1.一种基于UTMD算法的路径规划方法，其特征在于：包括步骤S1：建立路径规划的优化数学模型；

S2：运用UTMD算法对路径进行规划和优化，具体如下：S21：圈定路径规划的最优解搜索范围；

S22：在最优解搜索范围内，运用UTMD算法，获得路径规划的最优解集。

2.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述路径规划的优化数学模型包括：路径规划的目标函数；

所述路径规划的目标函数为：

min f(i)  (1-1)

其中，f(i)为路径i的评价函数，f(i)的计算公式为：其中，d(j)为组成路径i的第j-1个节点与第j个节点之间的曼哈顿距离；g(i)为路径i的起点和组成路径i的第j个节点的连线与路径i的起点和路径i的终点连线夹角的正弦值；

k表示路径i由k个节点之间的连线组成，即由k个节点中互为相邻节点之间的连线首尾相连组成；

所述d(j)的计算公式为：

d(j)＝|xj-xj-1|+|yj-yj-1|  (1-3)其中，(xj，yj)为组成路径i的第j个节点的水平坐标位置，(xj-1，yj-1)为组成路径i的第j-1个节点的水平坐标位置，所述g(j)的计算公式为：

其中，k1-k为路径i的起点和路径i的终点连线的斜率，k1-j为路径i的起点和组成路径i的第j个节点的连线的斜率；

所述k1-k的计算公式为：

其中，(x1，y1)为路径i起点的水平坐标位置，(xk，yk)为路径i终点的水平坐标位置；

所述k1-j的计算公式为：

其中，(x1，y1)为路径i起点的水平坐标位置，(xj，yj)为组成路径i的第j个节点的水平坐标位置。

3.根据权利要求2所述基于UTMD算法的路径规划方法，其特征在于：所述路径规划的优化数学模型还包括：路径规划的约束条件；所述约束条件包括速度约束条件、车辆后轴中心所在路径曲率约束条件和车辆前轮转角约束条件；所述速度约束条件为：其中，v表示车辆速度，μl表示横向附着系数，ip表示路面超高横向坡度，g为重力加速度，r表示车辆曲率半径，h表示路面超高高度，b表示车辆质心到后轴的距离；

所述车辆后轴中心所在路径曲率约束条件为：

其中，ρ表示车辆后轴中心所在路径曲率，l表示车辆前后轮距离；

所述车辆前轮转角约束条件为：

δ1∈(-33.5°，39.6°)  (2-3)

其中，δ1表示车辆前轮转角。

4.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述步骤S21包括步骤：确定路径规划的起点和终点；

在起点与终点之间的行车方向道路范围内，识别非解区域的节点坐标位置；所述非解区域由在起点与终点之间的行车方向道路范围内的所有不相连通的障碍物区域组成；

在起点与终点之间的行车方向道路范围内排除非解区域，得到路径规划的最优解搜索范围，即组成最优路径的节点搜索范围。

5.根据权利要求2所述基于UTMD算法的路径规划方法，其特征在于：所述步骤S22包括：S2201：将路径规划的最优解搜索范围作为微泡释放区域，在微泡释放区域释放若干微泡，所述若干微泡在初始释放时均匀分布在微泡释放区域；其中，所述每个微泡内携带均有一个靶向物MiRNAs；

S2202：初始化微泡最大转移次数和靶向物MiRNAs最大转移次数均为M，初始化靶向物MiRNAs最大分化次数为L，初始化靶向物MiRNAs最大结合变异次数为N；

初始化靶向物MiRNAs的起始转移速度为V0；

S2203：微泡在自身携带的靶向物MiRNAs的转移运动下从当前位置转移到下一位置；其中，微泡的转移速度和转移方向与其自身携带的靶向物MiRNAs的转移速度和转移方向相同；

S2204：重复步骤S2203，直到微泡转移次数等于M，进入步骤S2205；

S2205：微泡破裂释放其携带的靶向物MiRNAs；

S2206：靶向物MiRNAs在最优解搜索范围进行转移、分化和结合变异；靶向物MiRNAs在最优解搜索范围进行转移是指靶向物MiRNAs在最优解搜索范围从当前位置转移到下一位置；重复转移、分化和结合变异，直到转移次数、分化次数和结合变异次数分别满足转移、分化和结合变异的收敛条件，获得路径规划的最优解集；

所述转移收敛条件为：

靶向物MiRNAs每次发生分化后，判断靶向物MiRNAs已发生的分化次数是否等于L，若等于则停止靶向物MiRNAs的分化；

所述分化收敛条件为：

靶向物MiRNAs每次发生结合变异后，判断靶向物MiRNAs已发生的结合变异次数是否等于N，若等于则停止靶向物MiRNAs的结合变异；

所述结合变异收敛条件为：

靶向物MiRNAs每次发生转移后，判断靶向物MiRNAs已发生的转移次数是否等于M，如果等于，则停止靶向物MiRNAs转移、分化和结合变异，获得路径规划的最优解集。

6.根据权利要求5所述基于UTMD算法的路径规划方法，其特征在于：所述微泡和靶向物MiRNAs在最优解搜索范围内从当前位置转移到下一位置的具体步骤为：S221：设定MiRNAs-i的最大转移次数为2M，包括MiRNAs-i在微泡中未被释放带动微泡转移的次数M和MiRNAs-i从微泡中释放后转移次数M；

设定Φ(i)表示MiRNAs-i的转移方向，设定V(i)表示MiRNAs-i的转移方向；MiRNAs-i表示第i个释放的靶向物MiRNAs；

S222：计算在当前位置的MiRNAs-i转移到下一位置的转移方向Φ(i)和转移速度V(i)；

以MiRNAs-i从当前位置f(i,m,l,n)以Φ(i)和V(i)转移到下一位置f(i,m+1,l,n)；其中，f(i,m,l,n)表示MiRNAs-i第m次转移第l次分化第n次结合后的个体的位置；f(i,m+1,l,n)表示MiRNAs-i第m+1次转移第l次分化第n次结合后的个体的位置；

S223：重复步骤S222，直到MiRNAs-i的转移次数等于2M。

7.根据权利要求6所述基于UTMD算法的路径规划方法，其特征在于：所述f(i,m+1,l,n)的计算公式为：f(i,m+1,l,n)＝f(i,m,l,n)+V(i)Φ(i)  (3-1)其中，V(i)的计算公式为：

V(i)＝ωVold(i)+Ψ[fbest-i-f(i,m-1,l,n)]  (3-2)其中，Vold(i)表示第i个释放的靶向物MiRNAs在前一位置的转移方向，ω表示排斥因子，Ψ表示吸引因子，fbest-i表示第i个释放的靶向物MiRNAs的当前最优位置函数值；f(i,m-

1,l,n)表示第i个释放的靶向物MiRNAs第m-1次转移第l次分化第n次结合后的个体的位置；

所述Φ(i)的计算公式为：

其中，Δt表示单位方向向量，Δt∈(-1,1)，fbest(i)表示第i个释放的靶向物MiRNAs的最优位置函数，R表示单位化系数。

8.根据权利要求5所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs在最优搜索范围内分化具体为：S22A：当前迭代过程的中的原靶向物MiRNAs在最优解搜索范围的转移过程中遇到抗体，就与抗体结合，并自我复制，得到新的靶向物MiRNAs；

S22B：当当前迭代过程的中所有原靶向物MiRNAs都完成自我复制以后，计算所有靶向物MiRNAs的位置函数值，并将靶向物MiRNAs以位置函数值从小到大排序；所述靶向物MiRNAs的位置函数值为靶向物MiRNAs与路径规划的终点的距离；

S22C：凋亡顺序排在后半部分的靶向物MiRNAs；

未凋亡的靶向物MiRNAs中新的靶向物MiRNAs继承复制出该新的靶向物MiRNAs的原靶向物MiRNAs的转移速度和转移向量，进入下一迭代过程；

S22D：重复步骤S22A至S22C，直到MiRNAs的分化次数等于L。

9.根据权利要求5所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs在最优搜索范围内结合变异具体为：S22a：设定靶向物MiRNAs与RNA结合过程中变异出现新的新的靶向物MiRNAs的概率为P；

S22b：当前迭代过程的中的原靶向物MiRNAs与以概率P随机变异产生新的靶向物MiRNAs，发生变异原靶向物MiRNAs分解；

S22c：重复步骤S S22a至S22b，直到MiRNAs的结合变异次数等于N。

10.根据权利要求5至9中任意一项所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs具有反复制能力；所述靶向物MiRNAs的反复制能力的计算公式如下：Λ(i,m+1,l,n)＝Λ(i,m,l,n)+Γ(i)  (4-1)其中，Λ(i,m,l,n)是MiRNAs-i第m次转移第l次分化第n次结合的反复制能力，Λ(i,m+

1,l,n)是MiRNAs-i第m+1次转移第l次分化第n次结合的反复制能力，Γ(i)表示MiRNAs-i受到种群中其他靶向物MiRNAs的引力和斥力总和；

所述Γ(i)的计算公式为：

其中，ζattract、ζreject、τattract和τreject分别为引力系数Ⅰ、斥力系数Ⅰ、引力系数Ⅱ和斥力系数Ⅱ，F(i,m,l,n)表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs的坐标位置，F(t,m,l,n)表示第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的坐标位置，d[F(i,m,l,n),F(t,m,l,n)]表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs与第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的距离。