移动机器人在复杂动态环境中的自主导航仍面临路径规划不稳定、全局最优性不足与动态避障能力有限等问题。为此，本文构建融合强化学习与群智能算法的协同优化框架，通过粒子群算法实现策略网络参数初始化与搜索引导，通过蚁群算法提供全局参考路径，并以强化学习完成局部实时决策与动态避障。二者通过奖励设计与搜索空间反馈实现双向耦合。实验结果表明，该方法在路径长度、规划效率、避障成功率与策略稳定性方面均显著优于单一算法，尤其在动态障碍环境中展现出更强的鲁棒性与适应能力，为移动机器人自主导航提供了一种高效可扩展的优化策略。

移动机器人；自主导航；强化学习；群智能算法；路径规划

[1]康亮,杜奕,尹丽华.一种面向异质多移动机器人的改进猫群算法[J].系统仿真学报,2024,36(08):1958-1968.

[2]董琳.基于群智能算法的移动机器人室内定位及路径规划方法研究[D].山东大学,2023.

[3]杜映峰,陈万米,范彬彬.群智能算法在路径规划中的研究及应用[J].电子测量技术,2016,39(11):65-70.

[4]江岩.基于群智能算法的移动机器人路径规划研究[D].安徽工程大学,2020.

[5]于诗茵.改进的鸡群优化算法及其应用研究[D].北方民族大学,2025.

[6]沈汝涵.基于群智能优化算法的管道辅助检测研究[D].安徽理工大学,2023.

[7]张晨.基于群智能算法的移动机器人导航系统设计及应用[D].上海工程技术大学,2016.

[8]莫定界,赵杰,凌港,等.混合粒子群与改进灰狼算法的移动机器人路径规划[J].软件导刊,2025,24(07):54-60.