近些年，随着人工智能的发展，机器人在现代生活中的应用越来越广泛（例如工业、农业、医疗、航空航天等方面）。而路径优化则是机器人实施各种操作最基本的环节，其本质是在充满障碍物的环境中，按照一定的技术指标（例如：路径最短，时间最少，花费最小等），找到一条满足特定技术指标的从起点到终点和障碍物之间无碰撞的路径。本课题主要从以下几个方面来讨论该问题：(1)优化环境的选择：通常情况下，路径优化环境状态通常分为静态环境和动态环境，静态环境一般是指障碍物不随着时间的变化而变化，而动态环境则是指障碍物随着时间的变化而变化。本课题是从基础出发，选择静态环境作为研究背景，研究该状态下路径优化的一般过程。(2)问题的处理：路径优化问题通常涉及的优化指标并不仅仅只有一个，在本课题中主要考虑安全性指标和路径最短指标。这两个优化指标可以整体作为单目标来处理，此时用总的惩罚函数来对该问题进行评价。在前期的工作中主要使用静态惩罚函数，而后期在克服静态惩罚函数缺点的基础上用动态函数对问题进行阐述。另一方面，由于评价指标的非单一性，可以应用多目标优化来处理该问题。由于最短路径、路径安全性这两个指标是相互矛盾并且不能同时满足的，那么就需要一些方法来满足不同使用者的需求，因此在本课题后期工作中把这些优化指标看成多目标问题。多目标优化能够实现同时对多个目标的优化，并对这些目标进行协调，设计者选择的算法每运行一次都会产生一组Pareto最优解，使用者可以根据自己对优化指标的要求来选择合适的解。(3)曲线的选择：在路径优化中确保产生路径的光滑性是机器人导航过程中至关重要的条件。目前，大多数的研究者致力于寻找最短路径、最小时间花费的路径、最安全的路径等，但这些条件往往会使产生的路径不连续或者不光滑等，因此寻找合适的曲线来描述路径具有很重要的意义。用于描述路径的曲线有多种，例如：Bezier曲线、Ferguson曲线、3曲线等，本课题用Bezier曲线、Ferguson曲线和3曲线进行比较，通过不同曲线在路径优化中的应用，得出比较适合问题的曲线，以在之后的应用中用该曲线来描述路径。(4)路径优化的方法：路径规划的方法有多种，传统的方法有栅格法、人工势场法等。近些年来，启发式算法、人工智能算法等逐渐应用到路径规划中。粒子群优化算法由于其具有个体数目少、计算简单、全局寻优能力强、收敛速度快、鲁棒性好等特点，在各类多维连续空间优化问题上均取得非常好的效果。为了克服标准粒子群优化算法存在的缺点，本课题提出一种改进粒子群优化算法—动态多组群粒子群优化算法(DMS-PSO)的移动机器人路径规划方法。