1.一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法，其特征在于，包括：S1.栅格法建立环境地图，并初始化参数；

S2.采用改进蚁群算法进行初次路径规划，获取成功到达目标节点的所有路径；初次路径规划的过程包括：S11.设置最大迭代次数，令迭代次数为1；

S12.在环境地图的初始节点放置蚂蚁，初始化禁忌表；

S13.任一只蚂蚁在当前节点根据路径寻找规则寻找下一节点，将下一节点加入禁忌表并更新路径长度；

S14.判断该蚂蚁是否完成一次迭代，若不是，则返回步骤S13，否则执行步骤S15；

S15.判断该蚂蚁是否达到目标节点，若不是，则抛弃该蚂蚁，否则留下该蚂蚁，并计算该蚂蚁到达目标节点路径的长度；

S16.所有蚂蚁都完成路径搜索后求出所有路径长度的平均值，根据奖励惩罚机制，对成功到达目标节点的所有路径进行信息素更新；

S17.判断迭代次数是否达到最大迭代次数，若是，则输出所有成功到达目标节点的路径；否则清空禁忌表，且迭代次数加1后返回步骤S12；

路径寻找规则表示为：

其中，j表示寻找的下一节点，τij表示路径＜i,j＞上的信息素浓度， 为下一节点j到目标节点G的欧式距离的倒数，qo是动态选择因子，ηij表示当前节点i到下一节点j的启发信息，α表示信息素启发式因子，β表示期望启发因子，χ表示目标点启发因子， 表示第k只蚂蚁在当前节点i到下一节点j的状态转移概率，allowedk表示第k只蚂蚁在当前节点i可选择的下一节点j的集合；

动态选择因子的计算公式为：

其中，n表示当前的迭代次数；

S3.对成功到达目标节点的所有路径进行二次路径规划，得到一条最优路径；

S4.采用贝塞尔曲线对最优路径中的转折点进行平滑处理，得到平滑的最优路径。

2.根据权利要求1所述的一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法，其特征在于，计算所有成功到达目标节点的路径，基于最大最小蚂蚁模型以及精英蚂蚁模型，提出一种奖励惩罚机制更新信息素，包括：若当前路径为最优路径，则信息素更新表示为：

τij(t)＝(1‑ρ)×τij(t‑1)+λ1×ρ×Δτij(t)；

若当前路径长度大于最优路径长度，且低于平均路径长度，则信息素更新表示为：τij(t)＝(1‑ρ)×τij(t‑1)+λ2×ρ×Δτij(t)；

若当前路径长度大于平均路径，则信息素更新表示为：

τij(t)＝(1‑ρ)×τij(t‑1)‑λ3×ρ×Δτij(t)；

其中，λ1、λ2、λ3为信息素增减比例系数，取值为正数，τij(t)表示在t次迭代后，路径＜i,j＞上的信息素浓度，τij(t‑1)表示t‑1次迭代后路径＜i,j＞上的信息素浓度，ρ表示信息素浓度挥发系数，其中，Δτij(t)表示信息素增量，其计算公式为：k

L(t)表示第k只蚂蚁在第t次迭代中所寻的路径长度，Q表示信息素强度。

3.根据权利要求1所述的一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法，其特征在于，二次路径规划包括：S21.设置二次规划的最大迭代次数，令二次规划的迭代次数为1；

S22.获取初次路径规划中成功到达目标节点的蚂蚁所经过的路径节点，初始化禁忌表；

S23.任一只蚂蚁在当前节点a处根据二次规划规则寻找下一节点b，将下一节点加入禁忌表并更新路径长度，直到蚂蚁到达目标节点或者发生死锁状态；

S24.判断是否所有蚂蚁完成一次迭代，若是，则执行步骤S25，否则返回步骤S23；

S25.获取蚂蚁到达目标节点的路径，根据二次信息素更新规则对路径的信息素进行更新；

S26.判断二次规划的迭代次数是否达到二次规划的最大迭代次数，若是，则输出最优路径，否则清空禁忌表，且二次规划的迭代次数加1后返回步骤S22。

4.根据权利要求3所述的一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法，其特征在于，二次规划规则表示为：其中， 表示第k只蚂蚁在节点a到节点b的状态转移概率，α1表示二次规划的信息素启发式因子，β1表示二次规划的期望启发因子，χ1表示二次规划的目标点启发因子，τab(t)表示在t次迭代中，路径＜a,b＞上的信息素浓度，ηab(t)表示节点Na与节点Nb之间的欧式距离， 表示节点Nb与目标节点G之间的欧式距离的倒数。

5.根据权利要求3所述的一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法，其特征在于，二次信息素更新规则表示为：τab(t)＝(1‑ρ1)×τab(t‑1)+ρ1×Δτab(t)；

其中，τab(t)表示第t次迭代后路径＜a,b＞上的信息素浓度，ρ1表示二次规划时信息素浓度挥发系数，Δτab(t)表示信息素增量，其计算公式为：k

其中，nk(t)表示第k只蚂蚁在t代所规划出的路径的转折点个数，L (t)表示第k只蚂蚁在t代所规划出的最优路径长度，smk(t)表示第k只蚂蚁在t代所规划出的路径的平滑度。