| 算法分类 | 算法名称 | 优点 | 缺点 | 改进方法 |
| 基于 图形 学的 路径 规划 算法 | Dijkstra算法 | 算法简单 | 效率低 | ①引入了估计函数 |
| 稳定性高 | 运算占用较大内存 | ②增加约束条件 | ||
| 准确度高 |
| ③加入时间窗 | ||
| A*算法 | 算法简明 | 过分依赖启发函数 | ①结合跳点搜索算法 | |
| 求静态物体路径规划最有效方法 | 计算量大且效率低 | ②采用双向搜索 | ||
| 智能仿生学的 路径规划算法 | 遗传算法 | 鲁棒性高 | 不具有方向性 | ①引入平滑的适应度函数 |
| 适合求全局最优路径规划 | 局部搜索能力弱 | ②适当调整遗传参数 | ||
| 准确度高 | 规划速度慢 | |||
| 粒子群优化算法 | 鲁棒性高 | 前期收敛速度快， 后期易陷入局部最优 | ①结合天牛须搜索算法 | |
| 效率高 | ②引入细菌觅食算法 | |||
| 具有记忆性 |
|