科技水平的提高,推动了机器人产业的蓬勃发展,移动机器人获得了普遍关注,被应用到了多个领域,机器人路径规划随之成为了研究的热点。近年来,学者们提出了许多方法来解决机器人路径规划问题,蚁群算法便是其中之一。然而,在求解大规模优化问题时,蚁群算法的性能有所不足。因此,本文以经典蚁群算法理论为基础,分别提出了单种群和多种群的改良思路;然后以旅行商问题为例,分析了算法的性能;最后将改进算法应用于机器人路径规划中,验证其在实际应用中的可行性。本文研究的主要内容如下:首先,针对算法收敛性和多样性之间的矛盾,提出了一种动态分级的双蚁态蚁群算法。算法中,首先根据适应度将蚁群划分为寻优蚁和侦查蚁两种形态分工合作,平衡了算法的收敛性和多样性。然后,利用优良解交换策略,提高了解的质量。最后,以旅行商问题为例分析了算法的性能,并与经典蚁群算法、最新蚁群改进算法以及其他优化算法对比,其结果表现皆更优。其次,针对蚁群算法求解大规模问题时性能不足的问题,又提出了一种基于动态评价奖励机制和自适应交流策略的多种群蚁群算法。首先,将动态分级的双蚁态蚁群算法与蚁群系统（Ant Colony System,ACS）以及最大-最小蚂蚁系统（Max-Min Ant System,MMAS）相结合构成异构多种群。然后,提出了一种动态评价奖励机制,加快了算法的收敛速度。此外,种群间还提出了一种自适应交流策略来避免算法陷入停滞,提高了算法的求解精度。最后,实验结果表明,算法具有良好的收敛性和多样性,且在解决大规模TSP问题时,求解稳定性较高。接着,为了加强算法的引导作用和种群间的信息交流,还提出了一种基于自适应引导机制协同进化的多种群蚁群算法。首先,算法中提出了一种自适应引导机制,既有效的改善了算法的收敛性,又避免了陷入局部最优。其次,提出了一种基于博弈模型的种间协同进化机制,利用博弈模型收益最大化的思想,为每个子种群动态地选择最佳的交流策略来平衡种群间的多样性,从而提高算法的求解精度。最后,通过实验表明,算法具有良好的收敛性和跳出局部最优的能力,寻优性能进一步提升。最后,将改进算法应用于机器人路径规划中来验证算法的可行性。实验表明,改进算法在仿真实验和真实场景的应用中均是可行有效的,且与经典蚁群算法相比,其路径规划的能力更优。