近年来,随着大数据等科技的急速发展,人工智能已迎来了发展拐点。人工智能将会成为在未来二十年中全球最关键的科技,并且成为机器人,无人机、智能陪伴等新兴产业的重要基础。与此同时作为人工智能的一个分支,机器学习的进步又将进一步推动人工智能的发展。我们开始越来越相信人工智能可以让人类的生活更加美好。在人工智能与机器学习背景下的机器人可以自己组织形成群体来执行复杂的任务的表现行为已经引起了学术界的广泛关注,在这个群体中,每一个机器人可以自由的和其他任意机器人形成群体来交换信息。九十年代初期群智能算法第一次被提出,自此之后,许多各种各样的群智能算法被提出,越来越完善的智能算法被用来更好的控制机器人群体,但却很少有研究致力于描述不同的群智能算法以及评估他们在机器人群学习中的表现,以选择更适合的群智能优化算法来应用于不同的机器人群体。Webots可移动机器人仿真模拟系统可用来建立模型、编写程序和模拟仿真。在Webots中可以使用六种编程语言在三维仿真界面观看与运行仿真模拟程序,具有环境创建易于操作,仿真效果逼真,编译语言直接熟悉等优点,在研究机器人或机器人群体行为活动中有非常突出的表现,但是目前国内在Webots系统中解决通过编译控制器完成复杂任务的研究寥寥无几。针对上述问题,本文的研究主要包括以下内容:首先根据不同群智能算法的不同学习策略选择三个具有代表性的群智能算法:具有无经验学习能力和社会学习能力的蝙蝠算法、具有自我认知学习能力和社会学系能力的粒子群优化算法和只具有社会学习能力的灰狼优化算法,并总结归纳出群智能算法的流程以及应用领域。针对他们易早熟和出现局部最优的问题,本文在个体更新环节加入了差分进化算法,以提高个体的差异性,保证全局搜索能力。之后在Webots可移动机器人模拟仿真系统中应用Khepera III机器人,通过对控件和参数的添加修改完成了模拟仿真环境的创建。并根据机器人躲避障碍物的行为特点:以最快的直线速度和最少的转弯程度保持与障碍物尽可能远的距离,建立了适合群智能算法求解的模拟仿真数学模型。利用机器人控制器和监控器之间可以信息交互的系统特点,通过编译基于人工神经网络的机器人控制器和监控器,将模型的求解问题转化成为空间搜索最大目标函数问题。最后针对不同群智能算法在机器人群体学习避障行为问题中不同环境下表现不同的问题,设计了27组不同的实验,对实验结果进行如下数据分析:1)三种群智能算法的优化过程与优化结果的比较分析;2)三种群智能算法在不同参数设置下表现结果的比较分析;3)每种算法在不同的NR下表现结果的比较分析;4)每种算法在不同的CR下表现结果的比较分析。通过箱形图的分组比较以及t-检验统计的验证得到了以下研究结果:1)与BA算法和GWO算法相比,在解决智能群体通过学习获得躲避障碍行为的问题中,可优先考虑表现相对突出的PSO算法,例如应用在扫地机器人避障问题中;2)当智能群体的数量很多并且交流范围很大的时候,可以应用GWO算法,例如应用在机器人足球比赛问题中。3)只具有社会学习能力的群智能算法,如GWO算法,提高社会学习能力一定会带来更优的结果,但是具备不同学习能力的群智能算法,如BA算法和PSO算法,提高社会学习能力不一定会提高优化结果。