1.一种基于改进樽海鞘算法的无人机航迹规划方法，其特征在于，包括以下步骤：步骤1：确定无人机航迹规划的初始条件；

首先，设置起始点与目标点的位置，无人机飞行区域的范围的横坐标矩阵和纵坐标矩阵；其次，设定威胁中心点及威胁范围，建立威胁信息矩阵；

步骤2：建立航迹规划代价函数模型，航迹规划代价函数模型包括路径代价函数和威胁代价函数；

步骤3：应用改进樽海鞘算法对步骤2中建立的航迹规划代价函数模型进行寻优，得到最优航迹点；

步骤4：通过三次样条插值对寻优得到的航迹点的连线进行平滑处理，得到无人机航迹。

2.根据权利要求1所述的一种基于改进樽海鞘算法的无人机航迹规划方法，其特征在于，所述步骤2中，路径代价函数建立过程为：设定飞行区域内起始点与目标点分别为(xS,yS),(xT,yT)，起始点与目标点之间共有D个路径点，依次为(x1,y1),...,(xj,yj),...,(xD,yD)，整个无人机的飞行轨迹共有D+1段路径，依次为l1,l2,...,lk,...,lD+1，则无人机航迹规划的路径代价函数为：威胁代价函数建立过程为：

设定飞行区域内共有m个威胁，威胁中心的坐标依次为(x'1,y'1),...,(x'm,y'm)，威胁与无人机的安全距离依次为r1,r2,...,rm，在每段路径取3个采样点，计算包括路径段起始点与终止点共5个点与威胁中心的距离，则无人机航迹规划的威胁代价函数为：其中，k＝1,2,…,D+1，i＝1,2,…,m； 表示第k段路径的0.25个采样点与第i个威胁间的距离； 表示第k段路径的起始点与第i个威胁间的距离， 表示第k段路径的终止点与第i个威胁间的距离；

则航迹规划代价函数模型为：

minWcost＝λ·JL+(1-λ)·JT    (3)；

其中，λ为(0,1)的随机数。

3.根据权利要求1所述的一种基于改进樽海鞘算法的无人机航迹规划方法，其特征在于，所述步骤3具体包括以下子步骤：步骤3.1：种群初始化

初始化种群中的个体变量及相关参数，包括种群个数M、搜索空间的上限ub、搜索空间的下限lb、搜索空间的维度D，及最大迭代次数MaxGen，其中随机初始化产生的种群位置为：Xi＝rand(M,D)·(ub-lb)+lb    (4)；

步骤3.2：种群位置更新

计算种群中的个体适应值，将最优适应值所对应的个体定义为食物F；将种群的前半部分设定为领导者，负责引导群体向最优解移动，其位置更新方式为：其中，c2和c3为(0,1)之间的随机数，c1为迭代因子，l为当前迭代次数，c1由公式(6)确定：其中，n为可调控制因子；

种群的后半部分设定为跟随者，其位置更新方式为：

其中， 是更新前第m个追随者在D维的位置， 是第m-1个追随者在D维的位置；

步骤3.3：自适应遗传操作

樽海鞘种群位置更新后，采用自适应交叉和自适应变异操作对寻优过程进行改进，通过自适应交叉概率Pc选取种群中适应度较高的部分个体作为中间群体进行交叉操作，自适应交叉概率Pc的公式为：其中，fbest表示当前种群中最优个体的适应度值，fmean表示当前种群的个体平均适应度值，ε1为可调控制因子；

交叉操作在中间群体中随机选择两个个体作为父代，通过公式(9)生成新的子代，交叉操作生成的子代为：X′＝λ1·Xa+(1-λ1)·Xb      (9)其中λ1为(0,1)的随机数，Xa和Xb为中间群体中随机选择的父代；

通过自适应变异概率Pm选取整个种群中的随机个体作为中间群体进行变异操作，自适应变异概率Pm的公式为：其中，fbest表示当前种群中最优个体的适应度值，fmean表示当前种群的个体平均适应度值，ε2为可调控制因子；

变异操作在中间群体中随机选择一个个体作为父代，通过公式(11)生成新的子代，变异操作生成的子代为：X″＝Xc·(1+λ2)h     (11)

其中λ2为(0,1)的随机数，Xc为中间群体中随机选择的父代，h为可调控制因子；

步骤3.4：樽海鞘种群更新

对自适应遗传操作生成的子代群体进行适应度评估，如果子代群体的适应度值高于父代个体适应度值，则子代个体替换父代个体；同时，将更新后的群体中的每个个体的适应度值与当前食物的适应度值相比较，若存在优于食物适应度值的个体，则以适应度值更优的樽海鞘个体位置作为新的食物位置；若运行到规定最大迭代次数MaxGen或者适应度达到预定的阈值，则算法终止，得到最优个体位置，即为最优航迹点。