1.一种基于增强哈里斯鹰算法的无人车路径规划方法，其特征在于，所述方法包括以下步骤：S1、基于环境信息，构建栅格地图，并在所述栅格地图上确定路径起点位置和终点位置，并创建适应度函数；

S2、设置哈里斯鹰算法初始参数，所述初始参数包括最大迭代次数；

S3、根据猎物逃逸能量执行探索阶段和开发阶段，并更新哈里斯鹰个体位置；具体包括：定义猎物逃逸能量为E，

当|E|≥1时，执行探索阶段；

当|E|＜1时，执行开发阶段，并根据猎物逃逸能量E和[0,1]之间的随机数r确定哈里斯鹰狩猎方式，并更新哈里斯鹰个体位置：当0.5≤|E|≤1且r≥0.5时，采取软包围方式进行狩猎，并更新哈里斯鹰个体位置；

当|E|＜0.5且r≥0.5时，采取硬包围方式进行狩猎，并更新哈里斯鹰个体位置；

当0.5≤|E|≤1且r＜0.5时，采取非线性控制策略渐进式快速俯冲软包围方式进行狩猎，并更新哈里斯鹰个体位置；具体包括：引入非线性控制参数w：

式中，t表示当前迭代次数，Tmax表示最大迭代次数；

根据所述非线性控制参数w对渐进式快速俯冲软包围方式进行优化：Y1＝ωXrabbit(t)‑E|JXrabbit(t)‑X(t)|Z1＝ωY1+S×LF(D)

式中，Y1和Z1分别表示中间过程位置矢量，Xrabbit(t)表示当前最优哈里斯鹰个体，E表示猎物逃逸能量，J表示猎物逃跑过程中的跳跃距离，X(t)表示当前代种群位置矢量，D表示维度数，S是一个D维的随机向量，LF表示Levy飞行函数，X(t+1)表示下一代种群位置矢量；

当|E|＜0.5且r＜0.5时，采取非线性控制策略渐进式快速俯冲硬包围方式进行狩猎，并更新哈里斯鹰个体位置；具体包括：引入非线性控制参数w：

式中，t表示当前迭代次数，Tmax表示最大迭代次数；

根据所述非线性控制参数w对渐进式快速俯冲硬包围方式进行优化：Y2＝ωXrabbit(t)‑E|JXrabbit(t)‑Xm(t)|Z2＝ωY2+S×LF(D)

式中，Y2和Z2分别表示中间过程位置矢量，Xrabbit(t)表示当前最优哈里斯鹰个体，E表示猎物逃逸能量，J表示猎物逃跑过程中的跳跃距离，Xm(t)表示当前代种群的平均位置矢量；

D表示维度数，S是一个D维的随机向量，LF表示Levy飞行函数，X(t+1)表示下一代种群位置矢量；

还包括应用线性路径策略，从起点开始，路径上依次选择三个点，判断起点和更新后的位置之间是否存在障碍物，如果没有障碍物，删除中间节点位置；

S4、对更新后的哈里斯鹰个体位置进行差分进化，并根据差分进化前后的适应度函数值，确定当前最优哈里斯鹰个体位置；

S5、判断迭代次数是否达到最大迭代次数，若当前迭代次数小于最大迭代次数，则重复执行步骤S3‑S4，否则，终止算法迭代，输出当前最优哈里斯鹰个体位置。

2.根据权利要求1所述的基于增强哈里斯鹰算法的无人车路径规划方法，其特征在于，创建适应度函数，具体包括：以规划路径的距离和规划路径的光滑度构建适应度函数：Fitness＝flength+fsmooth

式中，Fitness表述实用度函数的函数值，flength和fsmooth分别表述规划路径的距离和规划路径的光滑度。

3.根据权利要求2所述的基于增强哈里斯鹰算法的无人车路径规划方法，其特征在于，所述规划路径的距离flength具体计算公式为：式中，xi、yi分别为栅格地图中当前节点Pi的横坐标和纵坐标；xi+1、yi+1分别为栅格地图中下一个节点Pi+1的横坐标和纵坐标。

4.根据权利要求2所述的基于增强哈里斯鹰算法的无人车路径规划方法，其特征在于，所述规划路径的光滑度fsmooth的计算公式为：式中，Pi‑1、Pi、Pi+1分别为栅格地图中的上一个节点、当前节点和下一个节点。

5.根据权利要求1所述的基于增强哈里斯鹰算法的无人车路径规划方法，其特征在于，所述步骤S4具体包括：S41、对更新后的个体位置进行变异操作，具体如下：XEV(t+1)＝Xi(t)+F(Xr1(t)‑Xr2(t))式中，XEV(t+1)表示变异操作后的个体位置向量，Xi(t)是当前代种群中经过哈里斯鹰优化后的最优个体位置向量，F表示缩放比例因子，Xr1(t)、Xr2(t)为当前代种群中经过哈里斯鹰优化后随机选取的个体位置向量；

S42、基于变异操作后的个体位置向量进行交叉操作，具体如下：式中，XCR(t+1)表示交叉操作后的哈里斯鹰个体位置向量，Xi(t)是当前代种群中经过哈里斯鹰优化后的最优个体位置向量，CR表示交叉因子；

S43、选择操作：

将交叉后的哈里斯鹰个体位置向量与交叉前哈里斯鹰个体位置向量进行比较，根据适应度函数值大小决定是否采用新个体，具体如下式：式中，XDE(t+1)是指选择操作后的哈里斯鹰个体位置向量，Fitness(XCR(t+1))是指将交叉操作后的哈里斯鹰个体位置向量代入适应度函数得到的适应函数值；Xi(t)是当前代种群中经过哈里斯鹰优化后的最优个体位置向量，Fitness(Xi(t))是指将交叉操作前的哈里斯鹰个体位置向量代入适应度函数得到的适应函数值。