Η διατριβή αυτή εξετάζει την χρήση γενετικών αλγορίθμων (ΓΑ) για την επίλυση του προβλήματος του σχεδιασμού κίνησης ρομποτικών συστημάτων τα οποία εκτελούν εργασίες εφοδιαστικής (όπως εργασίες λήψης και μεταφοράς από σημείο σε σημείο, μετακίνησης υλικών επί συνεχούς διαδρομής, κ.α.) στα πλαίσια λειτουργίας τους εντός ενός ευέλικτου συστήματος παραγωγής (ΕΣΠ). Το πρόβλημα του σχεδιασμού κίνησης (ΠΣΚ) είναι ένα υπολογιστικά άλυτο συνδυαστικό πρόβλημα βελτιστοποίησης (έχει αποδειχτεί PSPACE-hard) το οποίο μπορεί να οριστεί ως εξής: «Πως μπορεί ένα ρομπότ να αποφασίσει ποιες κινήσεις πρέπει να αποδώσει προκειμένου να εκτελέσει με επιτυχία επιθυμητές εργασίες στο περιβάλλον εργασίας του;» Προς τον σκοπό αυτό αναπτύχθηκε ένας αριθμός νέων, πρωτότυπων αλγορίθμων εμπνευσμένων από τη Βιολογία των οποίων η απόδοση μετρήθηκε τόσο μέσω πειραμάτων προσομοιωμένων σε υπολογιστή, όσο και σε πραγματικά ρομποτικά περιβάλλοντα στο εργαστήριο του Τμήματος. Συγκρινόμενοι με τις κλασσικές από τη βιβλιογραφία μεθόδους επίλυσης του ΠΣΚ, οι ΓΑ βρέθηκαν ανώτεροι τόσο από πλευράς ποιότητας των λύσεων που παρήγαγαν, όσο και από πλευράς ταχύτητας σύγκλησης (δηλαδή του χρόνου που χρειάστηκαν για τον εντοπισμό αυτών των λύσεων). Επιπρόσθετα, εξετάστηκαν και αντιμετωπίστηκαν με επιτυχία πολύπλοκα προβλήματα κινηματικής που αναφύονται κατά τον σχεδιασμό κίνησης ρομποτικών βραχιόνων σε ένα ΕΣΠ, όπως: Το αντίστροφο κινηματικό πρόβλημα ρομποτικών βραχιόνων με πλεονάζοντες βαθμούς ελευθερίας, η μεγιστοποίηση της επιδεξιότητας του ρομπότ κατά την εκτέλεση των εργασιών του και η παραγωγή με το άκρο εργασίας του ρομπότ ασφαλών και αξιόπιστων τροχιών επί προκαθορισμένων επιθυμητών διαδρομών. Η επίλυση αυτών των προβλημάτων είναι πολύ σημαντική σε πολλές πραγματικές βιομηχανικές εφαρμογές όπως εργασίες συγκόλλησης, βαψίματος ή επάλειψης με ψεκασμό, λείανσης, κ.α. / The use of genetic algorithms (GAs) for the solution of motion planning of robotic systems which perform logistics operations within a flexible manufacturing system (FMS), as well as, logistics tasks in indoors hazardous environments was investigated. Robot motion planning (RMP) is a PSPACE-hard combinatorial problem loosely stated as: How can a robot decide what motions to perform in order to achieve desired tasks in its environment? A number of new biological-inspired approaches were implemented and evaluated on computer simulated environments, as well as, on real industrial environments. In comparison to existing RMP methods, GAs were found superior in terms of both solutions quality and speed of convergence. Furthermore, focusing on RMP of robot manipulators, the proposed approaches tackled with high success difficult kinematics problems such as: the inverse kinematics for robots with redundant degrees of freedom, the maximization of robot’s manipulability, the path following by the robot’s end-effector on demanded trajectories.