1.一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：包括如下步骤：S1：在栅格地图中指定移动机器人的初始节点和目标节点；

S2：根据ACS算法进行路径规划，为移动机器人路径规划初期提供一个算法平台；

S3：在ACS算法中利用对初始信息素浓度的更新，改进对初始信息素浓度的分配规则，降低了算法初期蚁群寻路的盲目性；

S4：引入蚁群引力规则，有效解决ACS算法在路径搜索过程中蚁群寻路盲目性较大，从而导致算法收敛速度慢的情况；

S5：针对当前路线图存在的转折点数量过多的情况提出了路径平滑处理方案，提升算法规划路径的平滑性，使得移动机器人行走更加平滑，运行时间更少，工作效率更高。

2.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：根据ACS算法进行路径规划，在ACS算法中，若在t时刻蚂蚁k当前位置为节点i，到达下一k

目标节点j的状态转移概率为pij(t)，如下所示：其中，α为信息启发式因子；β为期望启发式因子；allowedk为蚂蚁k可以行走邻节点的集β

合；ηij(t)为节点i到节点j的启发信息。

3.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：简化ACS算法完成路径搜索后，将会更新此路径上的全局信息素浓度，其余节点上的该浓度不变。信息素更新公式为：

τ(Lacs)＝ωτ0，ω＞1

其中，ω为初始信息素浓度增加系数。

4.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：引入蚁群引力规则，其具体数学表达式为：其中，Mi(t)和Mj(t)分别表示t时刻下粒子i和粒子j的质量；ε为一个很小的常数；Rij(t)为t时刻下粒子i与j之间的欧几里得距离。

5.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：蚂蚁k搜索后续节点的启发信息由引力启发信息和距离启发信息组成，引力启发信息为蚂蚁k在栅格地图中所受到引力的合力，其公式为：其中γ为常数；ak为蚂蚁k受到引力的合力而获得的加速度；θ为蚂蚁可移动节点和加速度ak方向的夹角。

6.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：引力启发信息将使蚁群逐渐聚集到一条路径上，虽然收敛速度更快，但是全局搜索能力较弱，且易出现局部最优解，故在启发信息中引入了加速度系数，其公式为：其中，N为当前迭代次数；Nmax为最大迭代次数。

算法寻路初期，在加速度系数ξ的影响下，蚂蚁k的加速度为0，从而引力启发信息为1，此时完全由距离启发信息发挥作用；随着迭代次数的增大，引力启发信息将随之增大，从而加速度将逐渐对蚁群寻路产生影响。

由距离启发信息和引力启发信息可知，本发明提出的改进算法的启发信息ηij(t)公式为：

7.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：设优化蚁群算法当前获取到的最短路径为path＝{S,x1,…,xi,…,xp,G}，首先定义起始节点S为当前优化节点，并依据起始节点S和目标节点G获取过渡节点T，若路径不与障碍物发生碰撞，则称该路径为合理路径；反之则称该路径为不合理路径，同时开始计算起始节点S和后续节点xp的过渡节点T1，并判断路径是否为合理路径，若该路径为合理路径，则结束起始节点S的路径平滑，选取节点x1和目标节点G开始计算过渡节点，不断重复上述过程，直至选取的节点和目标节点重合，则说明此时已经完成了路径平滑性处理。