智能移动机器人的路径规划问题是近年来的研究焦点,路经规划的方法也犹如雨后春笋一般层出不穷。本文详细分析了现有的路径规划方法,发现群体智能算法可以更好地解决移动机器人在复杂危险环境下的路径规划问题,证明了群体智能算法对移动机器人路径规划技术的发展有着重要的影响。狼群算法是群体智能优化算法中被广泛应用的算法之一,具有精确度较高、收敛速度快、更容易实现等特点,并且在实际生产实践问题中已有良好的优化效果,因此本文选择狼群算法优化智能移动机器人的路径规划问题。本文阐述了狼群算法研究背景和研究现状,从算法的原理、算法结构和算法特点三个方面深入细致地研究了狼群算法,并总结出狼群算法普遍存在的不足。另外,通过仿真测验分析了算法中部分参数对狼群算法寻优能力的影响,并依据相关文献归纳参数设置原则。为了改进狼群算法中存在的未成熟收敛、最优解精度偏低、种群更新随机性较大和易滞留在局部最优等不足,本文提出了一种基于遗传算法的混沌狼群算法（Chaos wolf pack algorithm based on genetic algorithm,GA-CWPA）。在GA-CWPA算法中,将狼群算法的固定游走步长改为随迭代增加线性变化的自适应游走步长,在公式中添加的相位因子可以提高探狼游走时的灵活性,更有效率地搜寻解空间;在围攻行为后加入混沌搜索策略,利用基于逻辑自映射函数产生的混沌序列进行混沌搜索,能帮助算法逃离局部最优,提升算法寻优性能和收敛速度;利用遗传算法中交叉操作和变异操作,改进新个体产生的方式,提高种群中新加入的个体的质量,引导狼群向收敛的方向进化。为了验证GA-CWPA算法的性能,本文选用六种标准测试函数进行仿真对比测验,其结果表明:GA-CWPA算法在低维或高维环境下,测试函数是单模态或多模态,它的稳定性、鲁棒性、收敛速度及逃脱局部最优能力都有显著的提升,尤其在高维复杂函数的求解中GA-CWPA算法有明显的优势。说明了混沌搜索策略的引入,使狼群算法具有较好的逃脱局部最优的能力,提高了算法对解空间的开拓率,避免出现未成熟收敛现象;遗传操作引入使狼群算法进行种群更新后能保证种群多样性的同时提高狼群中新产生的人工狼的质量,进而增强了算法的搜寻效率,使算法的收敛速率加快,其中的变异操作还加强了狼群算法的扰动性,进一步提高算法逃脱局部极值的能力。本文将GA-CWPA算法应用于智能移动机器人的路径规划问题,选择栅格法建立一个起点终点已知、障碍物分布情况明确且固定不变的环境模型,通过对比仿真测验得到机器人的移动路径,测验数据表明GA-CWPA算法得到的路径距离更短、路径较为平滑且耗时少,证明GA-CWPA算法在路径规划问题中的有良好的优化性能。