1.一种基于改进蚁狮算法的巡检机器人路径规划方法，其特征在于：包括以下步骤：步骤1：根据栅格法对巡检机器人巡检区域地图进行建模，得到栅格地图，并设计巡检机器人路径规划的适应度函数；

步骤2：在原始蚁狮算法的基础上，采用改进型Sine混沌映射对蚂蚁和蚁狮种群初始化，并加入自适应选择概率策略和单纯形法搜索策略；采用改进型Sine混沌映射产生随机数：Xt+1＝μ*sin[π(κ*Xt+Xt‑1)]式中：Xt+1、Xt和Xt‑1分别为改进型Sine混沌映射生成的下一个随机数、当前随机数和前一个随机数；μ和κ为控制系数；当μ取值为5且κ为任意非零实数时，改进型Sine映射处于混沌状态；

自适应选择概率策略的具体步骤为：

算法通过计算适应度函数，选取适应度值最高的为精英蚁狮Eelite，通过轮盘赌操作选取轮盘赌蚁狮Eroulette，蚂蚁根据自适应选择概率策略来选择是否围绕精英蚁狮Eelite进行随机游走，算法实现过程为：设自适应选择概率策略的概率为P，P值随迭代次数t进行动态变化但其取值范围始终处于0和1之间，通过与rand函数的比较来实现对精英蚁狮Eelite和轮盘赌蚁狮Eroulette的选择，自适应选择概率策略的概率P表达式如下：其中，T为最大迭代次数，蚂蚁随机游走的过程由下式表示：X(t)＝[0,cussum(2r(1)‑1),...,cussum(2r(T)‑1)]式中：cussum为计算累加和；r(t)为随机数0或1；r(t)的表达式如下：采用自适应选择概率策略后的蚁狮算法，其精英化过程以及蚁狮捕食蚂蚁的过程可由下式表示：式中： 为第t次迭代时第i只蚂蚁的位置； 为第t次迭代时j维的当前蚁狮位置；AL(elite)t,j为第t次迭代时j维的精英蚁狮位置；AL(random)t,j为第t次迭代时j维的随机蚁狮位置；AL(roulette)t，j为第t次迭代时j维的轮盘赌蚁狮位置；ν为控制算子；

步骤3：采用改进后的蚁狮算法对巡检机器人巡检路径进行优化，得到最优路径规划结果。

2.根据权利要求1所述的一种基于改进蚁狮算法的巡检机器人路径规划方法，其特征在于，所述步骤1具体步骤为：采用栅格法对机器人巡检区域地图进行建模，按照一定规则将地图划分成m×n个相同的栅格，栅格分为黑色和白色两种，黑色栅格表示不可行栅格记为1，白色栅格表示可行栅格记为0；

所述适应度函数表达式为：

式中：F(i)为路径规划的适应度函数，i表示巡检机器人执行任务过程中路径迭代的次数，Ri表示巡检机器人在执行任务的总路径长度。

3.根据权利要求1所述的一种基于改进蚁狮算法的巡检机器人路径规划方法，其特征在于，所述步骤2中采用改进型Sine混沌映射对蚂蚁和蚁狮种群初始化的具体步骤为：设定种群大小为N，最大迭代次数为T，种群的上界和下界分别为ub和lb；

采用改进型Sine混沌映射对蚂蚁和蚁狮种群初始化后，蚂蚁和蚁狮的位置可表示为：Xant(t+1)＝lb+(ub‑lb)*Xt+1Xantlion(t+1)＝lb+(ub‑lb)*Xt+1式中：Xant(t+1)和Xantlion(t+1)分别为蚂蚁和蚁狮种群的位置矩阵。

4.根据权利要求1所述的一种基于改进蚁狮算法的巡检机器人路径规划方法，其特征在于，所述步骤2中单纯形法搜索策略的具体步骤为：(2‑1)根据适应度函数，计算出蚁狮种群的适应度值并选取出最优值Xg，次优值Xb和最差值Xw，计算中心点Xc为：(2‑2)根据最差值Xw和中心点Xc的位置进行反射操作，反射点Xr为：Xr＝Xc+α1·(Xc‑Xw)

式中：α1为反射因子；

(2‑3)如果F(Xr)＜F(Xg)，说明反射反向正确，则进行扩展操作，扩展点Xe为：Xe＝Xc+α2·(Xr‑Xc)

式中：α2为扩展因子；F为适应度函数，如果F(Xe)＜F(Xg)，则扩展点Xe替换最差值Xw；否则，以反射点Xr替换最差值Xw；

(2‑4)如果F(Xr)＞F(Xg)，说明反射反向错误，则进行压缩操作，压缩点Xt为：Xt＝Xc+α3·(Xw‑Xc)

式中：α3为压缩因子，如果F(Xw)＜F(Xt)，则压缩点Xt替换最差值Xw；

(2‑5)如果F(Xw)＜F(Xr)＜F(Xg)，则进行收缩操作，收缩点Xs为：Xs＝Xc‑α4(Xw‑Xc)

式中：α4为收缩因子；如果F(Xw)＜F(Xs)，则收缩点Xs替换最差值Xw；否则，以反射点Xr替换最差值Xw。