1.一种基于组合反向粒子群优化的机器人巡检路径规划方法，其特征在于，包括以下步骤：步骤1，输入机器人需要巡检点的坐标，并确定机器人巡检点的数量D；

步骤2，用户初始化种群大小Popsize，最大评价次数MAX_FEs，加速因子C1和C2，最大速度绝对值VMax，反向学习率OP；

步骤3，当前演化代数t＝0，当前评价次数FEs＝0；

步骤4，随机产生初始种群 其中粒子下标i＝1,2,...,Popsize，并且 为种群Pt中的第i个粒子，其随机初始化公式为：其中维度下标j＝1,2,...,D； 存储了种群Pt中第i个粒子的当前位置，表示D个巡检点的顺序权值； 存储了种群Pt中第i个粒子在每一维上的速度大小，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；

步骤5，计算种群Pt中每个粒子 的适应值，其中个体下标i＝1,2,...,Popsize，计算粒子 的适应值的方法为：将粒子 的当前位置作为D个巡检点的顺序权值，根据巡检点的顺序权值生成巡检路径，然后以巡检路径的长度作为适应值；

步骤6，保存种群Pt中每个粒的自身历史最优位置，并令当前评价次数FEs＝FEs+Popsize；

步骤7，保存种群Pt中的最优粒子位置gBestt；

步骤8，在[0,1]之间随机产生一个实数pr1；

步骤9，如果pr1大于反向学习率OP，则转到步骤10，否则转到步骤14；

步骤10，令当前惯性权重因子

步骤11，按以下公式更新种群Pt中每个粒子的速度和位置：其中i＝1,2,...,Popsize，j＝1,2,...,D，TR1和TR2分别为[0,1]之间的随机实数，为第i个粒子的自身历史最优位置；

步骤12，计算种群Pt中每个粒子的适应值；

步骤13，转到步骤15；

步骤14，执行组合反向学习操作生成组合反向种群BPt，然后从种群Pt和组合反向种群BPt的并集中选择出新一代种群，具体步骤如下：t t

步骤14.1，按以下公式计算种群Pt的搜索下界ALow和上界AUp：其中i＝1,2,...,Popsize，j＝1,2,...,D；min为取最小值函数，max为取最大值函数；

步骤14.2，按以下公式生成种群Pt的组合反向种群BPt：其中反向粒子下标bi＝1,2,...,Popsize，维度下标bj＝1,2,...,D，组合因子RK的值为[0,1]之间的一个随机实数，反向因子CK的值为[0,1]之间的一个随机实数，RI1为[1,Popsize]之间的一个随机整数； 是组合反向种群BPt中第bi个反向粒子的当前位置；

是组合反向种群BPt中第bi个反向粒子在每一维上的速度大小；

步骤14.3，计算组合反向种群BPt中所有反向粒子的适应值；

步骤14.4，从种群Pt和组合反向种群BPt的并集中选择出新一代种群；

步骤14.5，转到步骤15；

步骤15，更新种群Pt中每个粒子的自身历史最优位置；

步骤16，令当前评价次数FEs＝FEs+Popsize；

步骤17，令当前演化代数t＝t+1；

步骤18，保存种群Pt中的最优粒子位置gBestt；

步骤19，重复步骤8至步骤18直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优粒子位置gBestt解码成机器人巡检的路径，即可实现机器人的巡检路径规划。