1.一种基于时序窗口矩阵的多机器人路径规划方法，通过路径规划模块为集群中每个机器人规划出一条基础路径，再通过冲突处理模块处理所有耦合点，确保机器人行进彼此不会发生碰撞；其方法包括三个模块的建立，具体是环境初始化模块、基础路径规划模块和冲突处理模块；

(1)环境初始化模块的建立

对工作空间环境建模，得到环境初始化模块，其步骤如下：步骤1：将环境地图网格化，形成一个单元格密度为X×Y的栅格地图，每个单元格被表(x,y) x y示为c ，横坐标表示为c ，纵坐标表示为c ；障碍物单元格标记为“0”，可行单元格标记为“1”；栅格中每个单元格的右下角在直角坐标系中的坐标作为单元格坐标；

步骤2：设集群中机器人规模为M，则第m(m＝1,…,M)个机器人的出发点单元格坐标被Sm(x,y) (x,y)记录，目标点单元格坐标被Dm 记录；栅格地图中标记每个机器人的出发点单元格和目标点单元格；

(2)基础路径规划模块的建立

对第m个机器人进行路径规划，得到基础路径规划模块，其步骤如下：(x,y)

步骤1：初始化栅格地图信息素：每个单元格记录两种信息素，分别用函数θ1(c )和θ2(x,y) (x,y) (x,y)(c )计算，第一种信息素θ1(c )的计算基于单元格c 被走过的次数，初始值为0；第(x,y)二种信息素θ2(c )的计算基于单元格所在的最短路径长度，初始值为X×Y；

(x,y)

步骤2：初始化蚁群：在初始点Sm 位置初始化种群规模为I的蚁群；第i只蚂蚁被符号化为Anti；按下标划分，当i mod 10＝0时Anti蚂蚁作为分流蚁(mod表示取模运算)，执行分流搜索操作；当i mod 10≠0时Anti蚂蚁作为贪婪蚁，执行贪婪搜索操作；

步骤3：蚁群搜索：蚁群在迭代次数MAX限定范围内完成执行搜索，用Pm记录当前全局最优路径；Pi记录Anti发现的最优路径，在算法执行过程中Pi、Pm与栅格地图信息素被不断更新；

步骤4：输出最优路径Pm；

(3)冲突处理模块的建立

通过时序窗口矩阵算法处理集群中机器人路径的耦合点；当M个机器人都通过基础路径规划模块规划出M条可行路径后，将M条可行路径存储于一个M行，N列的矩阵A中，这里N＝X×Y；存储方法是第m条路径Pm存储在矩阵A的第m行；矩阵A称为时序窗口矩阵，其中Am,n表示矩阵中第m行n列的元素(本质上为一个单元格)，Am表示第m行所有元素，这里Am理解为一个线性表，An表示第n列所有元素；时序窗口矩阵算法执行过程如下：步骤1：建立时序窗口矩阵A并插入数据；将M条路径作为M行数据插入到矩阵A中；此时A中M行数据长短不同；每一个数据本质为一个单元格，每一行数据Am理解为一个线性表；

步骤2：查找矩阵A中的耦合点；以处理第n列数据为例(其他列处理方法相同)，遍历第n列数据，当出现相同单元格，则发现耦合点；

步骤3：耦合点处理；例如m行n列所存储的单元格与m+e行n列所存储的单元格相同，即：Am,n＝Am+e,n；则比较A中m行与m+e行长度，选择其中较短的一个执行线性表插入，具体做法如下：length(Am)：表示求一个线性表Am的长度；insert(Am,n,Am,n‑1)表示将Am,n‑1元素插入到线性表Am的第n个位置；insert(Am+e,n,Am+e,n‑1)表示将Am+e,n‑1元素插入到线性表Am+e的第n个位置；

步骤4：第n列数据处理完毕。

2.根据权利要求1所述的一种基于时序窗口矩阵的多机器人路径规划方法，其特征是：所述基础路径规划模块的建立步骤3中，蚁群搜索，具体包括：Pi记录当前蚂蚁Anti一发现的最优路径，Anti当前行进的路径为pathi，pathi＝{p1,p2,…,pt}，这里，pathi为一个禁忌线性表，其特点是其中元素有序且不重复，p1,p2,…,pt为单元格，pt存放t时刻蚂蚁Anti所在的(x,y)单元格，也就是Anti当前所在的单元格，p1,p2,…,pt构成了Anti的行进路径；Fi＝{fj |j(x,y)＝1,2,…}表示Antn的可行域，由pt周围除pt‑1以外的所有可行单元格fj 构成；

如果Anti是分流蚁，则执行分流搜索操作，Anti行进一步依据下面公式完成：where

fj∈Fi

(x,y)

上式中θ1(fj )表示第一类信息素计算，计算依据单元格被行走的次数，对于pathi上(x,y)的单元格c ，其中第一类信息素更新方法为：

(x,y) (x,y)

θ1(c )＝θ1(c )+1

(x,y)

表示路径pathi上单元格c 的行走次数加1；

(x,y) (x,y)

τ(fj )为启发信息，含义为fj 到目标单元格的欧氏距离，计算方法为：参数α1，α2属于超参数，决定了信息素和启发信息的重要程度，在分流蚁行进过程中，算法鼓励通过分流发现新路径，因此α1＝0.6，α2＝0.4；rand{Fi}则表示从集合Fi随机选择一个单元格；r是一个随机数并且r～U(0,1)；r0是一个阈值，r0＝0.7；

如果Anti是贪婪蚁，则执贪婪搜索操作，则Anti行进一步依据下面公式完成：where

fj∈Fi

(x,y)

上式中θ2(fj )表示第二类信息素计算，第二类信息素更新方法为：(x,y) (x,y)

θ2(c )＝min{length(pathi),θ2(c )}(x,y)

第二类信息素记录了经过c 的最短路径长度值，其中length(pathi)表示计算pathi路径长度；

(x,y)

τ(fj )含义与分流搜索相同；参数β1，β2属于超参数，决定了信息素和启发信息的重要程度，在贪婪蚁行进过程中，算法鼓励发现最短路径，因此β1＝0.4，β2＝0.6；rand{Fi}含义与分流搜索相同；r与r0含义与分流搜索相同；

(x,y)

当Fi中存在单元格Dm ，则发现一条可行路径，按下面公式更新Pi，Pi＝Opt(Pi,pathi)

按下面公式更新Pm：

Pm＝Opt(Pm,pathi)

进一步更新所有pathi路径上的单元格信息系素。

3.根据权利要求1所述的一种基于时序窗口矩阵的多机器人路径规划方法，其特征是它的具体步骤如下：步骤S101：将环境地图网格化，形成一个单元格密度为X×Y的栅格地图，每个单元格被(x,y) x y表示为c ，横坐标表示为c ，纵坐标表示为c ；障碍物单元格100标记为“0”，可行单元格

200标记为“1”；栅格中每个单元格的右下角在直角坐标系中的坐标作为单元格坐标；

步骤S102：设集群中机器人规模为M，则第m(m＝1,…,M)个机器人的出发点单元格300(x,y) (x,y)坐标被Sm 记录，目标点单元格400坐标被Dm 记录；栅格地图中标记每个机器人的出发点单元格和目标点单元格；

步骤S103：对集群中M个机器人进行基础路径规划，为每个机器人生成一条基础路径，该基础路径为最优或相对最优，规划过程不考虑耦合点；

步骤S104：时序窗口矩阵算法处理集群中机器人路径的耦合点；

步骤S105：时序窗口矩阵A的第m行数据，对应集群中第m个机器人的最终规划路径，输出所有路径。

4.根据权利要求3所述的一种基于时序窗口矩阵的多机器人路径规划方法，其特征是对步骤S103基础路径规划模块进行详细描述如下：(x,y)

步骤S201：初始化栅格地图信息素；每个单元格记录两种信息素，分别用函数θ1(c )(x,y) (x,y) (x,y)和θ2(c )计算，第一种信息素θ1(c )的计算基于单元格c 被走过的次数，初始值为：(x,y)

0；第二种信息素θ2(c )的计算基于单元格所在的最短路径长度，初始值为：X×Y；

(x,y)

步骤S202：初始化蚁群；在初始点Sm 位置初始化种群规模为I的蚁群，第i只蚂蚁被符号化为Anti；按下标划分，当i mod 10＝0时Anti蚂蚁作为分流蚁(mod表示取模运算)，执行分流搜索操作；当i mod 10≠0时Anti蚂蚁作为贪婪蚁，执行贪婪搜索操作；

步骤S203：蚁群搜索；蚁群在迭代次数MAX限定范围内完成执行搜索，用Pm记录当前全局最优路径；Pi记录当前蚂蚁Anti一发现的最优路径，Anti当前行进的路径为pathi，pathi＝{p1,p2,…,pt}，这里，pathi为一个禁忌线性表，其特点是其中元素有序且不重复，p1,p2,…,pt为单元格，pt存放t时刻蚂蚁Anti所在的单元格，也就是Anti当前所在的单元格；p1,p2,…,(x,y)pt构成了Anti的行进路径；Fi＝{fj |j＝1,2,…}表示Antn的可行域，由pt周围除pt‑1以外(x,y)的所有可行单元格fj 构成；

如果Anti是分流蚁，则执行分流搜索操作，Anti行进一步依据公式(1)完成：(x,y) (x,y) (x,y)

公式(1)中θ1(fj )表示第一类信息素计算；τ(fj )为启发信息，含义为fj 到目(x,y)标单元格的欧氏距离；τ(fj )通过公式(2)计算：参数α1，α2属于超参数，决定了信息素和启发信息的重要程度，在分流蚁行进过程中，算法鼓励通过分流发现新路径，因此α1＝0.6，α2＝0.4；rand{Fi}则表示从集合Fi随机选择一个单元格；r是一个随机数并且r～U(0,1)；r0是一个阈值，r0＝0.7；

如果Anti是贪婪蚁，则执贪婪搜索操作，则Anti行进一步依据公式(3)完成：(x,y) (x,y)

公式(3)中θ2(fj )表示第二类信息素计算；τ(fj )含义与分流搜索相同；参数β1，β2属于超参数，决定了信息素和启发信息的重要程度，在贪婪蚁行进过程中，算法鼓励发现最短路径，因此β1＝0.4，β2＝0.6；rand{Fi}含义与分流搜索相同；r与r0含义与分流搜索相同；

(x,y)

当Fi中存在单元格Dm ，则发现一条可行路径，按公式(4)Anti发现的最优路径Pi：Pi＝Opt{Pi,pathi}                             (4)按公式(5)更新全局最优路径Pm：

Pm＝Opt(Pm,pathi)                     (5)(x,y)

进一步更新所有pathi路径上的单元格信息系素；对于pathi上的单元格c ，其中第一类信息素更新方法为：(x,y) (x,y)

θ1(c )＝θ1(c )+1                    (6)(x,y)

表示路径pathi上单元格c 的行走次数加1；

第二类信息素更新方法为：

(x,y) (x,y)

θ2(c )＝min(length(pathi),θ2(c ))           (7)(x,y) (x,y)

表示路径pathi单元格c 第二类信息素记录了经过c 的最短路径长度值，其中length(pathi)表示计算pathi路径长度。

5.根据权利要求3所述的一种基于时序窗口矩阵的多机器人路径规划方法，其特征是对步骤S104冲突处理模块中时序窗口矩阵算法处理耦合点进行详细描述如下：步骤S301：建立时序窗口矩阵A并插入数据；将步骤S103规划出的M条路径作为M行数据插入到矩阵A中；矩阵A的规模为M行，N列，其中N＝X×Y；将第m条路径Pm对应存储于矩阵A的第m行；此时A中M行数据长短不同；每一个数据本质为一个单元格，每一行数据Am可以理解为一个线性表；

步骤S302：设置循环控制变量n←0；

步骤S303：执行n←n+1；

步骤S304：处理第An列存在的耦合点；遍历An列所有单元格，如果有相同单元格安下面方法处理：如果m行n列所存储的单元格与m+e行n列所存储的单元格相同，即：Am,n＝Am+e,n；则比较A中m行与m+e行长度，选择其中较短的一个执行线性表插入，具体做法如下：length(Am)表示求一个线性表Am的长度；insert(Am,n,Am,n‑1)表示将Am,n‑1元素插入到线性表Am的第n个位置；insert(Am+e,n,Am+e,n‑1)表示将Am+e,n‑1元素插入到线性表Am+e的第n个位置；

步骤S305：如果n≤N，则执行S303；否则执行S306；

步骤S306：输出矩阵A，冲突处理完毕。