多机器人成功的探索未知环境，将未知环境中的问题转换到已知环境中来解决，给出全局最优方案，是多机器人完成之后任务的首要前提。本文通过研究粒子群智能算法（PSO）进行路径规划，但粒子群算法本身存在一些缺陷，影响到了路径规划计算的可靠性和效率，因此本文选择引入几种已有的改进后的粒子群算法，比较它们的优缺点，选择一种应用到多机器人系统中。最后本文介绍了一种即时定位与地图构建（SLAM）方法来进行多机器人的自主探索未知环境，从而使多机器人能够有效的执行对未知环境探索的任务，提高执行任务能力和效率，推动各行业的加速前进，加快社会发展的步伐。 

1。2 论文的研究内容和结构

本文的章节内容如下：

第一章简单介绍了多机器人的研究背景以及研究它的目的与意义。

第二章简单介绍了多机器人的发展、优势及其应用。

第三章详细介绍了粒子群智能算法，引入介绍了几种改进后的粒子群智能算法进行分析研究，并简述他们的优缺点。

第四章详细介绍即时定位与地图构建（SLAM）方法，来使多机器人能够自主的探索未知环境和制图。

最后进行本文的总结，并展望多机器人未来的发展。文献综述

2 多机器人系统

2。1 多机器人系统的发展

2。2 多机器人系统的优势

2。3 多机器人系统的应用领域

3 智能算法

3。1 智能算法简介

大自然的神奇，以至于它到现在都有很多人类所无法解释的现象。在人类发展的过程中，人类不断的向大自然学习，仿生学就是人类受到了大自然规律的启发研究出的科学创造，通过模拟自然的过程被提出来解决问题的算法就是智能算法。现在已经有很多智能算法被研究出来运用在一些复杂的工程问题中，包括神经网络算法、遗传算法、模拟退火算法、粒子群算法和禁忌搜索算法等等。

3。2 粒子群算法的基本思想

当前，常被用来当作路径规划的智能算法主要有神经网络法，模拟退火法，禁忌搜索算法，粒子群优化算法（PSO）等等。在这之中，粒子群优化算法算法又因其搜索速度快，算法简单，效率高等特点，倍受关注，并成功运用到各种复杂工程中去解决问题。

20世纪末，Eberhart博士和kennedy博士通过研究鸟群捕食的行为提出粒子群智能算法[1]。粒子群算法通过研究学习自然界鸟群群体活动时的规律，提出群体间分享信息的模型，以来达到全局最优解。

粒子群智能算法就是通过自然界鸟群运动规律启发去模仿其原理提出的寻找最优解算法。在粒子群智能算法中，可以用d维搜索空间中的某一个点来指定一个优化问题的解，这个点就使“粒子”。每个粒子的适应值是由目标函数所决定的，每个粒子的飞翔的方向和距离和每个粒子的速度有关系，接着每个粒子在解空间里寻找当前最优的一个粒子并紧紧跟随。专家研究鸟群活动发现，个体鸟只追随它相邻的鸟，从而通过简单的信息交换完成复杂的群体活动。即通过简单规则的相互作用就能完成复杂的全局活动。来,自,优.尔:论;文*网www.youerw.com +QQ752018766-

类似于遗传算法，粒子群智能算法也是通过不断地迭代来寻找最优解。一开始假设给定一组随机的解，然后通过不断的迭代直到得到最优解。但粒子群算法和遗传算法还是有一些不同之处，比如粒子群算法并不具备遗传算法的变异，交叉的特性，而是通过每个粒子追随最优的粒子来达到最优解。总体来说，粒子群算法拥有简单容易实现，收敛速度快等特点。目前已广泛应用于一些复杂工程问题的求解。