1.一种基于自组织多模态多目标量子粒子群路径规划方法，其特征在于：包含以下步骤：

S1.在决策空间内初始化一个种群POP带有NP个粒子，并计算目标函数值；

S2.对每一个粒子POPi的个体最佳历史位置pbesti定义为粒子的位置，每一个粒子的最佳历史位置的集合PBseti为粒子的位置，即PBseti＝POPi,pbesti＝POPi；

S3.计算所有粒子最佳历史位置pbesti的平均位置mbest；

S4.对种群POP进行非支配排序并获得非支配解PSPF，非支配解PSPF中第一个解即为种群POP的最优个体位置gbest；

S5.初始化自组织模型SOM；

S6.初始化一个冗余档案RA为空；

S7.算法进入主循环，如果迭代结束条件不满足进入S8.

S8.更新自组织网络SOM并获取最好的邻居粒子，具体步骤如下：S81.初始化种群POP中新产生的非支配解为自组织网络的训练集trainingset；

S82.根据种群中每一个个体POPu初始化权重向量为 这里d是决策变量数量；

S83.自组织模型训练T次；

S84.在每一次训练过程中，对训练集中每一个样本trainingseti，设置 为该样本的最好神经单元；

S85.更新权重向量 和学习率η(t)，更新公式如下：其中，T是总训练次数，t是当前训练次数，η0是初始学习率；

S86.更新神经元 的邻居神经元neighbor＝{neighbor1,neighbor2,....neighborm}，更新公式如下：

其中，σ(t)是第t次训练的学习半径，σ0是初始学习半径；

S87.自组织模型训练结束；对于每一个粒子POPi，POPi最佳神经元ui通过自组织模型获得；

S88.获得最佳神经元ui的邻居neighbor＝{neighbor1,neighbor2,....neighborm}S89.获得所有邻居的个体最好历史个体集合并进行非支配排序获得非支配解candidate_neighbor，candidate_neighbor中的第一个非支配解即是粒子POPi的最佳邻居；

S810.获得所有个体的最佳邻居nbest；

S9.种群更新迭代；具体步骤如下：S91.更新每一个粒子的pi根据公式5：其中，λ和r是0到1的随机数，ξ是一个随机整数，g和G是当前迭代次数和最大迭代次数，pbesti和nbesti分别是POPi的个体历史最佳位置和最佳邻居，gbest是全局最好个体；

S92.更新每一个粒子的位置根据公式6.

其中μ是一个0至1之间的随机数，β是一个逐渐递减的参数，其定义如下：其中，β0和β1是两个常数，并且β0＜β1；

S93.计算每一个更新后POPi的目标函数；

S94.更新每一个粒子POPi的历史最佳位置集合PBseti并进行非支配排序，在PBseti内的第一个粒子即为pbesti；

S95.合并所有粒子的PBseti并进行非支配排序获得非支配解PSPF；

d

S96.将决策空间等分为k＝2个相等的区域，这里d是决策变量数目，并记录每一个区域的非支配解{pspf1,pspf2,...,pspfk}和每一个子区域非支配解的数量{s1,s2,...sk}；

S97.根据区域划分结果，找到非支配解数量最少的区域和该区域的非支配解S98.更新种群的平均位置mbest；计算 在决策空间内的平均位置即为mbest；

S99.根据 更新种群的全局最好位置； 的第一个粒子即为gbest；

S10.当PSPF档案集的数量大于NP时进行外部档案集PSPF维护，其主要步骤如下：S10‑1.初始化一个临时的解集tempPSPF，对于决策空间，找到PSPF的每一个决策向量中每一维的最大值与最小值放入临时解集tempPSPF，并将他们从PSPF中移除；

S10‑2.分别计算tempPSPF和PSPF中解与解之间的距离，找到PSPF与tempPSPF中每一个解之间最小的距离的所有解，并在这些最小距离解中找出一个最大距离的解从PSPF中移动到tempPSPF，直至tempPSPF中解的数量等于NP；

S10‑3.将PSPF中剩余的非支配解放入冗余矩阵RA中，并重新将tempPSPF赋值给PSPF；

S10‑4.返回PSPF和tempPSPF；

S11.种群迭代结束；合并PSPF和RA并进行非支配排序获得非支配解PSPF；

S12.进行步骤S10选择多样的非支配解，输出最终的解PSPF。