1.一种基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，包括以下步骤：步骤一：初始化蜜源相关参数；

步骤二：生成初始解，并计算蜜源适应度，开始迭代；

步骤三：将人工蜂群算法ABC每次迭代产生的最优解代入到灰狼优化算法GWO的狩猎阶段，利用灰狼优化算法生成新的蜜源位置，在雇佣蜂阶段邻域搜索时引入该新的蜜源，进行邻域搜索；旁观蜂根据贪婪算法选择较优蜜源对应的路径；

步骤四：将全局最优解代入侦察蜂阶段，改进蜜源搜索方程，若解路径连续limit次未更新，雇佣蜂变成侦察蜂，舍弃旧解，随机产生一个新的解路径，并重新开始迭代；

步骤五：判断迭代数是否达到最大迭代次数tmax，若达到则输出最优路径节点，依次连接节点，得到最优路径，否则返回步骤三继续执行。

2.根据权利要求1所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤二中，人工蜂群算法是一种群体生活优化算法，受到蜂群行为的启发，该算法分三个阶段执行，即雇佣蜂阶段、旁观蜂阶段和侦察蜂阶段；人工蜂群算法模拟蜜蜂的采蜜行为，其中一个蜜源的位置代表一个候选解，每个蜜源中的花蜜量被认为是适应度，雇佣蜂和旁观蜂的数量相等，是整个种群规模的一半，雇佣蜂根据记忆中的位置更新当前的蜜源，并与旁观蜂分享关于新蜜源的信息，根据这些信息，侦察蜂进行邻域搜索；具体过程如下：(1)初始化

在初始化阶段，通过以下方程随机生成一组可能解：

其中xi,j表示解的集合，i＝1，2，…,N，N是种群数量，j＝1，2，…,Dim，Dim表示维度；

和 表示第j个变量的上下界；rand(0,1)为[0,1]之间的一个随机数；

(2)雇佣蜂阶段

在这一阶段中，利用雇佣蜂记忆中的旧蜜源生成新的蜜源，即生成新的候选解：其中vij是新蜜源位置，是[‑1，1]之间的一个随机数，k是随机生成的一个整数，k＝1，

2，…,N，且k≠i；

(3)旁观蜂阶段

在旁观蜂阶段，旁观蜂在雇佣蜂群中依据轮盘赌的形式选择概率Pi较大的个体，接着随机生成一个(0，1)之间的随机数与概率Pi比较，若Pi大于产生的随机数则按照式(3)选择蜜源，然后雇佣蜂和旁观蜂生成的新解按照贪婪算法选择较优蜜源，即比较蜜源适应度值选择较优解：式中，Pi表示第i组解被选中的概率，fi为第i组解的蜜源适应度，其中，fitnessi为i个解的目标函数值，abs(fitnessi)表示fitnessi的绝对值；

(4)侦察蜂阶段

在侦察蜂阶段，一旦某一蜜源在预定的周期内不能进一步改善，就用新的蜜源代替，而与之相关的被雇佣的蜜蜂随后成为侦察蜂；

根据式(1)随机生成新的蜜源，步骤2到步骤4重复进行，直到满足终止条件。

3.根据权利要求2所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤二中，灰狼算法模仿了一群灰狼在追逐和狩猎猎物时表现出来的民主的社会行为，在灰狼的社会等级制度中有四个等级，最高级即最优解为α狼，次优解分别为β狼和δ狼，其他解为ω狼；

灰狼群围猎行为包括接近猎物，包围猎物和攻击猎物三个阶段，其中包围猎物的数学表达式为：X(t+1)＝Xp(t)‑A·D    (5)

D＝|C·Xp(t)‑X(t)|         (6)式中，t为当前迭代次数，X(t)表示灰狼当前所在位置，Xp表示猎物当前所在位置，D表示灰狼个体于猎物之间的距离，A和C是系数向量；其中，A＝2ar1‑a       (7)

C＝2r2              (8)

式中，a是收敛因子，r1和r2为在区间[0，1]之间的随机数；

灰狼攻击猎物阶段的数学模型为：

Da＝|C1·Xα(t)‑X(t)|    (10)Dβ＝|C2·Xβ(t)‑X(t)|    (11)Dδ＝|C3·Xδ(t)‑X(t)|    (12)Da、Dβ和Dδ分别表示α、β和δ与其他个体之间的距离，Xα(t)、Xβ(t)和Xδ(t)分别表示α、β和δ在t时刻的位置，系数向量A1、A2和A3由公式(7)生成，C1、C2和C3是随机向量，由公式(8)生成；

X1＝Xα(t)‑A1·Dα             (13)X2＝Xβ(t)‑A2·Dβ             (14)X3＝Xδ(t)‑A3·Dδ             (15)X(t+1)＝(X1+X2+X3)/3       (16)X1、X2、X3分别表示α、β和δ与其他个体之间的位置。

4.根据权利要求3所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤二中，为了增加局部搜索能力以及加快收敛速度，对雇佣蜂阶段的搜索蜜源公式做出修改：由GWO算法的狩猎阶段生成， 表示t时刻蜜源位置， 表示t时刻由GWO算法搜索的蜜源位置，r是[‑1,1]之间的一个随机数；

人工蜂群算法每次迭代都会计算解的适应度值，人工蜂群算法应用于路径规划，适应度值就相当于路径长度，每次迭代最小适应度值就对应一个最优解Xgbest，为了提高算法的搜索精度，将当前最优解Xgbest引入到GWO算法：Da′＝|C1·Xα‑Xgbest|           (18)Dβ′＝|C2·Xβ‑Xgbest|           (19)Dδ′＝|C3·Xδ‑Xgbest|           (20)式中，Da′、Dβ′和Dδ′分别表示α、β和δ与最优个体之间的距离；

X1′＝Xα(t)‑A1·Dα′            (21)X2′＝Xβ(t)‑A2·Dβ’            (22)X3′＝Xδ(t)‑A3·Dδ′            (23)X′(t+1)＝(X1′+X2′+X3′)/3      (24)X1′、X2′、X3′分别表示狼群中α、β和δ朝向当前最优个体前进的位置，X′(t+1)是寻优过程中灰狼在t+1时刻的位置；

GWO算法中式(9)中a的取值由2线性递减到0，但实际上优化蜜源的过程并不是线性的，为了适应算法的多样性，加快收敛速度，将式(9)更改为式中fbest是当前最优解Xgbest对应的蜜源适应度值，L为起始点直线距离。

5.根据权利要求4所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤四中，为了提高摆脱局部最优的能力，对搜索方程做出改进：式中Q为自适应调整系数，

其中，fbest为当前最优蜜源的适应度值，fi为第i组解的蜜源适应度值，limitNum表示实验失败次数，其初始值为0，每次迭代若蜜源i未更新，limitNum加1，若蜜源i连续limit次未更新，则放弃该蜜源，由式(26)生成新蜜源。