最有价值球员算法(MVPA)是模拟球员组成运动队进行比赛而提出的一种新的启发式优化算法,该算法通过球员之间的个人竞争和团体竞争进行技能交互,改善个体适应度值,进而取得最优解。虽该算法易操作、控制参数少、稳定性较好,但也存在收敛速度慢、后期搜索迟滞等。本论文一方面对MVPA算法进行改进;另一方面将改进后的MVPA算法应用于机器人路径问题。机器人路径规划问题是机器人导航研究的重点,是对机器人导航需要解决的首要问题,用改进的MVPA算法来解决机器人路径问题具有一定的现实意义。本文的主要研究成果如下:(1)提出基于混合精英策略和单纯形的最有价值球员算法。精英反向策略提高算法的开采能力,单纯形用于增强局部搜索能力。实验结果表明,改进后的算法收敛速度快且不易陷入局部最优,并将改进的算法求解函数优化问题。实验结果表明,改进后的算法能更快收敛,不易陷入局部最优,并将改进的算法应用在压缩弹簧设计问题上。(2)提出一种混合教与学算法的两阶段训练最有价值球员算法,将改进的最有价值球员算法用于求解函数优化问题。(3)将两阶段最有价值球员算法应用于求解机器人路径规划问题,利用Voronoi图构建障碍物质点图,用4种优化算法评估路径,单位空间内设置不同的障碍物来对比每个算法需要的时间代价。