机器人路径规划是自主移动机器人研究的一个重要领域,已有大量研究工作集中于有各种路径规划算法,其中对改进群体智能算法的研究越来越受到人们的重视。本文深入分析了国内外关于基于群体智能算法的机器人路径规划方面的研究成果,并基于量子行为粒子群优化算法及改进算法对移动机器人轨迹规划方法展开了深入的研究。主要研究内容包括：(1)粒子群优化算法的收敛性与路径规划的参数关系分析；(2)量子行为粒子群优化算法的收敛性与控制参数研究；(3)基于量子行为粒子群优化算法的移动机器人轨迹规划方法研究；(4)基于自然选择方法的量子行为粒子群优化算法的改进与其在移动机器人路径规划中应用研究；(5)基于混合改进的量子行为粒子群优化算法的移动机器人路径规划方法研究；(6)在随机出现障碍物环境下移动机器人的实时轨迹规划方法研究。首先,通过将标准粒子群优化算法(Particle Swarm Optimization, PSO)的进化方程为一个二阶非齐差分方程,研究了PSO算法在群体状态空间的收敛特性,并证明了PSO算法的基本参数收敛性和初始群体分布有关。其次,建立了基于PSO算法和坐标结合法的路径规划方法,对于几种改进的PSO算法在初始均匀分布和初始正态分布下得到了参数的收敛可行区域,在不同的初始分布下进行基于几种改进的PSO算法的路径规划仿真实验,仿真实验结果表明了提出的路径规划方法具有良好的有效性。随后,针对量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization, QPSO)的优越性,将QPSO算法的收敛性与改进方法进行分析,给出了QPSO算法的控制参数的选择策略,仿真实验结果提供了良好的参数范围。同时,提出了一种基于QPSO的移动机器人路径规划方法,并分析了均匀分布和正态分布时路径规划的基本参数关系与收敛区域。研究了基于QPSO算法和运动学的移动机器人轨迹规划方法,采用移动机器人平台进行轨迹跟踪控制实验。仿真实验结果表明,与基于QPSO算法的移动机器人路径规划和轨迹规划结果相比,基于QPSO算法的轨迹规划方法生产的轨迹能够有效地实现更好的轨迹跟踪。为了进一步提高QPSO算法的全局收敛性的鲁棒性,给出了一种基于自然选择方法的量子行为粒子群优化算法(SelQPSO)的设计思路,并提出了SelQPSO算法的计算机制,通过对几种标准测试函数的求解发现改进算法的全局求解能力和鲁棒性得到了提升。此外,还将SelQPSO算法应用于移动机器人路径规划问题,提出了在初始均匀分布和正态分布下移动机器人路径规划的基本参数评估方法,在不同的维度条件下比较了QPSO算法和SelQPSO算法的收敛速度与精确度。仿真实验结果表明基于SelQPSO算法和基本参数评估方法的移动机器人路径规划方法比QPSO算法具有更好的鲁棒性和可靠性。再次,通过将个体粒子进化率、群体离散度和自然选择方法引入QPSO算法的进化过程中,提出了一种混合改进的量子行为粒子群优化算法,称为LTQPSO算法。选用几个常用的标准测试函数对LTQPSO算法的性能进行了测试,将其与QPSO算法、WQPSO算法和IQPSOS算法的性能作了比较。仿真实验结果显示了LTQPSO算法的高效性以及与其他算法相比的优越性。此外,提出了基于LTQPSO算法的移动机器人路径规划方法,对于初始均匀分布和初始正态分布建立了基本参数的一元线性回归方程。通过仿真实验比较了QPSO算法、WQPSO算法和IQPSOS算法与LTQPSO算法的性能,仿真实验结果表明,基于LTQPSO算法的移动机器人路径规划方法比其他几种算法更优。最后,针对在随机障碍物出现的环境下移动机器人的实时轨迹规划问题,以提出的改进的QPSO算法和基本参数评估方程为基础,开发了移动机器人的实时轨迹规划系统,通过在一种复杂环境和实验室环境下移动机器人平台的实时轨迹规划仿真实验与行驶实验,验证了提出的移动机器人实时轨迹规划方法和开发的控制系统的有效性与可用性。