1.一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，包括以下步骤：(1)采用栅格法建立栅格环境地图；

(2)初始化改进萤火虫算法和动态窗口法；

(3)采用Skew Tent混沌映射初始化萤火虫种群；具体为：

(3.1)在搜索过程中，萤火虫个体位于三维解空间中的某个位置，将萤火虫个体映射到混沌空间[0，1]上，然后根据Skew Tent混沌映射的数学模型进行混沌操作，根据操作产生的混沌变量进行搜索，再根据搜索结果得出操作后新的萤火虫个体，之后将得到的混沌变量序列还原到原来的D维解空间中；在这个过程中，如果经过搜索得到了比原先更优的解，则可将更优解的位置代替原来萤火虫的位置，进而加强萤火虫算法的多样性；

(3.2)Skew Tent混沌映射的数学模型为：

其中，k表示映射次数，xk表示第k次函数映射值，当u∈(0，1)且x∈[0，1]时，系统处于混沌状态；(4)令当前的迭代次数t＝0，改进萤火虫算法开始迭代，同时引入自适应步长；具体为：(4.1)在萤火虫算法中，假设萤火虫i的亮度小于萤火虫j的亮度，则萤火虫j向被萤火虫i吸引并向其移动的位置迭代更新公式为：其中，t为当前迭代次数， 为第t次迭代时萤火虫i和萤火虫j的空间位置，其中i≠j， 为第t+1次迭代时萤火虫i的空间位置，α∈[0，1]为步长因子，εi为服从均匀分布或高斯分布的随机数，βij为萤火虫i和j之间的吸引度：其中，β0为最大吸引力，γ为光吸收系数，rij为空间中萤火虫i到萤火虫j的笛卡尔距离；

(4.2)当步长α较大时，算法会扩大其搜索范围，此时算法全局寻优能力更强，优化速度更快，但其搜索的精度会大大降低；当步长α较小时，算法会缩小其搜索范围，此时算法的局部寻优能力较强，优化速度较慢，也有陷入局部最优的可能，但其搜索的精度也会有所提高；

(4.3)对于萤火虫算法，在算法迭代初期应选用较大的步长α，增大算法的搜索范围，避免算法陷入局部最优，尽可能地寻求全局最优解；随着迭代次数的不断增大，应选用较小的步长α逐步提高算法的搜索精度和收敛速度；鉴于此，采用一个递减函数来满足萤火虫算法在不同迭代时期对于不同步长的需求：t t+1

其中，α 为算法在第t次迭代时的步长，α 为算法在第t+1次迭代时的步长，Tmax为最大迭代次数；当迭代次数t较小时，步长因子较大，随着迭代次数的增加，步长因子逐渐减小至

0；

0

(4.4)加入递减函数的自适应步长，在迭代初期首先选用较大的步长初始值α＝0.9，以增大萤火虫算法的搜索范围，避免算法陷入局部最优，从而尽可能地寻求全局最优解；随着迭代次数的不断增大，每个萤火虫之间的间距会不断缩小，萤火虫算法的自适应步长策略中的步长因子也会随着迭代次数的增大而减小，以逐步提高算法的搜索精度和收敛速度；

随着迭代次数不断增加直至达到最大迭代次数，步长因子逐渐减小至最小值；因此，通过加入递减函数的自适应步长改善了传统FA中固定步长的缺陷，在整个迭代过程中平衡了萤火虫算法的全局和局部最优；

(5)依次对萤火虫种群中的萤火虫个体进行差分进化操作，同时不断更新对应萤火虫的位置以及向更亮萤火虫移动的信息；

(6)判断对应的萤火虫是否聚集到最亮的萤火虫处或者迭代次数是否达到了最大值：若满足条件之一，即可得出全局最优路径，转向步骤(7)；否则，转向步骤(5)；

(7)提取多个局部子目标点，检测环境信息看是否有新障碍物，若检测到有新障碍物，则根据检测到的环境信息判断移动机器人是否能避开新障碍物并能够到达局部目标点，如果能避开新障碍物，则转向步骤(9)；否则，转向步骤(8)；若无新障碍物，转向步骤(10)；

(8)采用动态窗口法进行局部路径规划，移动机器人采用动态窗口法进行实时速度采样，采用符合约束的速度组合(v，ω)进行轨迹预测，根据评价函数选出最优轨迹对应的速度组合(v，ω)进行局部路径规划；

(9)判断所到达的局部子目标点是否为全局目标点，若是全局目标点，则说明移动机器人抵达终点，转至步骤(10)；反之，局部子目标点不是全局目标点则返回步骤(7)；

(10)输出最终混合算法最优规划路径，算法结束。

2.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(1)具体为：栅格法是指将环境地图的空间分解为一个个独立的单元格得到栅格，并且栅格之间相互连接但不重叠；栅格化之后给每一个栅格赋予一个通行因子，将移动机器人在栅格地图中的路径规划问题转变成在两个栅格节点间寻找最短路径问题；若栅格中没有障碍物，那么机器人在栅格中可自由通行，此种栅格为自由栅格，反之，称为障碍栅格；栅格标识完成后，移动机器人根据坐标或序号搜索并显示路径。

3.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(2)具体为：(2.1)初始化改进萤火虫算法和动态窗口法的参数，所述参数包括种群规模n、初始步0

长因子α、光吸收系数γ、吸引度β0、最大迭代次数Tmax、最大线速度vmax和最大角速度ωmax；

(2.2)在搜索空间内随机初始化萤火虫的初始位置。

4.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(5)具体为：(5.1)首先根据差分进化算法中的变异操作在萤火虫种群中随机选取三个萤火虫个体r1、r2、r3，在这三只萤火虫之间进行向量差缩放，然后再将变异后的个体和未进行变异的个体进行组合形成新的个体，变异的萤火虫个体通过下式产生：式中，t为当前迭代次数； 为变异萤火虫个体； 和 分别为第t代三只萤火虫个体的位置；且 n为种群规模；Fm∈(0，1]为缩放因子，其作用是将随机选取的三只萤火虫个体的位置向量进行一定的缩放；当Fm较大时会降低FA搜索局部最优解的能力，当Fm较小时会加快FA的收敛速度，造成FA早熟收敛；

(5.2)将萤火虫种群中的目标个体位置 与所得的变异个体位置 进行交叉操作产生中间个体 其交叉操作为：式中，d＝1，2，…，D；rand(0，1)是0到1之间的随机数；drand是{1，2，…，D}之间的随机数；

表示d维第t代的第i只萤火虫个体的位置； 为交叉操作产生的d维第t代的新萤火虫个体的位置；CR为交叉概率，是[0，1]内的随机数；通过合理地选取交叉概率CR，有利于提高收敛速度和提高解的多样性；

(5.3)通过选择操作将从变异和交叉操作后的优秀个体保留下来并复制到下一代；选择操作可以简化为当新的个体位置ui与目标个体位置xi相比较时，如果新的个体位置ui更优，则将新的个体保留下来，反之，如果目标个体位置xi更优，则将目标个体保留下来；选择操作之后无论保留的是新的个体还是目标个体，种群状态都会优于或等于原来的状态，并不会使其状态更差；其选择操作为：其中，f(·)为适应度函数，用于计算当前萤火虫个体的适应度值； 为第t+1代的目标个体的位置。

5.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑4中任一项所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。

6.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑4中任一项所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。