1.一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，包括：

步骤一：确定路径起点和路径终点，基于所述路径起点和所述路径终点构建若干初始路径；

步骤二：以路径最短为目标构建适应度函数，以各所述初始路径为海象生成海象种群；

以各所述初始路径为海象生成第一海象种群，具体包括：将各所述初始路径作为海象个体，基于所述海象个体结合海象算法，通过Sine-Tent-Cosine混沌映射初始化海象种群位置，生成所述海象种群；

步骤三：基于所述适应度函数计算各所述海象对应的适应度值，基于各所述海象的适应度值结合海象优化算法的探索阶段对海象种群中各所述海象的位置进行更新替代；

步骤四：基于最优邻近动态调整方法和定向演化变异策略对所述海象种群进行位置更新和变异操作；

所述步骤四，具体包括：

基于最优邻近动态调整方法对所述海象种群中各海象位置进行位置更新，基于位置更新后的各海象位置对应的适应度值进行种群迭代，得到位置更新后的海象种群；基于定向演化变异策略对位置更新后的海象种群中的各海象位置进行变异操作，得到变异操作后的各海象位置；

基于最优邻近动态调整方法对所述海象种群中各海象位置进行位置更新，具体计算公式为：式中，h为动态参数，t为当前迭代次数，Xi,j为各海象位置，Xnew为各海象新生成的位置，β为动态调整因子，Xbest为当前全局最优海象位置，用于计算变异强度；

步骤五：结合红尾鹰算法的搜索行为对步骤四得到的海象种群进行位置更新迭代，记录第一最优适应度值及对应的第一最优海象位置；

步骤六：基于最优值增强随机游走策略对所述第一最优海象位置进行更新，得到第二最优海象位置；

步骤七：结合红尾鹰算法的攻击行为对所述第二最优海象位置进行更新，得到第三最优海象位置，输出全局最优海象位置；

重复步骤四至步骤七进行迭代更新，直至迭代更新至预设迭代次数，输出全局最优海象位置即最优路径值。

2.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，所述步骤一，具体包括：在所述路径起点和所述路径终点之间生成若干非障碍区导航点，连接所述路径起点、各非障碍区导航点和所述路径终点，得到若干初始路径。

3.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，所述适应度函数具体为：fx′＝E1·E2·nB·(1+α·Density(G)+ρ·Curbature(P))式中，fx为路径寻优函数，fX￠为路径惩罚函数，用于优化路径，N为路径点个数，(xi，yi)是路径上的第i个点，E1和E2分别代表地图边界值，nB为障碍物数量，α与ρ为取值为(0，1)之间的权重系数，P为原始路径，G为障碍物矩阵，Density(G)是障碍物密集函数，是障碍物数量与地图总面积的比值，Curvature(P)是路径曲率函数，用于衡量路径P在整个路径上的弯曲程度，pi+1-pi与pi+2-pi+1为相邻点之间的向量。

4.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，基于定向演化变异策略对位置更新后的海象种群中的各海象位置进行变异操作，具体计算公式为：式中，XDEMS(i,:)为变异扰动后的各海象位置，Xi,j为各海象位置，t为当前迭代次数，用于计算变异强度，2×rand()-1用于生成一个[-1,1]区间的随机数，dim为问题维度，randn(1，dim)用于生成一个符合标准正态分布的随机向量，乘以用于平衡不同维度下变异的强度。

5.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，结合红尾鹰算法的搜索行为对步骤四得到的海象种群进行位置更新迭代，具体计算公式为：式中，是第四阶段第i只海象在第j个维度新生成的位置，Xi,j为各海象位置，historyi，j为海象的历史经验位置，Xbest为当前全局最优解，b是搜索行为中的步长控制参数，2×rand()-1用于生成一个[-1,1]区间的随机数，ub和lb分别代表解空间的上界和下界。

6.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，基于最优值增强随机游走策略对所述第一最优海象位置进行更新，具体计算公式为：Levy飞行的随机步长为：

最优值增强随机游走策略：

式中，Xi,j为各海象位置，μ和v是服从正态分布的随机数，为常数，取值区间为Box-Muller标准正态分布的随机数对，rand()用于生成(0,1)之间的随机数，randn()用于生成一个符合标准正态分布的随机数，Xbest为当前全局最优海象位置，step_size为Levy飞行的动态因子。

7.根据权利要求1所述的一种基于多策略改进海象优化算法的机器人路径规划方法，其特征在于，结合红尾鹰算法的攻击行为对所述第二最优海象位置进行更新，具体计算公式为：式中，为第四阶段更新的全局最优解，a为攻击行为中的步长控制参数，Xi,j为第i个海象在第j维的位置，rand()是0到1均匀分布的随机数，t为当前迭代次数，Xbest为当前全局最优解，2×rand()-1用于生成一个[-1,1]区间的随机数，ub和lb分别代表解空间的上界和下界，historyi，j为海象的历史经验位置。