进算法在仿真和实际运用中都有着较好的可行性和实用性。