1.一种排序野马优化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：S1 算法初始化;建立移动机器人路径规划的二维栅格地图模型，给定移动机器人的起点和终点坐标;利用二维栅格地图模型及起点和终点坐标，获取移动机器人从起点到终点可行路径集;初始化野马种群，包括种群数量，最大迭代次数，种马率，交配率，种马个数，马驹个数等参数;S2 组建初始化野马群组;首先，根据种马个数设定群组个数，并将所有马驹平均分配到每个群组;根据起点位置，确定种马和马驹的初始位置;S3 循环变量初始化;重置起点位置、终点位置、路径长度、已访问的格点集、待访问的格点集;S4 更新马驹格点位置;根据马驹放牧吃草阶段模型或交配繁殖阶段模型，更新每个群组中所有马驹相对种马的格点位置;生成一维随机数，与交配率相比较;若随机数大于交配率，则根据马驹放牧吃草阶段模型，更新每个群组中所有马驹的格点位置;若随机数小于等于交配率，则根据种马繁殖交配阶段模型，更新每个群组中所有马驹的格点位置;S5 更新状态和记录;将新的格点加入已访问格点集，更新已访问格点集，更新待访问格点集;S6 判断是否访问到终点且是否待访问格点数为0，否则返回S3;S7 更新马驹路径;

S8 判断是否所有马驹参与访问，否则返回S3;

S9 更新种马格点位置;根据种马竞争阶段的模型，更新所有群组中的种马相对与最佳位置的格点位置;比较随机生成的一维随机数与0.5的大小;若随机数大于0.5，则种马位置靠近当前最优值所在的位置;若随机数小于等于0.5，则种马位置远离当前最优值所在的位置;S10 更新种马格点位置权值;种马格点位置权重更新公式如下：[P(si)]=w(m,i)P(si)

其中，[P(si)]为种马i下一刻的格点位置，P(si)为种马i当前的格点位置，w(m,i)为第m次迭代种马i适应度系数，其表达式如下：W(m,i)=(1‑m/M)(wmax‑num+1)

其中，wmax为种马的最大适应度系数;num为种马i的序号;S11 判断是否所有群组参与访问，否则返回S3;若所有群组均参与访问，则根据各种马的适应度，得到适应度的最小值及其适应度最小值对应的路径S12 判断是否达到最大迭代次数，否则返回S3;

S13 输出全局最优解。

2.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S1算法初始化为：建立移动机器人路径规划的二维栅格地图模型，给定移动机器人的起点和终点坐标；

利用二维栅格地图模型及起点和终点坐标，获取移动机器人从起点到终点可行路径集；初始化野马种群，包括定义种群数量N，最大迭代次数M，种马率Ps，交配率Pc；计算种马个数Ns，马驹个数Ng；其中种马个数为Ns=N*Ps；马驹个数为Ng=N‑Ns。

3.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S2组建初始化野马群组包括以下步骤：以种马个数Ns为基准，建立Ns个野马群组，将Ng个马驹平均分配到每个群组；每个野马群组包括1个种马和若干马驹；根据起点位置，确定种马和马驹的初始位置。

4.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S3循环变量初始化包括：重置起点位置、重置终点位置、重置路径长度、重置已访问的格点集、重置待访问的格点集；定义当前迭代次数m=1，当前种马数i=1，当前马驹数j=1。

5.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S4更新马驹格点位置包括以下步骤：S4‑1，假设存在一个[0，1]内的随机数R；若随机数大于交配率，即R>Pc，则马驹个体处于放牧吃草阶段，马驹个体的格点位置更新公式为[P(si,gi)]=2Acos(2piA)[P(si)‑P(si,gi)]+P(si)A=R2[R1>=(1‑m/M)]+R3[R1<(1‑m/M)]其中，[P(si,gi)]是群组i中马驹j下一刻的格点位置；P(si,gi)为群组i中马驹j当前的格点位置；P(si)为群组i种马当前的格点位置；R1和R3是在[0,1]范围内均匀分布的随机向量；R2是在[0,1]范围内均匀分布的随机数；

S4‑2，若随机数小于等于交配率，即R<=Pc，则马驹个体处于交配繁殖阶段；马驹个体的格点位置更新公式为P(sc,gab)=[P(sa,gmax)+P(sb,gmax)]/2其中，a、b、c互不相等，P(sc,gab)为群组c中的马驹ab的格点位置；P(sa,gmax)为群组a中适应度最大的马驹所对应的格点位置；P(sb,gmax)为群组b中适应度最大的马驹所对应的格点位置；a、b、c互不相等代表a、b、c为不同的群组；其中，任意群组中适应度最大的马驹所对应的格点位置的计算过程为，根据各马驹的路径，求得各马驹的适应度，将各马驹的适应度按从小到大的顺序排列，得到适应度最大的马驹所对应的格点位置；马驹的适应度计算公式如下F(Xi)=sum[sqrt((E(n+1)‑xn)^2+(E(n+1)‑yn)^2)]，n=1：d‑1其中，F(Xi)为马驹i的格点路径，(xn,yn)表示在栅格地图上第n个格点的坐标，同理，(E(n+1),E(n+1))表示在栅格地图上终点的坐标；d表示移动机器人路径规划的维数；

S5，更新状态和记录；将新的格点加入马驹已访问格点集，更新已访问格点集，更新待访问格点集；

S6，判断是否访问到终点且是否待访问格点数为0，否则返回S3；

S7，更新马驹路径；

S8，判断是否所有马驹参与访问；若当前马驹数小于马驹数，即j

若当前马驹数大于等于马驹数，即j>=Ng，则更新种马路径。

6.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S9更新种马路径包括：S9‑1，假设存在一个[0,1]内的随机数Q；若随机数Q大于0.5，即Q>0.5，则种马靠近当前最优值所对应的格点位置，种马格点位置更新公式为：[P(si)]=2Acos(2piA)[Pbest‑P(si)]+PbestS9‑2，若随机数Q小于等于0.5，即Q<=0.5，则种马远离当前最优值所对应的格点位置，种马格点位置更新公式为：[P(si)]=2Acos(2piA)[Pbest‑P(si)]‑Pbest其中，[P(si)]为群组i中种马的下一壳的格点位置；P(si)为群组i中种马的当前格点位置；Pbest为当前最优个体的格点位置。

7.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S10更新格点位置权值包括：适应度排序，更新种马格点位置权重；种马格点位置权重更新公式如下：[P(si)]=w(m,i)P(si)

其中，[P(si)]为种马i下一刻的格点位置，P(si)为种马i当前的格点位置，w(m,i)为第m次迭代种马i适应度系数，其表达式如下：W(m,i)=(1‑m/M)(wmax‑num+1)

其中，wmax为种马的最大适应度系数；num为种马i的序号；

num的求解过程为：根据各种马的路径，求各种马的适应度；将各种马的适应度按从小到大的顺序排列，将种马i的序号作为num；各种马的适应度计算也采用马驹的计算公式。

8.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S11判断是否所有群组参与访问包括：若当前种马个数小于种马个数，即i=Ns，则根据各种马的路径，求各种马的适应度，得到适应度的最小值及其适应度最小值对应的路径。

9.根据权利要求1所述一种排序野马优化算法的移动机器人路径规划方法，其特征在于，S12判断是否达到最大迭代次数包括：若当前迭代次数小于最大迭代次数，即m=M，则退出循环；

S13的具体实施过程为将适应度值最小的野马路径作为移动机器人路径规划的最优路径，输出全局最优解。