路径规划是移动机器人研究领域的重要组成部分,是移动机器人完成复杂任务的前提。本文在对经典蚁群算法改进的基础上引入了改进人工势场法,将两种优化算法融合起来,提高复杂环境下移动机器人路径规划的效率。本文的主要研究内容如下:首先,从初始信息素分布、转移概率以及全局信息素更新三个方面对经典蚁群算法进行改进:初始信息素分布考虑了栅格地图内的节点距离起始点和目标点连线的距离,距离中间连线越近,初始信息素浓度相对越高,解决了蚁群算法运行初期搜索盲目的问题;考虑到下一个可行节点的危险度,对蚂蚁的转移概率进行调整,降低了蚁群算法陷入局部最优的可能性;在全局信息素更新方面,对最差路径上的蚂蚁进行“惩罚”,减少其释放的信息素,增加最优路径上蚂蚁释放的信息素,而且全局信息素更新考虑了路径节点的危险度,提高算法收敛速度的同时,防止算法陷入局部最优;其次,对经典人工势场法中存在的目标不可达问题进行改进,在不增加斥力的前提下,考虑当前位置到目标点的距离来对传统的斥力函数进行调整;最后,为了提高复杂环境下路径规划的效率,提出一种由改进蚁群算法和改进人工势场法组合而成的融合优化算法,融合方法如下:采用改进蚁群算法获取静态环境下全局最优路径,然后将最优路径拐点作为改进人工势场法的子目标点进行局部路径规划。使用Matlab2016b进行仿真时,通过添加障碍物提高环境复杂性,将融合优化算法和改进蚁群算法进行对比,验证了融合优化算法的高效性。