1.一种基于黏菌和随机搜索树的路径规划方法，其特征在于，该方法包括以下步骤：使用广义维诺图对障碍物进行预处理；

其中，广义维诺图根据距离函数定义的，该函数测量点与障碍物之间的距离，假设机器人是在工作空间中工作的一个点， 是m维空间 的子集； 充满了障碍物C1，...Cm；自由空间 未被障碍物占据，它是 的子集；点x和障碍物Ci之间的距离定义为：而di(x)的梯度定义为：

其中，c0是障碍物Ci中距离点x最近的点；梯度 是一个单位向量，从c0指向x；对于凸集障碍物，最近点总是唯一的；对于非凸障碍物，可以看做凸集的并集；

环境中存在多个障碍物，多障碍物距离函数定义为：其中，D(x)表示点x和最近的障碍物中最近点i的距离；

维诺区域是最接近特定位置的点集，扩展到广义维诺区域 是最接近一个特定障碍物的点集的闭合：

广义维诺图的基本构造块是与两组Ci和Cj等距的点集，为二等距曲面：Sij＝{x∈W\(Ci∪Cj)：di(x)‑dj(x)＝0}    (5)Sij的子集SSij称为二等距满射曲面，二等距满射曲面，SSij是与两个对象等距而 的点集，即函数对所有x∈SSij都是满射的；这个定义同样适用于被定义为有限凸集相并的非凸集；如果Ci和Cj是不相交的凸障碍物，那么SSij＝Sij；

二等距曲面是与障碍物Ci和Cj等距的点集，那么Ci和Cj比其他障碍物更接近每个属于上的点x；

通过定义可知， 二等距面 位于相邻广义维诺区域的公共边界 和上，即

所有二等距面的并集形成(m‑1)维的广义维诺图，即 可以被认为是一个复合体，它将一个空间划分为广义维诺区域，即距离特定障碍物最近的区域。

2.根据权利要求1所述的基于黏菌和随机搜索树的路径规划方法，其特征在于，使用黏菌觅食的演化特性，保留了高质量的路径，形成了通往食物来源的路径，具体包括：使用黏菌覆盖整个网络；在觅食过程中，黏菌通过膨胀不断向食物源移动，并通过收缩行为从远离食物的多余路径中吸取；最后，保留了高质量的路径，形成了通往食物来源的路径；

假设用一个图来表示优化后的网络空间，其中两个特殊节点N1和Nn被指定为起始节点和结束节点；其他节点标记为N2、N3...；首先需要完成变量初始化，并且需要计算点Ni和Nj之间的距离Lij；距离计算公式为：

2 2 1/2

Lij＝((xi‑xj) ‑(yi‑yj))      (8)其中，xi和xj代表点Ni和Nj的横坐标，yi和yj代表点Ni和Nj的纵坐标；

Qij代表网络中Ni和Nj之间的流量，Ni和Nj之间的流量由压差(Pi‑Pj)、导通率Dij和长度Lij之间的关系计算得出，Qij计算公式如下：流入和流出必须平衡：

以下方程式适用于源节点N1和汇节点Nn：∑iQis+I0＝0    (11)∑iQit‑I0＝0    (12)其中I0是来自源节点的通量；假设I0是常数；

对黏菌的适应性行为进行建模，假设导通率Dij随时间的变化与流量Qij有关；因此，Dij(t)的演化过程可以描述如下：上式中，γ是通道的衰变率；该方程意味着，如果该通道没有流量，导通率趋于消失，而有流量则会增强导通率；假设y是满足y(0)＝0的单调递增连续函数是很自然的；

然后压力的网络泊松方程，如下所示：通过将pn＝0设置为基本压力水平，可通过求解方程组唯一确定所有pi，而且Qij＝[Dij/Lij](pi‑pj)也能得到；

假设y(Qij)＝|Qij|，因为当y(|Qij|)＝|Qij|且γ＝1时，无论导通率的初始分布如何，黏菌总是能收敛到最短路径；通过计算流量，采用y(Q)＝|Q|，其中，δt是时间网格尺度，上指数h表示时间步长；

上述方程模拟了一个动态演化系统，其中导通率Dij和流量Qij是时间t的函数；导通率Dij根据自适应方程演化，其中变量Qij和pi通过求解网络泊松方程确定，该网络泊松方程以各时刻Dij和Lij的值为特征；在平衡状态下 每一条边的导通率等于它的流量；在非平衡状态下，当流量的绝对值大于或小于导通率时，导通率Dij分别增大或减小；

在系统的演化过程中，有些边上的黏菌生长或保留，而有些边则消失；该系统在最短路径上边的导通率收敛为1，而最短路径外边的导通率收敛为零的情况下求出问题的解。

3.根据权利要求1所述的基于黏菌和随机搜索树的路径规划方法，其特征在于，使用随机搜索树算法基于黏菌获得的最短路径，进行启发式路径搜索；

在使用了改进的黏菌觅食网络初始化工作空间后，得到了一个粗略的路径；

使用随机搜索树算法基于最短距离，进行启发式搜索使用多重势函数为RRT算法生成非均匀采样分布；

首先，需要离散化路径H，使用它来构造势场；假设steer(xnearest，xnew)使用的步长是δ；

然后，通过使用间隔δ离散H得到一组点集：每个点 被认为是一个中间目标点；

吸引势函数定义为：

引力由引力势的负梯度定义：

其中，xr表示机器人的位置，ρd表示以xgoal为中心的圆的半径；ξ是一个正的放缩参数，而ρ(xr，xgoal)是机器人和目标位置之间的欧几里得距离；使用圆形高斯分布 来近似势场分布；对于任意点x，水平和垂直坐标之间的相关系数为0；得到：其中，μh和μv代表目标位置，σh和σv对应于吸引力的影响范围；

为了构建多重势场，使用公式(16)的中间目标点；对于点 它的坐标是xh和xv，它到最近障碍物的距离用(3)计算，表示为d；设置然后，可以使用高斯混合模型来表示MPF，使得其中，p(xh，xv)表示使用多重势场作为采样函数选择的点(xh，xv)的概率； 表示j

近似的势场； 表示相应的权重，还有ωj＝(ω0) ；如果相应的中间目标点更靠近的末端，设置ω0大于1，以使 获得更大的权重；这可以认为是xgoal的偏差采样；

是一个标准化因子，以确保所有权重之和为1。