如何在不耗费过多资源的前提下拥有较高的作业效率一直是学术界研究的重点和难点,传统优化策略对该问题的寻优效果往往并不理想,而群智能优化算法的出现使学者们的寻优思路不再过于局限。该类算法可以通过不断的迭代和搜索以获取最终结果,在求解过程中不仅可表现出极高的智能性还能够极大减小人力资源成本。蝙蝠算法（Bat Algorithm,BA）主要是对自然界中蝙蝠超声波的回声特征进行模仿,作为一种具有代表性的群智能优化算法,BA在保持简易结构的同时还拥有较好的搜索能力,但该算法并不完美,迭代搜索时仍存在一定缺陷,如结果精度偏低、在得到局部较优解后搜索易陷入停滞、无法保持稳定的寻优结果等。为提高寻优性能,本文对蝙蝠算法进行改进,并将其应用于移动机器人的路径规划和无人机的航迹规划问题中。主要工作和取得的研究成果如下:（1）提出一种新的混合蝙蝠算法（Golden Sine Bat Algorithm,GSBA）,该算法主要引入黄金正弦算子并结合种群平均位置对个体位置进行更新。在迭代开始阶段为使群体均匀分布于决策空间对初始化策略进行改进,减小随机初始对结果的影响。根据适应度优劣对个体使用不同的更新方式,较优个体结合黄金正弦算子进行更新,有效提高搜索效率,而较差个体则利用种群平均位置,以减小局部最优对寻优的束缚,两种策略相互协调让蝙蝠群体处于一种平衡状态,使算法性能得到保证。在局部搜索阶段,为对全局最优位置的邻近区域进行更为细致地搜索,采用全维与单维相结合的方式,前期迭代中使用单维搜索,以充分获取每一维的信息,后期则更多使用全维搜索实现快速收敛,使该阶段的搜索变得更为全面。（2）为解决移动机器人在执行任务时无法有效行至目标点的问题,以GSBA算法为基础提出一种新的路径规划算法。在规划过程中机器人需避免与障碍物产生碰撞,同时应尽可能使路程长度缩短,传统算法的规划结果欠佳,很难获取较优结果。本文首先在环境建模阶段对坐标进行变换,降低了路径节点的选取难度;其次在GSBA算法的基础上提出一种随机跳转策略,以摆脱局部最优解的束缚;最后对搜索结果进行再优化,删除路径中的冗余点。实验结果表明改进算法在多种环境下所规划的路径质量远好于其它算法,相较于对比算法路径长度更短,同时显示随机跳转策略的引入可有效加强算法寻优的稳定性。（3）将改进的混合蝙蝠算法应用于无人机的航迹规划问题中,并针对多无人机协同作业问题提出解决方案。在复杂山地环境下首先进行建模,为使算法更易实现,制定特定的编码方式;然后在规划过程中考虑了地形障碍、天气威胁、角度约束、飞行高程等影响因素并设定相应的适应度函数;在寻优阶段选取路径节点进行判定,确定航迹的安全性;最后使用三次B样条曲线对规划结果进行拟合以增加最终航迹的可行性。仿真实验显示GSBA规划结果优于粒子群算法和原始蝙蝠算法。针对多无人机协同作业的航迹规划问题,本文在单航迹规划算法的基础进行拓展。在迭代搜索时,将种群分为多个子种群以获取多条预选航迹,并从中选择符合协同约束条件的路径,若该策略未能完成规划,则在环境中添加虚拟不可达区域,对较短航迹进行再规划,以满足多无人机问题的相关约束。在不同环境下的实验结果表明,所提策略能够较好解决多航迹规划问题,可让多架无人机在规定时间内到达指定点,且尽可能减小了无人机飞行的协同代价。