遺傳算法（genetic algorithm，簡稱GA）是計算數(shù)學中用于解決最佳化的搜索算法，是進化算法的一種。進化算法是借鑒了進化生物學中的遺傳、突變、自然選擇以及雜交等現(xiàn)象而發(fā)展起來的。遺傳算法采用從自然進化中抽象出來的幾個算子對參數(shù)編碼的字符串進行遺傳操作，包括復制或選擇算子（Reproduction or Select）、交叉算子（Crossover）、變異算子（Mutation）。

遺傳算法的主要優(yōu)點是：采用群體方式對目標函數(shù)空間進行多線索的并行搜索，不會陷入局部極小點；只需要可行解目標函數(shù)的值，而不需要其他信息，對目標函數(shù)的連續(xù)性、可微性沒有要求，使用方便；解的選擇和產(chǎn)生用概率方式，因此具有較強的適應能力和魯棒性。

2、基于神經(jīng)網(wǎng)絡算法的機器人避障方法

神經(jīng)網(wǎng)絡（neural network，縮寫NN），是一種模仿生物神經(jīng)網(wǎng)絡的結構和功能的數(shù)學模型或計算模型。神經(jīng)網(wǎng)絡由大量的人工神經(jīng)元聯(lián)結進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡能在外界信息的基礎上改變內部結構，是一種自適應系統(tǒng)。人工神經(jīng)網(wǎng)絡通常通過一個基于數(shù)學統(tǒng)計學類型的學習方法優(yōu)化，是一種非線性統(tǒng)計性數(shù)據(jù)建模工具，可以對輸入和輸出間復雜的關系進行建模。

傳統(tǒng)的神經(jīng)網(wǎng)絡路徑規(guī)劃方法往往是建立一個關于機器人從初始位置到目標位置行走路徑的神經(jīng)網(wǎng)絡模型，模型輸入是傳感器信息和機器人前一位置或者前一位置的運動方向，通過對模型訓練輸出機器人下一位置或者下一位置的運動方向。可以建立基于動態(tài)神經(jīng)網(wǎng)絡的機器人避障算法，動態(tài)神經(jīng)網(wǎng)絡可以根據(jù)機器人環(huán)境狀態(tài)的復雜程度自動地調整其結構，實時地實現(xiàn)機器人的狀態(tài)與其避障動作之間的映射關系，能有效地減輕機器人的運算壓力。還有研究通過使用神經(jīng)網(wǎng)絡避障的同時與混合智能系統(tǒng)（HIS）相連接，可以使移動機器人的認知決策避障能力和人相近。

3、基于模糊控制的機器人避障算法

模糊控制（fuzzy control）是一類應用模糊集合理論的控制方法，它沒有像經(jīng)典控制理論那樣把實際情況加以簡化從而建立起數(shù)學模型，而是通過人的經(jīng)驗和決策進行相應的模糊邏輯推理，并且用具有模糊性的語言來描述整個時變的控制過程。對于移動機器人避障用經(jīng)典控制理論建立起的數(shù)學模型將會非常粗糙，而模糊控制則把經(jīng)典控制中被簡化的部分也綜合起來加以考慮。

對于移動機器人避障的模糊控制而言，其關鍵問題就是要建立合適的模糊控制器，模糊控制器主要完成障礙物距離值的模糊化、避障模糊關系的運算、模糊決策以及避障決策結果的非模糊化處理（精確化）等重要過程，以此來智能地控制移動機器人的避障行為。利用模糊控制理論還可將專家知識或操作人員經(jīng)驗形成的語言規(guī)則直接轉化為自動控制策略。通常使用模糊規(guī)則查詢表，用語言知識模型來設計和修正控制算法。

除此之外還有啟發(fā)式搜索算法、基于行為的路徑規(guī)劃算法、基于再激勵學習的路徑規(guī)劃算法等避障算法，也都在移動機器人的避障研究中取得了很好的成果。