粒子群算法和蚁群算法是两种经典的群智能优化算法,自提出以来,一直为国内外众多学者所关注,当前已在各个领域的优化问题求解中得到广泛应用。但两种算法各有其局限性和适用范围。本文在对粒子群算法与蚁群算法的基本原理、算法流程和重要参数进行分析的基础上,研究将两种算法按照一定规则集成应用的方法,以取长补短,充分发挥两种算法各自的优势。本文的主要工作如下:(1)分析惯性权值和学习因子两类参数在不同取值策略下动态变化时对粒子群算法性能的影响,并进行了验证实验。实验结果表明:惯性权值主要影响标准粒子群算法的收敛速度,且惯性权值递减能显著提高算法的收敛速度;学习因子主要影响算法的寻优精度,且恰当的动态取值策略能够提高算法的寻优概率,缩小寻优波动范围。(2)改进粒子群算法,并对改进算法性能进行了理论分析和验证实验。针对粒子群算法搜索后期粒子多样性降低,寻优精度不高的缺点,本文提出了一种基于交叉变异的粒子群优化算法,通过选择适应度好的一半粒子的速度和位置矢量代替适应度差的一半粒子的速度和位置矢量,并保持适应度较差的一半粒子的个体极值不变,两两进行交叉,并以一定概率随机变异。实验结果表明:当惯性权值和学习因子均为最优常数或惯性权值为最优常数、两个学习因子动态结合时,算法的寻优精度明显提高。(3)设计基于粒子群算法和蚁群算法相结合的集成算法。通过利用粒子群算法和蚁群算法各自的优点,提出了一种将两种算法集成串联使用的算法,并采用经典TSP问题验证集成算法的有效性。集成算法中,首先利用含有交叉变异操作的粒子群算法搜索速度快的特点进行粗搜索;再将其迭代结果映射为蚁群算法的初始信息素矩阵;最后用蚁群算法进行局部搜索。实验结果表明:集成算法收敛速度快,寻优精度高,且对大规模问题优化效果明显。(4)将基于粒子群算法和蚁群算法的集成算法应用于移动机器人路径规划问题。应用方法如下:首先,采用栅格法对已知环境进行建模,并对每个栅格进行编码;再用含有交叉变异操作的粒子群算法进行全局路径规划;最后,让机器人沿着规划好的路径移动,若遇到障碍物,则采用蚁群算法进行局部路径规划,避开障碍物后,回到事先规划好的路径上。仿真实验结果表明:集成算法能够缩短路径规划长度,在处理大规模路径规划问题时,优化效果明显。综合实验表明集成算法在收敛速度方面更具优越性,且算法的寻优精度也一定的提高,具有良好的实用性。