索算法：

（1）滚动窗口法[8]：该算法应用于全局未知环境中机器人路径规划，指在预测控制中使用滚动优化的概念，让机器人充分利用当局实时的环境信息，并以滚动窗口方式在线进行搜索路径规划，同时以一个合理的方式进行优化和反馈。其优点是机器人不需要先验知识，能通过检测实时本地信息搜索到目标点，能保证全局算法的收敛性。但缺点是当出现动态障碍物时，不能准确检测本地环境信息，导致路径规划失败。

（2）栅格法[9]：是将机器人的工作空间依据一定条件分解成若干个栅格，通过机器人身上的传感器将障碍物的信息映射到栅格上，在栅格构成的连通图上搜索一条从起始栅格到目的栅格的最优路径；缺点就是将机器人搜索路径离散化，不能准确反映搜索路径。

（3）人工势场法[10]：该算法的基本思想是将机器人在环境中的运动看作一种在虚拟人工受力场中的运动，目标点对机器人产生引力，障碍物对机器人产生斥力，引力与斥力的合力作为对机器人的控制力，从而使机器人沿势场梯度变化的方向运动，避开障碍物，到达目标位置。

（4）BSA（BulkedSegregantAnalysis）覆盖法：该方法由E。Gonzales[11]提出,它不仅考虑到完整性概念,而且有效的评估覆盖率，即使比扩展BSA更为复杂,它仍然是简单的实现,只需把一些反应规则添加到调用过程和沿墙移动过程，但是该算法对机器人目标搜索的初始位置有一定的约束。来自优I尔Y论S文C网WWw.YoueRw.com 加QQ7520~18766

（5）遗传算法（GeneticAlgorithm，GA）[12]：该算法在形式上是一种迭代方法，它是一种基于自然选择和遗传变异等生物机制的全局性概率搜索算法。遗传算法从代表问题可能存在解集的一个种群开始，由经过基因编码的一定数目的个体组成一个种群，染色体带有特征的实体表示每个个体。遗传物质的主要载体是染色体，它是多个基因的集合，其内部表现（即基因型）是某种基因组合，决定了个体的形状和外部表现。因此，一开始需要实现从表现型到基因型的映射即编码工作。因为仿照基因编码的工作很复杂，需要进行简化，如二进制编码，初代种群产生后，因适者生存和优胜劣汰，逐代演化产生出越来越好的近似解，每一代根据问题域中个体的适应度大小选择个体，同时借助自然遗传学的遗传算子进行组合交叉和变异，产生代表新解集的种群。这个过程将导致种群像自然进化一样，后代种群比前代更加适应环境，末代种群中的最优个体经解码，可以作为问题近似最优解。

目前，遗传算法还有如下诸多不足之处：编码的不规范和表示的不准确性；单一的遗传算法编码不能全面将优化问题的约束表示出来，计算时间增加；通常效率比其他传统的优化方法低；容易过早收敛；在算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

（6）模拟退火算法(SimulatedAnnealing，SA)[13]：模拟退火算法是一种基于迭代求解

策略的通用随机搜索算法，是局部搜索算法的扩展。该算法从某一较高初温出发，伴随温度参数的下降，根据概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。最早的思想是由N。Metropolis等[14]于1953年提出，之后被用于组合优化，目前已在工程中得到了广泛应用，诸如VLSI（VeryLargeScaleIntegration）、生产调度、控制工程、机器学习、神经网络、信号处理等领域。

模拟退火算法的优点有：描述简单、使用灵活、运用广泛、运行效率高、较少受到初始条件约束等，并且具有跳出局部最优陷阱的能力。在Boltzmann机中，即使系统落入局部最优的陷阱，经一段时间后，它还能再跳出来，再系统最终将往全局最优值的方向收敛。