1.基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，包括以下步骤：S1，采用二维平面空间对机器人工作空间进行建模，将障碍物以不同形状和大小的实体形式呈现在二维平面空间内的XOY坐标系中；

S2，将起始点S到目标点T的线段平均分割成D+1段，D为移动机器人路径所需的路径点个数，确定起始点S到目标点T上经过每个路径点的垂直线，在垂直线上随机选择一个节点Pi，将这些离散的路径点以及起始点S和目标点T顺序连接起来，构成一个完整的路径；

S3，将起始点S到目标点T直线作为横轴，将在XOY坐标系中的路径点投影在X′SY′坐标系上，每一个路径序列在X′轴上的投影长度均相同；

S4，设路径种群中有N个D维粒子个体，将每个粒子的第d维作为每个粒子的每一维映射相应的节点，因此，每个粒子是一个候选路径，基于区域分割的多目标粒子群优化算法的具体方法如下：S41，初始化种群和参数，随机生成一组初始粒子的速度和位置；

S42，判断初始粒子的速度和位置的是否满足停止标准，若满足，则输出粒子的速度和位置；否则执行S43；

S43，生成新的种群PP，同时执行S44和S45；

S44，从种群PP中选出收敛符合要求的解，进行区域分割；

执行交叉操作，用得到的新粒子取代劣粒子，形成新的种群P1；

对种群P1中的解进行分类，评估每个类别中的解，保留切比雪夫函数值最小的解；

确定收敛归档，执行S46；

S45，对种群PP执行二进制交叉，选择符合要求的解形成新的种群P2；

选择种群P2中任意距离大于要求的解放入多样性归档中；

确定多样性归档，执行S46；

S46，将收敛归档与多样性归档合并，形成种群EPOP，输出粒子的速度和位置；

S5，根据每个粒子的位置和速度，在X′SY′坐标系内寻找每个粒子的最优位置，并计算每个粒子的适应度，从而降低路径长度、碰撞风险度和路径光滑度；

S6，根据路径长度，碰撞风险度和路径光滑度建立机器人的行进路径。

2.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，S3中，XOY坐标系中的路径点通过下式变换为X′SY′坐标系中的点(x′,y′)；

其中，α为XOY坐标系与X′SY′坐标系之间的夹角，(xs,ys)代表XOY中起始点S的坐标。

3.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，S44中形成新的种群P1的具体方法如下：S441，根据粒子到全局最优位置的欧氏距离进行排序，以预设欧氏距离为界，将粒子区域分成界限内区域与界限外区域，界限内区域优粒子，界限外为劣粒子；

S442，从优粒子中选择两个粒子，进行交叉操作，即将两粒子的速度和位置进行交叉，生成一个新粒子的速度及位置信息；

S443，用新粒子的信息取代一个劣粒子的信息；

S444，重复执行S442和S443，直到所有劣粒子被取代，形成新的种群P1。

4.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，对种群P1中的解进行分类，评估每个类别中的解，保留切比雪夫函数值最小的解的具体方法如下：对种群P1中的解进行非支配排序，确定所有的非支配解，根据切比雪夫聚合函数对这些非支配解进行评估，选择切比雪夫函数值最小的解作为交叉操作的父代之一，另一个父代则在非支配解中随机选择；切比雪夫函数如下所示：其中，λ＝(λ1,λ2,…,λm)是一组权重向量，z＝(z1,z2,…,zm)是参考点，zi＝min{fi(x)|x∈Ω}。

5.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，交叉操作的方法如下：使用差分进化算法中的交叉操作来生成子代：

r1

其中，xi是较优粒子中的解， 是父代解x 在决策空间第i维的值，i＝1,2,…,n；CR是r2 r1交叉概率，F是缩放因子，rand是[0,1]之间均匀分布的随机数，x 为随机选择除x 外的解。

6.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，收敛归档的确定方法如下：基于初始种群所生成的一组权重向量和收敛性档案，将收敛性档案中的解集通过下式划分等级：

1 2 m

其中，i＝1,2,3..,N，Z＝(z ,z ,…,z)是一组理想点，取得是每个目标的最小值，Δ(Fi i(x),r)表示r和F(x)‑Z之间夹角的余弦值；

i

通过切比雪夫函数来评估CA的解集，选择切比雪夫函数的最小解，进行收敛归档。

7.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，种群P2中任意距离的计算方法如下：d(x)＝min{||F(x)‑F(y)||2*||F(x)‑F(y)||∞|y∈POP∩y≠x}其中，‖F(x)‑F(y)‖2和‖F(x)‑F(y)‖∞表示两个解之间的距离差。

8.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，计算粒子的速度和位置的方法如下：其中， 是粒子i在第k次迭代中第d维的速度， 是粒子i在第k次迭代中第d维的当前位置； 是粒子i在第k次迭代中第d维的个体极值点的位置，即在第k次迭代后，第i个粒子搜索得到的最优解； 是整个种群在第k次迭代中第d维的全局极值点的位置，即在第k次迭代后，整个粒子群体中的最优解；r1和r2均为区间[0,1]内的随机数，c1和c2均为加速系数，w是惯性权重，随着迭代的进行，线性的减小w的值。

9.根据权利要求8所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，惯性权重w的调整方法如下：其中，wmax和wmin分别是w的最大值和最小值；iter和itermax分别是当前迭代次数和最大迭代次数。

10.根据权利要求1所述的基于区域分割的多目标粒子群优化算法的机器人路径规划方法，其特征在于，路径长度的计算方法如下：计算相邻两个路径节点的距离，将所有相邻两个路径节点的距离相加得到路径长度；

碰撞风险度的计算方法如下：

计算路径与所有障碍物的危险度，将所有危险度相加得到碰撞风险度；

路径光滑度的计算方法如下：

其中，αi为第i个路径的偏转角，偏转角通过任意三个相邻的路径点组成，(Pi‑Pi‑1)·(Pi+1‑Pi)是两个向量之间的内积，‖Pi‑Pi‑1‖和‖Pi+1‑Pi‖表示向量的范数。