1.一种基于聚集‑置换策略的机器人路径规划方法，其特征在于，包括如下步骤：

1)初始化种群及各变量，所述初始化种群中个体总数为n；

2)基于路径长度、路径角度与机器人能耗，设计适应度函数，计算n个个体的适应度值；

对个体的适应度值由小到大进行排序，选择排序前n个个体，并选出最优个体gb；所述最优个体gb为适应度值最小的个体；

3)保留适应度排序后的前j个个体，利用适应度聚集策略更新剩余n‑j个个体；根据n‑j个个体的适应度值，通过阈值比较或者百分比划分的方式将n‑j个个体划分为适应度较差个体和适应度中等个体；通过聚集策略引导适应度中等个体向最优个体gb靠近，并让适应度较差个体随机探索解空间；

4)利用置换策略更新随机选中的m个个体，通过置换策略探索解空间未搜寻的区域，同时增强种群多样性；

5)判断是否达到终止条件，若达到，迭代结束；否则，利用先后遗传算法交叉算子和变异算子生成新的n个体，此时种群中个体总数为2n，计算2n个个体的适应度，对2n个个体的适应度值由小到大进行排序，保留适应度值小的前n个个体进入下次迭代；

6)根据步骤(2)‑(5)进行迭代直到迭代结束，对迭代结束后生成的路径进行冗余路径点删除，输出最优路径。

2.根据权利要求1所述的基于聚集‑置换策略的机器人路径规划方法，其特征在于，步骤2)具体包括如下内容：

2‑1)定义初始适应度

F(n)＝α1f1(n)+α2f2(n) (1)式(1)中，f1(n)为路径长度，f2(n)为路径角能耗惩罚；α1、α2分别为路径长度和路径角能耗惩罚的权值；

2‑2)计算路径长度

式中(2)，N表示路径节点的数量，xi表示第i个路径节点Pi(xi,yi)的横坐标，yi表示第i个路径节点Pi(xi,yi)的纵坐标；

2‑3)计算路径角能耗惩罚

定义路径节点P1(x1,y1)、P2(x2,y2)、P3(x3,y3)分别为单一路径角上的3点，a、b、c分别为该3点所组成的三角形的边长，相对应的路径角θ为：定义不同路径角下的能耗惩罚值：

则路径角能耗惩罚为：

2‑4)归一化处理

计算f1(n)、f2(n)的均值μ和标准差σ：对初始适应度F(n)进行归一化，得到去量纲的适应度F′(n)：

2‑5)适应度排序

将种群中n个个体按照适应度从小到大进行排列，选出最优个体gb。

3.根据权利要求1所述基于聚集‑置换策略的机器人路径规划方法，其特征在于，步骤

3)中，将n‑j个个体中适应度值在整个种群中的排序位置小于n/2的个体定义为适应度中等个体，否则为适应度较差个体。

4.根据权利要求3所述基于聚集‑置换策略的机器人路径规划方法，其特征在于，步骤

3)中，利用聚集策略更新剩余个体的具体步骤如下：

3‑1)保留适应度排序靠前的10％‑20％个体，利用聚集策略遍历剩余个体；

3‑2)判断每个剩余个体的适应度在整个种群中所处的排序位置；

3‑3)若存在剩余个体的适应度排序位置小于n/2，利用公式(12)更新该剩余个体的位置；否则，利用公式(13)随机更新该剩余个体的位置；

公式(12)、(13)中， 是此次迭代适应度最高个体占据的最佳位置，Xworst表示上一代+ T T ‑1全局最差解位置；A表示一个1xD的矩阵，其中每个元素随机分配1或‑1，且A＝A (AA) ；Q是服从正态分布的随机数，L是每个元素都为1的1xD维的矩阵；

3‑4)重复步骤3‑2)—步骤3‑3)，直至遍历完种群所有剩余个体。

5.根据权利要求4所述基于聚集‑置换策略的机器人路径规划方法，其特征在于，步骤

4)中，利用置换策略更新随机选中的m个个体的具体步骤如下：

4‑1)从聚集策略作用后的种群中随机选取10％‑15％的个体mt；

4‑2)从整个解空间随机生成一个可行路径mtr；

4‑3)根据适应度函数，分别计算mt,mtr的适应度；

4‑4)比较mt,mtr二者的适应度大小；

4‑5)若f(mt)

4‑6)重复步骤4‑2)‑步骤4‑5)直至遍历mt结束。

6.根据权利要求5所述基于聚集‑置换策略的机器人路径规划方法，其特征在于，步骤

4‑5)中，所述Metropolis准则的具体表述如下：公式中(14)中，k为迭代的次数，E(k)为第k次迭代中的状态，T为算法中设置的初始温度，p为算法接受新状态的概率值。