1.一种机械臂求解方法，其特征在于，所述机械臂求解方法基于多目标全求解粒子群算法，包括如下步骤：

初始化每个粒子，采用限域均匀分布方法设计初始化粒子群；

设计惯性权重对应的非线性函数；

在设计学习因子中引入预设函数；

在位置更新方程中，引入时间因子；

在预设目标约束条件下，对多目标函数进行优化改进；

根据所述预设目标中的至少一个预设要求，构建适应度函数。

2.根据权利要求1所述的机械臂求解方法，其特征在于，所述初始化每个粒子，采用限域均匀分布方法设计初始化粒子群的步骤包括：根据机械臂每个关节的角度限制，将每一维粒子群的初始值均匀分布在该范围内。

3.根据权利要求1所述的机械臂求解方法，其特征在于，所述设计惯性权重对应的非线性函数的步骤包括：

评估每个粒子群，根据全局与局部搜索的特点，设计最优惯性权重非线性函数；

其中，在算法的迭代前期，通过全局搜索的方式锁定目标局部范围，此时，惯性权重处于第一预设值wmax的偏差范围内；

在算法的迭代后期，惯性权重缩小，不小于第二预设值wmin的情况下，变化实现局部精准定位，从而以较快的速度获得最佳惯性权重，惯性权重非线性函数为随迭代步增加的单调递增凸函数，如公式：其中，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。

4.根据权利要求1所述的机械臂求解方法，其特征在于，所述在设计学习因子中引入预设函数的步骤中：

所述预设函数c1是随迭代步增加的单调递增凸函数，所述预设函数C2是随迭代步增加的单调递减凹函数，学习因子反映粒子在群体之间的信息交流程度，c1和c2函数分别反映自我认知和社会认知，所述预设函数使学习因子在迭代前期社会认知能力强，在迭代后期自我认知能力强，以通过非线性变化快速实现最佳学习因子；

其中，学习因子的函数组对应的公式如下：其中，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数。

5.根据权利要求1所述的机械臂求解方法，其特征在于，所述在位置更新方程中，引入时间因子的步骤包括：

所述时间因子函数为随迭代步增加的线性递减函数。

如构造随机时间因子公式：T＝1‑r/2N，T表示时间因子，Xid表示当前粒子，vid表示当前粒子在粒子群中的速度，r表示当前算法的迭代次数，N表示算法总的迭代次数。

6.根据权利要求1所述的机械臂求解方法，其特征在于，所述在预设目标约束条件下，对多目标函数进行优化改进的步骤包括：在机械臂为n自由度的情况下，以位置误差最小、姿态误差最小以及各关节角度变化最小为目标，设计的多目标函数公式为：其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围，其中n为最大自由度数，i为[0,n]的正整数。

7.根据权利要求1所述的机械臂求解方法，其特征在于，采用加权求和法设置关节角度变化函数，位置误差函数、姿态误差函数以及关节角度变化函数的数学描述如下：其中，ptar，etar分别表示机械臂末端执行器的目标位置和姿态；qtar表示求解得到的机械臂各个关节角的角度值；θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值，其中，λi的权重值根据机械臂的稳定性选取。

8.根据权利要求1所述的机械臂求解方法，其特征在于，所述根据所述预设目标中的至少一个预设要求，构建适应度函数的步骤包括：至少一个预设要求包括机械臂的位置精度、姿态精度以及关节角度变化最小，建立位置精度、姿态精度和关节变化最小的适应度函数：其中，ptar＝[px_tar,py_tar,pz_tar]，etar＝[ex_tar,ey_tar,ez_tar]分别表示机械臂目标位置和姿态信息，pcur＝[px_cur,py_cur,pz_cur]，exur＝[ex_xur,ey_cur,ez_cur]表示机械臂实际位置和姿态信息，θinit表示机器人各关节角的初始值；λi表示关节角θi的变化权重值。

9.根据权利要求1所述的机械臂求解方法，其特征在于，基于多目标全参数粒子群优化算法的n自由度机械臂逆运动学求解模型公式包括：其中，F表示多目标函数，f1(ptar)表示位置误差函数，f2(etar)表示姿态误差函数，f3(θi)表示关节角度变化函数，θimin，θimax表示关节角的θi变化范围；Xjd表示第j个粒子，Xid表示当前粒子，Pbest表示粒子的个体极值，gbest表示粒子的群体极值，vjd表示第j个粒子的速度，c1，c2表示学习因子，c1，c2∈[cmin，cmax]，w表示惯性权重，w∈[wmin，wmax]，r表示当前算法的迭代次数，N表示算法总的迭代次数；T表示时间因子，i表示自由度的数量。