1.一种改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是包括以下步骤：

步骤1)获得起点车间、终点车间以及AGV小车所需到达车间的任务点数量n，步骤2)：将m只蚂蚁随机地置于n个任务点，添加动态惯性权重p保证每只蚂蚁的随机性；

步骤3)：蚂蚁遍历所有的任务点一次后计算每个蚂蚁经过的路径长度Lk，k＝1，2，3…m，以及对应的适应度函数F，适应度函数F最小值所对应的路径最优全局路径L；

步骤4)根据所述的最优全局路径L中蚂蚁走过的车间顺序获取任务点序列S，AGV小车按照该任务点序列S的路径工作，将任务点序列S依序进行分解形成多段起始点和目标点；

步骤5)：AGV小车按照任务点序列S工作时，如果遇到障碍物且还有未到达的车间，则采用动态窗口法在全局路径L工作过程中规划出一条避开障碍物的局部路径L1。

2.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤5)中所述的动态窗口法是：先建立AGV小车的运动模型，根据所运动学模型确定AGV小车的线速度v和角速度ω的速度范围Vm，再根据最大、最小的线速度v以及角速度ω共同生成一个速度的动态窗口，然后确定所述的动态窗口内的AGV小车实际达到的速度范围Vd以及AGV小车不与障碍物碰撞的速度范围Va，得到AGV小车的运动速度空间V＝Vm∩Vd∩Va，最后结合评价函数G(v，ω)对所述的运动速度空间V中每个速度对应的轨迹进行评价，将评价函数G(v，ω)值最高的轨迹确定为所述的局部路径L1。

3.根据权利要求2所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：AGV小车根据所述的局部路径L1工作，根据AGV小车的遇障位置，更新车间拓扑地图，同时获取AGV小车遇障处的最邻近的一个任务点作为目标点。

4.根据权利要求2所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：所述的的运动模型为： Δt1是动态窗口的取样周期，x2是AGV小车在x1位移的基础上经过Δt1时间后的x轴方向的位移，y2是AGV小车在y1位移的基础上经过At1时间后的y轴方向的位移，θ2是AGV小车在θ1夹角的基础上经过Δt1时间后与x轴的夹角；

所述的速度范围Vm＝{v∈[vmin，vmax]，ω∈[ωmin，ωmax]}，ωmax，ωmin分别为AGV小车的最大、最小角速度，vmax，vmin分别为AGV小车的最大、最小线速度；

所述的速度范围

vc，ωc是AGV

小车当前速度和角速度， 表示当前小车最大线减速度， 表示最大角减速度， 表示最大线加速度， 表示最大角加速度；

所述的速度范围 dis

(v，ω)为AGV小车在当前轨迹上与最近的障碍物之间的距离， 和 表示AGV小车的最大线减速度和最大角减速度；

所述的速度范围评价函数：

G(v，ω)＝μ(c*heading(v，ω)+e*dis(v，ω)+f*velocity(v，ω))，heading(v，ω)为方向角评价，dis(v，ω)为障碍物距离评价，velocity(v，ω)为速度评价，c，e，f分别为三个因素的权重系数，μ系数表示对三个因素的评分做平滑处理。

5.根据权利要求2所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤2)中所述的动态惯性权重：p＝pmax‑a(pmax‑pmin)*logitermaxiter+b*σ*randn()，iter是当前迭代次数，itermax为最大的迭代次数，a为对数控制因子，σ为动态惯性权重p与其均值的偏离程度，randn()为正太分布(0，1)之间的随机数，b为扰动控制因子，pmax，pmin为预设的最大惯性系数，最小惯性系数，一般pmin取0.4，pmax取0.9。

6.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤3)中，为每只蚂蚁设置一个禁忌表tabuk，记录其走过的车间，蚂蚁的转移概率按照轮盘赌的方式选择下一任务点，更新禁忌表tabuk，更新禁忌表tabuk之后重新计算转移概率 再选择任务点，再更新禁忌表tabuk，如此循环，直至遍历所有的任务点一次。

7.根据权利要求6所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：所述的转移概率 τi，j(t)表示t时刻任务点i到另一个任务点j路径上的信息素浓度，启发式因子 ni，j表示蚂蚁从任务点i转移到另一个任务点j的期望程度，di，j表示任务点i，j之间的实际距离，Jk(i)表示在任务点i处蚂蚁k可以选择走的车间的集合，α为信息素重要程度因子，β为启发函数重要程度因子。

8.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤3)中，所述的路径长度 i表示任务点，n表示任务点数量，(xi，yi)，(xi+1，yi+1)代表任务点i和任务点i+1在车间拓扑地图中的横纵坐标。

9.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤3)中，所述的适应度函数F＝δ*f1+ε*f2+γ*f3，δ，ε，γ分别为路径最短函数f1、惩罚函数f2和路径平滑函数f3的权重系数，路径最短函数f1是Lk的最小值，惩罚函数路径平滑函数 表示穿过障碍物的惩罚系数，mob表示与障碍物碰撞的次数，m1是路径中转角为0.25π的次数，m2是路径中转角为0.5π的次数。

10.根据权利要求1所述的改进蚁群算法和动态窗口的车间AGV小车路径规划方法，其特征是：步骤4)中，对任务点序列S进行分解时，将起点车间规划为S1，为第一段路径的起始点S1，任务点序列中的S2是第一段路径的目标点，AGV小车沿着第一段路径运行，当AGV小车到达第一段路径的目标点S2后，S2变成第二段路径的起始点，S3为第二段路径的目标点，以此类推，直至AGV小车到达终点车间Sn。