1.基于自学习蚁群算法的条形机器人路径规划方法，其特征是该条形机器人路径规划方法包括以下步骤：步骤1、环境建模：将真实机器人工作空间转化为密度为m×n栅格地图，以实现计算机存储；在栅格地图中标记好可行单元格、障碍物单元格、出发点单元格S和目标点单元格T；

步骤2、初始化阶段：确定条形机器人的姿态；在栅格地图出发点单元格初始化一个规模为G的种群；初始化每个单元格的信息素为θ＝1/(m×n)；

步骤3、初始搜索阶段：当蚂蚁个体Anti行进至某一单元格时，将综合条形机器人的姿态信息和栅格地图中的障碍物信息建立可行域；当蚂蚁个体Anti的可行域中发现了目标单元格，则建立一条可行路径；当种群搜索到C条可行路径后，选出长度最短的一条作为算法当前最优解Pbest，计算C条可行路径长度的平均值Lave，初始搜索结束；

步骤4、全局更新栅格地图信息素阶段：根据生成的C条可行路径，使用贪婪选择策略，更新整个栅格地图信息素；

步骤5、自学习搜索阶段：对蚂蚁个体Anti，根据合条形机器人的姿态信息和栅格地图中的障碍物信息建立Anti的搜索域，通过自学习搜索，完成Anti的下一步行进单元格选择，当Anti的搜索域中发现目标单元格，则建立一条可行路径Pi；如果Pi路径长度Lpi小于当前路径平均长度Lave，则更新Lave，进一步更新Pi路径上单元格的信息素；如果Pi路径长度Lpi小于当前最优路径Pbest的长度Lpb，则更新Pbest；

步骤6、输出规划路径阶段：输出Pbest作为条形机器人的最终行进路径。

2.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：所述步骤1的环境建模中，具体包括：将机器人工作空间，用m×n栅格建模，建模形成的地图称为栅格地图，并置于二维坐标系内；栅格地图中的单元格记为Bθ(x,y)，这里(x,y)为单元格坐标，且有x＝1,…,m和y＝1,…,n；θ为单元格信息素浓度；为方便存储，在栅格地图中，可行单元格被标记为“1”，障碍物单元格被标记为“0”。

3.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：所述步骤2的初始化阶段中，具体包括：将条形机器人姿态划分为0，π/2，π，3π/2，四种；其中

0姿态表示条状机器人机器人姿态与坐标系X轴平行，且头向右；π姿态表示条状机器人机器人姿态与坐标系X轴平行，且头向左；π/2姿态表示条状机器人机器人姿态与坐标系Y轴平行，且头向上；3π/2姿态表示条状机器人机器人姿态与坐标系Y轴平行，且头向下。

4.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：所述步骤3的初始搜索阶段中，具体包括：记录Anti当前行进的路径为一个禁忌栈Pi＝{pi1,pi2,pi3,…pit}，其中pij(j＝1,…,t)代表栅格地图中的单元格，pi1是出发点单元格S，pit是Anti当前所在单元格；所谓禁忌栈是指Pi的第t+1个单元格pit+1只许从栈顶pit插入且不允许t与栈中已有单元格重复；综合条形机器人的姿态信息和栅格地图中的障碍物信息建在p 周围计算可行域Fi。

5.根据权利要求4所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：以姿态π/2为例，第pit+1个单元格的选择包括如下步骤：

t t-1

(1)计算出p 周围临近的九个单元格中，除p 以外的可行单元格；Pi为禁忌栈不能有重复单元格，因此pt-1不被作为下一步行进单元格；

(2)根据条形机器人的姿态进一步筛选单元格；以三单元格描述条形机器人为例，假设机器人的姿态为π/2，如坐标为(x,y)的单元格B(x,y)为pt周围的可行单元格，并且B(x,y+1)和B(x,y+2)也为可行单元格，则B(x,y)被加入到Anti的可行域Fi；

(3)在可行域Fi选择第pt+1个单元格，通过如下公式：

上面公式中Fit表示表示蚂蚁个体Anti第t步时候所生成的可行域；Greed{Fit}表示使用贪婪策略，在Fit中选择一个离目标点单元格T直线距离最近的单元格；Rand{Fit}表示从Fit中随机选择一个单元格；r0为[0,1]上均匀分布的随机数，每次计算r0被重新生成；

(4)对于Anti如果Fit中存在目标单元格T，则算法发现一条可行路径；当整个总群搜索到C条可行路径后，选出一条距离最短的可行路径作为Pbest，并计算C条可行路径的平均路径长度Lave。

6.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：所述步骤4的使用贪婪选择策略更新整个栅格地图的信息素中，具体包括：将搜索到的C条路径的每条路径长度值取倒数，该倒数值作为每条路径沿途所经过的单元格的信息素值，如果多条路径经过同一个单元格，则通过贪婪选择策略，选则路径长度倒数值最大的作为该单元格信息素值。

7.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是：所述步骤5的自学习搜索阶段中，具体包括：种群中蚂蚁个体Anti执行自学习搜索；自学习搜索阶段Anti建立可行域的过程与发现可行路径的过程同步骤3类似；自学习搜索阶段Anti将通过自学习的方法完成下一步单元格选择：r1为[0,1]上均匀分布的随机数，每次计算r1被重新生成，自学习方式的具体搜索过程如下：(1)当0≤r1≤0.7时，执行自学习搜索，Learn{Fit}表示Anti在可行域Fit中通过自学习的方式选择信息素最大的单元格作为pt+1；

(2)当0.7＜r1≤0.9时，执行贪婪搜索，Greed{Fit}表示Anti在可行域Fit中选择距离目t+1标单元格T直线距离最近的单元格作为p ；

(3)当0.9＜r1≤1时，执行随机搜索，Rand{Fit}表示Anti在可行域Fit中随机选择一个单元格作为pt+1；

如果Pi路径长Lpi度小于当前路径平均长度Lave，则更新Lave，公式为：Lave＝(Lpi+Lave)/2

进一步更新Pi路径上单元格的信息素，公式为：

θ(x,y)＝min{θ(x,y),1/Lpi}

如果Pi路径长Lpi小于当前最优路径Pbest的长度Lpb，则更新Lpb和当前最优路径Pbest，公式为：Lpb＝min{Lpb,Lpi}

Pbest＝Opt{Pbest,Pi}。

8.根据权利要求1所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是该条形机器人路径规划方法的具体步骤如下：步骤S101：对工作空间建模，生成m×n栅格地图，实现计算机存储；栅格地图中的单元格记为Bθ(x,y)，这里(x,y)为单元格坐标，且有x＝1,…,m和y＝1,…,n；栅格地图中标记起点

100(用符号S表示)，障碍物单元格200(标记为0)，可行单300元格(标记为1)和终点400(用符号T表示)；

步骤S102：条形机器人的姿态包括：0(500)、π/2(600)、π(700)和3π/2(800)；确定条形机器人的姿态以π/2为例，起点100初始化一个规模为G的种群，所有单元格信息素初始化为：θ(x,y)＝1/(m×n)，这里x＝1,…,m且y＝1,…,n；

步骤S103：种群中蚂蚁个体搜索，当蚂蚁个体行进至某一单元格时，将综合条形机器人的姿态信息和栅格地图中的障碍物信息建立可行域900；当种群中第i只蚂蚁Anti的可行域中发现了目标单元格，则建立一条可行路径；当种群搜索到C条可行路径后，选出长度最短的一条作为算法当前最优解Pbest，计算C条可行路径长度的平均值Lave，初始搜索结束；

步骤S104：根据生成的C条可行路径，使用贪婪选择策略，更新整个栅格地图的信息素；

具体做法为：将所发现的C条路径，每条路径的径长度值取倒数，作为每条路径沿途所经过的单元格的信息素值，如果多条路径经过同一个单元格，则通过贪婪选择策略，选择路径长度倒数值最大的作为该单元格信息素；

步骤S105：完成种群的自学习搜索，根据发现的路径不断更新信息素和Pbest；种群中的蚂蚁个体Anti，根据合条形机器人的姿态信息和栅格地图中的障碍物信息建立Anti的可行域900，通过自学习搜索，完成Anti的下一步行进单元格选择，当Anti的搜索域中发现目标单元格，则建立一条可行路径Pi；如果Pi路径长Lpi度小于当前路径平均长度Lave，则更新Lave，公式为：Lave＝(Lpi+Lave)/2                     (1)进一步更新Pi路径上单元格的信息素，公式为：

θ(x,y)＝min{θ(x,y),1/Lpi}                  (2)如果Pi路径长Lpi小于当前最优路径Pbest的长度Lpb，则更新Lpb和当前最优路径Pbest，公式为：Lpb＝min{Lpb,Lpi}                    (3)Pbest＝Opt{Pbest,Pi}                         (4)；

S106：判断算法执行是否达到结束条件；算法结束条件为：生成的Pbest满足要求或算法迭代次数达到预定值；如果达到，则执行S107；否则，执行S105；

S107：输出Pbest作为真实机器人最终规划路径。

9.根据权利要求8所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是所述初始搜索阶段步骤S103的详细过程如下：S201：设置循环控制变量i＝0；

S202：循环控制变量i自增1；

S203：判断i是否小于总群规模G，如果i≤G，则执行S204；否则，执行S201；

S204：总群中第i只蚂蚁Anti根据初始搜索策略，向前行进一步；记录Anti当前行进的路径为一个禁忌栈Pi＝{pi1,pi2,pi3,…pit},其中pij(j＝1,…,t)代表栅格地图中的单元格，pi1是出发点单元格100，pit是Anti当前所在单元格；所谓禁忌栈是指Pi的第t+1个单元格pit+1只许从栈顶pit插入且不允许与栈中已有单元格重复；综合条形机器人的姿态信息和栅格地图中的障碍物信息建在pt周围计算可行域Fi；以姿态π/2为例，第pit+1个单元格的选择包括如下步骤：(1)计算出pt周围临近的九个单元格中，除pt-1以外的可行单元格(Pi为禁忌栈不能有重t-1复单元格，因此p 不被作为下一步行进单元格)；

(2)根据条形机器人的姿态进一步筛选单元格；以三单元格描述条形机器人为例，假设机器人的姿态为π/2，如坐标为(x,y)的单元格B(x,y)为pt周围的可行单元格，并且B(x,y+1)和B(x,y+2)也为可行单元格，则B(x,y)被加入到Anti的可行域Fi；

t+1

(3)在可行域Fi选择第p 个单元格，通过如下公式：

上面公式中Fit表示表示蚂蚁个体Anti第t步时候所生成的可行域；Greed{Fit}表示使用贪婪策略，在Fit中选择一个离目标点单元格T直线距离最近的单元格；Rand{Fit}表示从Fit中随机选择一个单元格；r0为[0,1]上均匀分布的随机数，每次计算随机数r0被重新生成；

S205：判断Anti可行域中是否存在目标单元格；如果Anti可行域中存在目标单元格，则执行S206；否则，执行S202；

S206：建立一条可行路径被Pi记录，并且Anti返回初始单元格位置；

S207：判断记录的可行路径数量是否达到C条；如果可行路径数量达到C条，则执行S208；否则，执行S202；

S208：根据C条可行路径，选出最优的一条被Pbest记录；

S209：根据发现的C条可行路径，计算所有可行路径的平均距离Lave。

10.根据权利要求8所述的基于自学习蚁群算法的条形机器人路径规划方法，其特征是所述的种群的自学习搜索阶段步骤S105详细过程如下：S301：设置循环控制变量i＝0；

S302：循环控制变量i自增1；

S303：判断i是否小于总群规模G；如果i≤G，则执行S304；否则，执行S301；

S304：Anti根据自学习搜索策略，向前行进一步；蚂蚁个体Anti，根据合条形机器人的姿态信息和栅格地图中的障碍物信息建立Anti的搜索域，通过自学习搜索，完成Anti的下一步行进单元格选择；自学习搜索过程描述如下：上式中，r1为[0,1]上均匀分布的随机数，每次计算r1被重新生成，自学习方式的具体搜索过程如下：(1)当0≤r1≤0.7时，执行自学习搜索，Learn{Fit}表示Anti在可行域Fit中通过自学习的方式选择信息素最大的单元格作为pt+1；

(2)当0.7＜r1≤0.9时，执行贪婪搜索，Greed{Fit}表示Anti在可行域Fit中选择距离目标单元格T直线距离最近的单元格作为pt+1；

(3)当0.9＜r1≤1时，执行随机搜索，Rand{Fit}表示Anti在可行域Fit中随机选择一个单元格作为pt+1；

S305：判断第i只蚂蚁Anti是否发现目标单元格；如果Anti发现目标单元格，则执行S306；否则，执行S302；

S306：第i只蚂蚁Anti建立一条可行路径Pi，Anti返回初始位置单元格S；

S307：判断Pi的路径长度Lpi是否小于算法记录的平均路径长度Lave；如果小于，则执行S308；否则，执行S302；

(x,y)

S308：更新发现的可行路径所经过的单元格信息素为θ ＝1/Lpi；

S309：重新计算Lave，计算公式为：

Lave＝(Lpi+Lave)/2                             (7)S310：用Pi更新当前最优路径Pbest

Pbest＝Opt{Pbest,Pi}。