机器人正逐渐地走进我们，并将深远的影响人们的生活。其中，路径规划技术是移动机器人完成任务的关键技术，复杂的环境和人们的期望对该技术提出了更高的要求。智能优化算法在路径规划中的应用有其独特的优势，更能适应多变的环境，更像人一样进行决策。遗传算法对于所解的优化问题没有太多限制，可以灵活的处理问题，善于解决复杂问题和非线性问题，具有良好的隐含并行性和全局搜索能力。在移动机器人路径规划中得到了广泛的重视，并取得了一系列的成果。但是遗传算法往往出现早熟和收敛耗时较长的缺点。本文将应用基于案例推理方法对遗传算法进行优化，尝试在动态环境中应用，主要研究内容如下所示。基于案例推理方法储存了过去大量的案例，拥有很多经验，能够为遗传算法提供与当前问题相似的案例，改善初始群体，加速收敛过程。在进化过程中，基于案例推理方法对其进行保优操作，避免最优解的流失，促进收敛到全局最优解。在动态环境中，通过周期的注入与环境匹配的案例，诱导遗传算法进行有偏重的搜索，达到最优解，避免过早收敛。迅速的适应环境变化，快速寻找到可行路径。进化的过程也是案例修正的过程，将得到的最优解再储存到案例库中，从而更新案例库并指导今后问题的解决。受多级决策问题的启发，引入对搜索所得个体的再次优化策略，消除了一些因环境建模和个体编码造成的限制。在简单和复杂的静态环境中，对遗传算法和基于案例推理与遗传算法融合的方法进行了仿真比较，该融合算法表现出了优越性，加快了收敛速度，有效地避免了早熟。运用融合算法在动态环境中进行路径规划的尝试，取得了不错的效果。