随着中国经济的不断发展,人们对出行的需求越来越高。日常生活中人们在不同地点间的快速移动,往往需要求助于运动规划算法。多路径规划是运动规划的主要研究内容之一,传统的路径规划算法着眼于优化一条最优路径,而多路径规划算法考虑到多条路径之间的相互影响,致力于寻找一个最优的路径集,多路径优化算法的应用可以涵盖日常生活的各种场景,如疏散路径优化问题、需求响应式公交路径优化问题等等。疏散路径优化（EPO,Evacuation Planning Optimization）问题是人群管理和灾害管理中的关键问题。考虑到疏散体的速度的动态变化,EPO问题变成了一个非确定性多项式时间困难问题。此外,由于疏散场景要求不是找到单一的疏散路线,而是需要找到多条相互限制的疏散路线,这使得疏散问题在求解空间编码和最优解搜索方面变得更具挑战性。针对上述问题,本文提出了蚁群疏散规划算法（ACEP,Ant Colony Evacuation Planner）,该算法具有新的求解策略和增量流量分配（IFA,Incremental Flow Assignment）方法。首先,ACEP算法使用整个蚁群来模拟人群在疏散过程中的行为,解决了编码困难的问题。其次,引入了一种逐步分配疏散人员比例的IFA方法,通过调整疏散体粒度的大小,IFA可以在求解质量和求解速度之间取得平衡。本文在一组不同的网络上进行了数值实验,结果表明ACEP具有良好的应用前景。需求响应式公交（DRB,Demand Responsive Bus）是一种新型公交,基于本身具有较大容量,可以兼具低成本和高灵活性的优点。公交车在站点之间的路径规划是响应式公交的关键之处,然而,目前国内仍缺乏针对响应式公交的多路径优化研究。本论文以最小化运营成本为目标,建立需求响应式公交车辆路径规划模型并提出蚁群公交规划算法（ACBP,Ant Colony Bus Planner）。与传统方法不同,ACBP将乘客分配和路线规划两个子问题同时进行优化,灵活确定公交路径总长度。此外针对需求响应式公交的长路径特征,提出新的信息素设计策略和启发式信息策略。ACBP对未来的总路径进行估计,旨在使得下一选择站点可以给后续站点的构建带来更多正确的指导信息。本文对所提算法的有效性进行了实验研究,结果表明所提算法能够提高需求响应式公交的多路径规划效果。