1.一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，包括：S1、在原有的蝴蝶优化算法的蝴蝶香味计算阶段引入动态感觉模态、在原有的蝴蝶优化算法的全局搜索阶段引入遗传算法的选择因子、在原有的蝴蝶优化算法的局部搜索阶段引入动态参数优化的变异因子得到在迭代过程中收敛速度更快的改进蝴蝶优化算法；

S1中，在原有的蝴蝶优化算法的蝴蝶香味计算阶段引入动态感觉模态得到优化后的蝴蝶香味的具体公式为：；

其中，表示当前第 次迭代时的感觉模态参数，是刺激因子，是响应强度，取值范围为 ，表示第i只蝴蝶， 是衡量每只蝴蝶的香味值；

在全局搜索阶段引入遗传算法中的选择因子 得到蝴蝶进行全局搜索的具体计算公式为：；

其中， 表示第 只蝴蝶在第 次迭代中的解向量，表示第 只蝴蝶在第 次迭代中的解向量；是遗传算法中的选择因子； 表示当前最优解向量，即适应型函数值最小的蝴蝶； 表示第 只蝴蝶的香味值；

在局部搜索阶段引入动态参数优化的变异因子 得到蝴蝶进行局部搜索的具体计算公式为：；

其中， 表示第 只蝴蝶在第 次迭代中的解向量，表示第 只蝴蝶在第 次迭代中的解向量，、分别表示随机选择的第 只蝴蝶、第 只蝴蝶在第 次迭代中的解向量，是随机数， 表示第 只蝴蝶的香味值，表示当前最优解向量，即适应型函数值最小的蝴蝶；

S2、设置关于改进蝴蝶优化算法的相关参数以及蝴蝶个数；

S3、构建栅格地图，设置移动机器人的起点与终点并初始化蝴蝶个数；

S4、设置适应性函数；

S5、基于所述改进蝴蝶优化算法计算每只蝴蝶的香味，获得初始香味最浓的最佳蝴蝶；

S6、基于初始香味最浓的最佳蝴蝶通过改进蝴蝶优化算法对每只蝴蝶进行迭代，计算选择因子与变异因子，以进行局部搜索或全局搜索；

S7、判断是否达到最大迭代次数，若是，跳转至S8，否则，返回S6；

S8、输出最优路径和适应度值，结束。

2.根据权利要求1所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，所述刺激因子 与适应性函数呈反比，所述适应性函数具体为：；

其中，n表示初始蝴蝶总群个数，表示第i只蝴蝶的路径，d为该蝴蝶的维度，即蝴蝶的路径节点数，k取值1 d‑1，( , )、( , )均为蝴蝶的路径上的节点坐标，其中，( ,~)为( , )的下一个节点的坐标。

3.根据权利要求1所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，所述动态感觉模态的具体公式为：；

其中，表示当前第 次迭代时的动态感觉模态参数， 表示下次迭代时的动态感觉模态参数， 为总的迭代次数。

4.根据权利要求1所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，遗传算法中的选择因子 的具体公式为：；

其中，M表示种群中蝴蝶的数量， 表示第 只蝴蝶的香味值。

5.根据权利要求1所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，所述变异因子 的具体公式为：；

其中，为当前迭代次数， 为总的迭代次数，为变异因子的权重系数。

6.根据权利要求1所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，S6中，设置切换概率m，在每次迭代时每只蝴蝶分别随机生产一个随机数r，将切换概率m和随机数r进行比较，来决定每只蝴蝶进行全局搜索还是局部搜索。

7.根据权利要求6所述的一种基于改进蝴蝶优化算法的移动机器人路径规划方法，其特征在于，随机数r的具体公式如下：。