移动机器人技术的不断发展,不但能够提高自动化效率,节约生产成本,还能够代替人类去人所不及的环境中完成高风险的工作,在军事、农业、工业等多个领域具有重要意义。路径规划技术作为其重要的一个研究方向,深受国内外研究者的关注,它是移动机器人准确无误从起点到规定目标点完成任务的保障。本文以经典群智能算法中的蚁群算法为研究对象,重点解决其收敛性和多样性之间的矛盾,并将其应用到路径规划任务中。本文的主要工作如下:首先,针对蚁群算法收敛速度慢,容易陷入局部最优的问题,提出了一种基于聚度的自适应动态混沌蚁群算法(DBACS)。在迭代前期利用聚度来衡量解的多样性,自适应调节局部信息素分布,同时引入混沌算子来增加种群多样性,避免算法陷入局部最优,从而提高解的精度;在迭代后期去掉混沌算子,减少混沌扰动性,来提高算法的收敛速度。将DBACS用于旅行商问题(Traveling salesman Problem,TSP)问题,仿真结果表明,本算法较传统蚁群算法减少了搜索时间,并且提高了解的质量,其平衡了多样性与收敛性之间的矛盾,整体性能优于其他两种算法。其次,为了进一步提升种群多样性和收敛速度,提出了一种基于奖惩机制的多种群蚁群算法(PMCACS)。该算法通过奖惩机制控制各种群全局信息素的更新,增加种群的多样性。同时,提出了信息素融合的多种群交互方法,并利用相对熵和信息熵控制交互对象和交互频率,从而提升算法的搜索能力,并促进算法的快速收敛。在TSP上的仿真结果表明,该算法有效地提高了收敛速度和解的质量,其性能也优于一些传统高效的多种群算法。最后,本文将改进的多种群算法PMCACS应用于路径规划问题中。验证改进的多种群蚁群算法在不同栅格环境中的效果,对比传统蚁群算法和本文算法得到的路径规划图以及收敛曲线图,结果表明本文算法具有更好的性能。利用Turnlebot2机器人扫描室内实地环境构建环境地图,验证算法在实际场景下路径规划的可行性。借助Gazebo仿真平台搭建仿真环境,设置起点以及目标点,验证仿真环境下机器人的路径规划效果。通过滚动窗口算法预判机器人可能遇到的冲突,利用MATLAB仿真平台演示避碰动态障碍物的过程,完成多机器人协调下的路径规划问题。