近年来随着人工智能带来的大热潮,机器人技术也随之不断向更高的台阶迈进。无人机、家用型扫地机器人等愈发频繁的走进我们日常的生活,机器人也变得越来越普遍。机器人完成动作指令离不开路径规划,它是机器人技术领域的重要研究分支。路径规划问题简单来说就是从起始点到终点之间寻找一条存在的路线,这条路线需要满足一些预设的标准,比如路程最短,所需时间最短,安全性可靠,以及线路平滑度等,针对不同的问题也有不一样预设标准。本文主要研究用混合算法来解决该问题。先通过讲述与机器人相关的一些背景知识和本课题研究的意义。再呈现了路径规划方法的分类以及现状和发展趋势,简要提及了混合算法的一些理论与启示。先使用两种智能仿生学算法即遗传算法和蚁群算法,各自单独的解决静态环境下移动机器人的路径规划问题。在此之前也对这两种算法的原理,基本步骤,参数影响等进行了简单的介绍。再建立移动机器人工作的环境模型,对环境设置不一样的复杂度。最后将两种算法规划的结果进行比较,分析各自的性能特点。确定两种算法的优势和局限性之后,可以适当进行改进,为下一步融合做准备。再用混合算法在静态环境中解决该问题。蚁群算法的优势是收敛速度快和搜索能力较强。不足之处便是搜索初期信息素被初始化时,搜索目的不强,影响效率。随着问题规模增加,也易陷入局部最优。先对它进行改进,然后与遗传算法有效的融合,形成新的IACO-GA混合算法,在静态环境中对移动机器人进行路径规划。最后用另一种混合算法在动态环境中求解该问题。蚁群算法和遗传算法都是全局规划算法,两者混合后形成的算法不适合应用于动态环境中。而人工势场法是常见的局部规划算法,优点是描述简便,生成路径平滑安全等,但不足之处是易陷入局部最小值,还存在目标不可达问题。将全局规划算法(蚁群算法)与局部规划算法(人工势场法)结合,并在动态环境中求解该问题。首先还是改进蚁群算法的不足,同时改进人工势场法的不足,之后再有效结合,在动态环境中根据不同的条件驱动不同的算法解决问题。