1.一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，对应的阶段子任务为：（1）搜索任务：AUVs采用分区随机搜索方式对水下工作区域进行初步搜索，在工作的时候，根据传感器的信息进行避碰与路径规划，其中各个AUVs单独完成搜索，自主执行规划；

（2）围捕任务：单个AUV在工作区域中发现了规划执行目标之后，通知混合分层式体系中其他AUVs，并且第一个发现目标的AUV成为当前leader，本leader基于成员和目标航行器的位置信息分配围捕任务，并将各子任务发布给相应的围捕成员，各成员收到任务后迅速向目标点运动，对入侵者实施围捕；

（3）避障任务：确定目标之后，AUV在自身行进转轮的驱动下进行接近，基于传感器感知到的障碍信息选择避碰路线，其中障碍包括静态障碍物、团队成员与敌方AUV；

（4）分散任务：搜索和围捕目标完成之后，自动分散AUVs回到规划执行的工作区域内，准备下一次目标的搜索和围捕;其中，进行搜索任务采用的搜索策略为：

将某个AUV设定当前位置为（xi,yi），（xj,yj）表示传感器路径规划所在位置的坐标,搜索范围为xil≤xi≤xir ，yid≤yi≤yiu，则当前的AUV随机选取搜索点（x'i,y'i）满足式子：其中l 为一常值，表示AUV 的下一个目标点离所有AUV当前位置的最小距离不能低于此值，可以定义为工作的规划区域；

围捕策略：

H1、H2、H3、H4、H5为当前参与搜索和围捕的AUV，α表示当前目标与AUV之间的夹角，（xp,yp）表示规划执行目标P的坐标，R表示规划执行目标到目标点的距离，β表示相邻两个目标点Tn和Tn+1之间的夹角，则目标运动势点坐标表示需满足式子：然后将各个航行器按照极角从小到大排序，与势点坐标集合匹配，按序排列之后得出最优化的围捕分配方式；

避障策略：

基于蚂蚁算法，应用人工势场法，使得障碍物对AUV产生斥力，基于已有的AUV六自由度运动模型和PID控制器。

2.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：模糊神经网络中：第一层：输入节点层，一共设置有两个节点，其中分别表示控制过程中的偏差与偏差变化率，不对信号进行任何非线性处理；

第二层：输入隶属度函数节点层，每个输入节点对应13个模糊分区，为保持水下机器人控制的多对称性，对应输入变量隶属度函数的位置；

第三层：模糊规则节点层，每一节点完成一条模糊规则的蕴含关系计算，对每一规则进行AND运算；

第四层：输出节点层，输出AUV各个行动主轴上的控制力力矩，偏差和偏差变化率的隶属度函数采用相同的分布方式。

3.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：混合分层式体系包括各个AUV内设置有任务规划层，任务规划层与行为控制层之间相互联系，行为控制层则通过传感模块接收环境信息反馈，通过控制器来控制AUV运动模型，在环境中进行移动。