针对多Agent路径规划问题，提出了一个两阶段的路径规划算法。首先，利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点，不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布，提高了算法的全局搜索能力；利用粒子群算法中的自适应惯性权重因子来调节信息素强度 Q值，使其自适应地变化，避免陷入局部最优；对信息素挥发因子 ρ进行调节，提高算法的迭代速度。其次，若多Agent之间存在动态碰撞，利用博弈论构建多Agent之间的动态避障模型，并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题，确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高，与Mylvaganam的多Agent动态避障算法相比，所提算法减小了路径总长度并提高了收敛速度。

编队避障问题是多智能体编队研究的关键问题之一。针对动态环境中多智能体编队避障问题，提出了一种基于人工势场法（APF）与布谷鸟搜索算法（CS）相结合的编队避障方法。首先，在动态队形变换策略的异构模式下，利用APF为多智能体编队中每个智能体规划避障；然后，针对APF在引力增量系数和斥力增量系数设置的局限性，利用CS中的莱维飞行机制思想，来随机搜索得到适应环境的增量系数。Matlab仿真实验结果表明，所提方法能够有效地解决复杂环境下多智能体编队避障问题，使用效率函数对实验数据进行评价及分析，验证了所优化方法的合理性和有效性。