在2020年的全球面临的疫情中,一个令人惊讶的事情是机器人的应用。实际上,机器人已经代替人类做了很多繁杂且有危险的工作。研究机器人最关键的技术是路径规划。如何针对路径规划中的NP问题,提高智能优化算法的性能并有效应用于诸如移动机器人这样的领域是一个备受关注的课题。本文的研究围绕这一课题展开,主要内容包括两部分:第一部分针对多陷阱的复杂环境,研究如何改进基本蚁群算法并提高算法性能等相关问题。具体地,针对多陷阱的复杂环境,提出模糊矩阵表示信号强度,计算出每个位置遇到障碍的概率,根据标度意义选择适当的模糊比例。针对基本蚁群算法中的局部最优、收敛缓慢两大问题,本文提出多维信息素更新方式,首先对于路径长度和陷阱率的限制,局部更新信息素,然后对于耗能率的控制,全局更新信息素。最后,将基本蚁群算法和改进蚁群算法都应用在同样二维多陷阱复杂环境的地图中,通过路线图对比,发现改进蚁群算法得到的路线较优。从所需蚂蚁数量、耗能大小以及收敛次数看,改进蚁群算法都比较小。第二部分针对三维环境,研究如何改进基本深度Q网络算法并提高算法性能等相关问题。具体地,首先说明基本深度Q网络算法中的过估计问题,然后针对过估计问题提出改进策略,为了增大最优值和次优值的差距,定义变更函数。最后将基本深度Q网络算法和改进深度Q网络算法都应用在同一个三维环境的地图中,通过路线图对比,说明改进深度Q网络算法得到的路线更优。从奖励值收敛图、损失函数值收敛图和所需步数收敛图可见,改进深度Q网络算法得到的结果更佳。