现阶段对于多Agent系统的研究已经能够成功应用于实际生活中的很多领域,而路径规划技术是其研究的关键问题之一,对此研究者也提出了很多解决多Agent路径规划的方法。但是在实际生活应用中,多Agent往往是处在动态环境中的,Agent对周围环境的信息掌握的也是有限的,对于动态障碍物的位置也是未知的,因此就需要使用有效的算法来为多Agent规划出有效的路径,从而使Agent能够在安全无碰的情况下快速找到从起点到终点的最短路径。另外,路径规划过程中对于多Agent之间的碰撞问题也是不可忽略的。针对多Agent在动态环境下的路径规划中所存在的问题,本文主要在原始蚁群算法上作出了相应的改进,另外结合博弈论方法来解决路径规划过程中的多Agent之间的碰撞性问题。所做主要工作如下:(1)首先在多Agent进行路径搜索的前期需要根据其掌握的周围环境信息进行环境建模,对环境建模方法进行优劣对比,选择简单的栅格法对环境信息进行处理并建立多Agent运行的二维环境地图,为后面路径规划算法的实施奠定了基础。(2)利用蚁群算法来为每个Agent规划出全局有效的路径,但是对于蚁群算法中存在的如收敛速度慢和易于陷入局部最优等的缺点,本文作出了以下对蚁群算法的两种方式的改进方法,第一种方法为:首先在原始蚁群算法中引入反向学习方法来对蚂蚁位置进行初始化分布,增加了算法的全局搜索能力;其次利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;最后为了加快算法的迭代速度本文采用对信息素挥发因子值进行自适应的调节。第二种方法为:首先使信息素强度值自适应变化;其次以信息素每轮更新结束后所有的信息素平均值为基准引入信息素缩减因子,从而加快算法的迭代速度;最后利用烟花算法中的爆炸算子来解决死锁问题,从而扩大蚂蚁的搜索范围,快速找到下一步的路径,避免陷入死锁。通过在Matlab中实验进行验证了所提方法的有效性,实验结果表明,改进的蚁群算法明显克服了传统蚁群算法的如收敛速度慢、容易陷入局部最优的缺点。(3)在多Agent路径规划过程中,Agent在行走过程中难免会遇到如静态、动态的障碍物,对于动态环境下的多Agent的路径规划问题,Agent会存在动态避障,本文主要是解决Agent之间的动态避障问题。具体方法为,如果Agent之间存在碰撞,即利用博弈论来为多Agent之间构建动态的避障模型,并且针对博弈的求解问题和多Nash均衡的选择问题采用虚拟行动法来解决,从而确保每个Agent能够快速学习到最优的Nash均衡,最终,算法能够最大限度地发挥整体利益,并成功避开障碍。Matlab仿真实验结果表明所提的方法能够减少Agent路径规划的从起点到终点的路径长度并且提高了收敛速度。