本文针对智能计算在移动机器人路径规划问题中的应用进行探讨。分析和总结了该领域现有算法之间的区别以及它们各自的不足，并根据这些不足提出了相应的改进算法。通过计算机仿真实验验证了这些改进型算法的有效性和相对与原算法的性能提高。根据这些内容出现的先后顺序，本文工作摘要如下： 1．移动机器人路径规划与智能计算综述 论述移动机器人路径规划的发展历史与研究现状，对现有的路径规划算法作出分类。介绍智能计算在移动机器人路径规划中应用。以标准遗传算法和蚁群算法分别作为进化计算和群集智能的代表，描述了它们的基本原理与框架。并以伪代码的形式给出了标准遗传算法和求解TSP问题的蚁群算法的算法流程。 2．遗传算法在移动机器人路径规划中的应用与改进 介绍遗传算法应用于机器人路径规划问题的研究现状，分析现有算法存在的不足，并针对这些不足之处提出改进型遗传算法。根据环境模型的不同，分为连续空间下的改进型遗传算法和栅格模型下的改进型遗传算法。在连续空间下的改进型算法中，通过矢量染色体编码实现了算法搜索空间和机器人运动空间的同一，进而使得地图建模过程可以省略。同时，以矢量染色体编码作为基础，对遗传算子的设计进行优化，提出了考虑交叉点位置优化的多点交叉算子、将障碍物分布信息作为约束条件的变异算子、以及考虑操作位置优化的插入算子和删除算子。在栅格模型中，本文引入了离散化的矢量染色体编码方案，使得栅格模型下的染色体表示和连续空间下的染色体表示具有了统一性，从而连续空间下的改进型遗传算子可以继续使用于栅格模型下。通过这些改进型遗传算子的使用，算法的进化效率显著提高。计算机仿真结果证明了改进型算法的性能优势。 3．蚁群算法在移动机器人路径规划中的应用与改进 介绍蚁群算法应用于机器人路径规划问题的研究现状，分析存在的不足之处，并针对采用旋转栅格模型的蚁群算法提出改进。通过引入反向运动机制、双向信息素记录、信息素节点分布方式、节点访问记录、能见度信息分段化处理、附加信息素机制等措施，成功的扩展了以该模型为基础的蚁群算法在路径规划问题中的应用范围。改进型蚁群算法的有效性及其相对于非改进型算法的优势在仿真实验中证实。