Методы автоматического проектирования направлены на создание коллективного поведения роевых роботизированных систем. Эти методы позволяют нескольким роботам автономно координировать и выполнять сложные задачи в своей среде. В данной работе были исследованы две известные методологии: оптимизация роя частиц (PSO) и обучение с подкреплением (RL). Новое сравнительное исследование было проведено для анализа производительности группы мобильных роботов посредством обширных экспериментов. Целью было реализовать коллективное навигационное поведение в неизвестной среде. Эти среды различаются по сложности: от сред без препятствий до загроможденных сред. Основные показатели сравнения включают эффективность использования времени отдельных роботов и всего роя, гибкость в поиске пути и способность обобщать решения для новых сред. Результаты, полученные с помощью симулятора Webots с контроллером Python, показали, что RL превосходно работает в средах, в больщой степени соответствующих условиям его обучения. RL добился более быстрого завершения работы и продемонстрировал превосходную координацию между отдельными роботами. Однако его производительность падает при работе с необученными сценариями, что требует дорогостоящего переобучения или структурных усложнений для повышения адаптивности. PSO, напротив, продемонстрировал похвальную стабильность в работе. Несмотря на более медленный темп он продемонстрировал надежность в различных сложных условиях без необходимости реконфигурации.