随着人工智能的兴起和机器学习的快速发展,越来越多的科学研究人员关注于路径规划模型及其相关应用。环境的多样性和差异性都给路径规划模型最优算法的选择提出了复杂的挑战,也成为了这个领域的热点性问题。因此,本文针对不同的路径规划环境模型提出一种自适应的混合算法。主要工作如下:(一)针对静态规划,采用聚类融合交叉粒子群的算法对其进行分析解决。根据环境模型快速产生初始种群,并运用K-Means进行分类分区,减少运算成本;通过加入交叉?变异算子来提高种群信息的多样性;通过自适应权重变化,避免粒子群算法陷入早熟;数值实验证明了该算法在静态规划模型中的有效性。(二)针对动态规划,提出了一种粒子群融合多元自适应Dyna-Q值调整算法。在算法Q-值更新步骤中加入松弛因子提升算法效率,并给予了收敛证明;通过结合多智能体的思想和Dyna架构,提高算法收敛速度;对已有信息构建虚拟模型,并在其中应用静态规划算法,充分发挥粒子群算法和Q-学习算法的优势。经过大量实验证明,混合后的算法在求解精度?收敛速度等方面均有显著改善,也对今后复杂路径规划任务的完成具有重要意义。