路径规划研究是机器人智能化研究的一个重要的研究方向,路径规划研究主要目的是搜索一条可行路径,使得机器人可以在一个复杂的环境中沿着搜索到的路径行走,并且在行走过程中机器人不会与环境中物体发生碰撞,搜索到的路径还需要尽量的短。路径规划方法根据不同的搜索范围和搜索能力基本上可以分为局部路径规划方法和全局路径规划方法,一般来说,局部路径搜索方法具有计算简单、易于实现的特点,但是这类局部搜索算法存在容易陷入局部极值点的缺点,不利于优化问题寻优;而全局路径规划算法一般具有自适应、自学习和全局收敛的优点,而且具有一定的冗余性和鲁棒性。两种算法中比较有代表性的有基于势场理论的人工势场路径规划方法和模拟自然界生物进化规则的遗传算法路径规划方法。遗传算法在优化问题解决中具有并行计算能力和自适应性,而且算法有较优秀的鲁棒性和全局收敛性优点。但是,在问题的搜索过程存在极大的随机性和盲目性,同时还存在局部搜索能力差、搜索速度慢等问题。所以,在本文中针对遗传算法所具有的特点,把人工势场算法与遗传算法相结合,将人工势场算法的局部寻优能力和实时性强的特点应用到传统遗传算法中,对标准遗传算法进行改进和优化,可以提升遗传算法的局部搜索性能,加快收敛速度,提高算法解决优化问题的能力。本文中的改进算法结合了两种算法的特点和路径规划问题的特殊性,以遗传算法为框架,将人工势场算法结合到遗传算法中的交叉算子中,改进交叉算子的寻优性能,而且将势场地图中包含的地图信息应用到遗传算法的搜索过程中,提高遗传算法的局部寻优能力和全局收敛效率;加入路径点的漂移操作,提高种群初始化和变异操作的效率;采用动态参数设定,使算法在搜索过程中达到交叉能力和变异能力的平衡性,使得算法在传递较优个体的同时又有种群多样性,使算法获得较好的优化问题的全局寻优能力。