1.一种多无人机协同路径规划方法，其特征在于，包括以下步骤：S1、无人机群获取地图环境中的包括起始点位置、障碍点和存在的雷达坐标，建立作战环境二维栅格图；

S2、依据S1建立的二维栅格图，通过各无人机路径长度和所受到的威胁强度构建多无人机的优化目标：

以i个无人机走的步数fstep＝step作为路径长度，考虑无人机转弯角的约束，无人机路径中若是存在斜向飞行，则施加惩罚fpenalty，得到单个无人机路径长度表达式：fi＝fstep+fpenalty多无人机的路径综合加权长度具体计算公式为：其中m为无人机的数量；

将一条从起始点到目标点的完整路径分为三段，对于每一段，取各威胁点到该段的1/

4、2/4以及3/4处进行求和,可以得到威胁点j对无人机i的威胁强度表示为其中t为路径的三个部分，it为无人机路径的第t段， 和 为威胁点j到第t段路径1/4、2/4和3/4处的距离的四次方，K为调整系数，单个无人机在该路径下的威胁强度为：其中N为威胁点的个数，定义无人机受到的综合威胁强度为：构建多无人机的整体优化目标f：f＝w1*f1+w2*f2，其中w1和w2分别为总加权路径长度和总加权威胁强度的权重；

S3、采用随机生成路径点和Q学习结合的方式实现种群的初始化，得到各无人机路径的初始种群；

S4、依据步骤S2构建的优化目标，采用改进的粒子群算法对S3得到的初始种群进行优化；

S5、得到种群最优粒子，输出无人机集群中各无人机的航路。

2.根据权利要求1所述的一种多无人机协同路径规划方法，其特征在于，所述S1具体如下：

以二维栅格图中坐标的形式来表示路径点，无人机飞行环境描述为：{(x,y)|xmin≤x≤xmax,ymin≤y≤ymax}；xmin、xmax、ymin和ymax表示为无人机飞行的边界；

将飞行环境分成20*20个面积相同的方格，每个方格均携带不同0，‑1，1，2的参数信息，当格子参数为0时表示起点的位置信息；当格子参数为1时表示该区域无障碍物，当格子参数为‑1时表示该区域含有障碍物或威胁源，当格子参数为2时表示终点的位置信息。

3.根据权利要求1所述的一种多无人机协同路径规划方法，其特征在于，S3中得到初始种群的具体方法如下：

首先采用随机生成路径点的方式得到部分初始种群，之后采用Q学习得到部分初始种群，在Q学习中构建一种基于稀疏函数的可行点奖励函数：其中r0为基础奖励值，rmax为不考虑威胁时的最大奖励值，rthreat为威胁系数，xUAV和yUAV为无人机的坐标，xgoal和ygoal为终点的坐标，xithreat和yithreat为各威胁源的坐标，kgoal和kthreat为调整奖励函数控制系数,在参数设置时，需保证r>0；

Q学习中采用的动作选择策略为Boltzmann分布法，其表达式如下：其中Vi表示状态s或状态‑动作对(s,ai)的值函数的任意一个,p(ai|s)表示状态s下动作ai被选中的概率，T为控制参数，k为迭代次数；

在Q学习算法得到的无人机路径解中，选择路径作为种群候选初始解，利用先验知识，规定每个无人机在不同初始方向的路径解的数量，将Q学习得到的初始种群与随机生成路径点方式得到的初始种群结合，即为粒子群算法的初始种群，种群初始解的形式为坐标。

4.根据权利要求1所述的一种多无人机协同路径规划方法，其特征在于，依据步骤S2构建的优化目标，采用改进的粒子群算法对S3得到的初始种群进行优化，所述粒子群算法的位置和速度的更新公式为：

其中xi,j(t)＝(xi,j(1),xi,j(2),Λ,xi,j(t))为第i个粒子在第t次迭代时的位置，pi,j,best(t)＝(pi,j,best(1),pi,j,best(2),Λ,pi,j,best(3))为粒子在t次迭代中的最优值，gi,j,best(t)＝(gi,j,best(1),gi,j,best(2),Λ,gi,j,best(3))为粒子在t次迭代中的全局最优值，w为惯性权重，c1和c2为非负的加速系数，f1为粒子对其本身影响的函数，f2为粒子xi,j(t)对其个体历史最优值的学习，f3为粒子xi,j(t)对其全局历史最优值的学习；

在进化操作中将F1定义为一个变异操作，粒子i以w的概率对其本身进行变异，以1‑w的概率保持不变，其表达为：

采用线性时变的惯性权重策略加快算法的收敛：w的值从wmax线性递减到最终值wmin，t为算法当前的迭代次数，itermax为算法允许继续迭代的最大次数；

将F2定义为粒子i以c1的概率与其个体最优值进行交叉操作，以1‑c1的概率保持不变，其表达式为：

将F3定义为粒子i以c2的概率与其全局最优值进行交叉操作，以1‑c2的概率保持不变，其表达式为：

粒子与全局最优粒子交叉操作步骤与F2类似；

通过所述进化操作得到每个子种群的最优粒子，判断是否满足循环结束条件，若满足则保存此时每个子种群的最优粒子，终止进化操作，若不满足则重新进行进化操作。

5.根据权利要求4所述的一种多无人机协同路径规划方法，其特征在于，所述变异操作的具体步骤如下：

S41、随机选择路径坐标中的一个点；

S42、计算每一个待选点i与目标点的距离Di，计算点i被选择的概率Pi：其中ki为根据先验知识确定的调整系数，特别地，当待选点为障碍点时，其概率为0；

S43、随机生成一个0～1的数P，若P1+P2+...Pi‑1＜P≤P1+P2+...Pi，则选择i点作为下一动作点；

S44、把当前栅格加入搜索禁忌表，避免重复选择，并且当前栅格序号用下一栅格序号所取代；

S45、若所有待选坐标点均为障碍点，则取消该点的变异操作，直接跳至S41重新选择变异坐标；

S46、判断新的动作点与原来的路径是否连续，若不连续则在非连续位置处插入新的非障碍物坐标点，通过下式判断路径是否连续；

δ＝max{abs(xi+1‑xi),abs(yi+1‑yi)}其中(xi+1,yi+1)为原路径的坐标点，(xi,yi)为变异后的坐标点，若δ＝1表示路径连续，变异操作结束；当δ>1时，表示路径不连续，此时通过平均值法在这两个坐标点直接插入新的坐标，插入点的坐标表达式为；

判断插入点的坐标是否存在障碍物，若存在，则以此插入点右上左下的顺序依次选择坐标判断是否为障碍物，直到选择到自由坐标点，再次判断插入的点与原路径点是否连续，若不连续重复S45，直到路径连续。

6.根据权利要求4所述的一种多无人机协同路径规划方法，其特征在于，所述粒子i以c1的概率与个体最优粒子交叉操作具体步骤如下：S401、判断粒子i与个体最优粒子是否有相同的坐标点，若存在则进行下一步，否则结束变异操作；

S402、若只有一个相同点，则将个体最优粒子的该点至终点的区间坐标与粒子i进行交换，若有两个及以上相同点，则随机选择其中两个点，将个体最优粒子的这两点之间的区间与粒子i进行交换。