随着经济、科技的快速发展,移动机器人的发展越来越迅速,路径规划是移动机器人的重要技术之一。蚁群算法是经典的群智能算法,最先被应用于TSP问题中,为了更好的解决问题,科学家们做出了各种改进的蚁群算法,以提高基本蚁群算法的性能。本文基于基本蚁群算法提出了基于熵的自适应混沌蚁群算法,并且成功处理路径规划问题。本文主要研究内容如下:首先,为了提高算法的种群多样性,提出了一种动态混沌蚁群算法。讨论了几种经典的混沌映射后,选择将Logistic混沌映射引入基本的蚁群系统。混沌的遍历性可以提升蚁群系统的种群多样性,而蚁群系统的正反馈特性又能降低混沌的盲目性与不确定性,两者相互促进。为了解决多样性增加所引起的收敛速度下降的问题,本课题动态的引入混沌映射。动态混沌蚁群系统解决8种不同规模的TSP标准测试集,证明了动态混沌蚁群系统的有效性。其次,为了提高算法的自适应性能,提出了一种自适应模糊蚁群算法。在蚁群系统中引入模糊规则,利用模糊规则改进基本蚁群系统的全局信息素更新规则,以提升算法的解的质量;并且引入信息熵的概念,信息熵描述算法的种群多样性,算法根据信息熵判断是否引入模糊规则,以增加算法的自适应性,从而增加算法的收敛速度。自适应模糊蚁群算法解决14种不同规模的TSP标准测试集,证明了自适应模糊蚁群算法的有效性。然后,为了平衡算法种群多样性与收敛速度之间的关系,提出了一种基于熵的自适应混沌蚁群算法。首先将混沌映射引入基本蚁群系统,来增加算法的种群多样性,然后将信息熵引入算法,利用信息熵来判断算法是否引入混沌映射,以增加算法的收敛速度。最后自适应模糊蚁群算法解决9种不同规模的TSP标准测试集,证明了基于熵的自适应混沌蚁群算法能够平衡算法的种群多样性与收敛速度之间的关系。最后,本文改进算法解决不同的机器人路径规划问题,模拟场景表明本文的改进算法在实际应用中的可行性与有效性。