机器人路径规划问题是机器人研究领域的重要内容,是机器人完成任务的安全保障及智能化程度的重要标志之一。蚁群优化算法(Ant Colony Optimization algorithm, ACO)是由意大利学者Dorigo等人通过研究自然界蚂蚁觅食的行为,提出来的新型启发式优化算法。在复杂的优化问题方面,蚁群算法已经成为一种新的具有竞争力,并且很有发展前景的组合优化算法。本文主要研究的是全局静态环境下基于蚁群算法的机器人路径规划问题。首先,文中深入研究了蚁群算法的基本原理及数学模型。包括信息素浓度,启发因子,状态转移概率等相关知识以及应用到经典TSP问题中进行求解。其次,对蚁群算法优化机器人路径规划的问题进行了深入研究,包括对栅格法建模的研究。通过分析得出蚁群算法存在搜索速度慢,易陷入局部最优及收敛速度慢等缺点。为了克服上述的缺点,本文设计出性能更优的分组蚁群算法并应用到机器人路径规划问题中。分组蚁群算法将蚂蚁分为两组,分别放在起点和目标点上相向而行搜索路径,在一定程度上缓解了信息素叠加现象,有助于增加解的多样性。为了进一步提高分组蚁群算法的性能,针对具体的路径规划问题提出了基于多种策略的分组蚁群算法。多种策略包括复位策略、奖惩策略、最大最小策略、目标领域策略、路径交叉策略等五种策略。通过仿真实验表明,该算法性能较优,在任意复杂的工作环境中能规划出最优路径。最后,对论文的研究工作进行了总结,并提出了下一步的工作展望。