2026年MCS,Q-learning增强MOPSO与改进DWA融合算法+复杂三维地形下特定移动机器人动态路径规划针对PSO易陷于局部最优且难应对动态环境的缺陷,本文提出一种融合QL-MOPSO与ADWA的移动机器人三维复杂地形路径规划算法(MOQLPSO-ADWA),通过Q-learning在线自适应调整MOPSO的惯性权重和加速因子以逼近Pareto前沿,基于全局优化动态设计DWA评价函数权重,使其随目标和障碍物信息实时调节,提取MOQLPSO规划的关键点作为ADWA阶段性目标,实现全局与局部动态避障深度融合。