1.一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：该方法包括以下步骤：步骤1：根据先验地图和障碍物的位置形状，采用数字高程模型技术，建立无人机的三维环境模拟地图；

步骤2：确定无人机航迹规划的约束条件；所述约束条件包括：无人机的最高和最低飞行高度、最大飞行油耗；无人机的最高和最低飞行高度决定了无人机安全程度；采用无人机最大飞行距离来描述其最大飞行油耗；所述约束条件表示如下：设无人机在飞行当中的最低飞行高度和最高飞行高度分别为hmin和hmax，h表示无人机的飞行高度，则无人机的飞行高度约束为hmin≤h≤hmax；设最长飞行距离为lenmax，len表示无人机的飞行长度，则无人机的飞行长度约束为len≤lenmax；

步骤3：根据无人机自身能耗和敌方威胁程度两方面性能指标，确定用来评价航迹优劣的三个目标函数，建立敌方威胁不确定环境下的无人机三维全局航迹规划的三目标优化模型，方法如下：步骤3.1：将无人机自身能耗和敌方威胁程度作为敌方威胁不确定环境下无人机三维全局航迹规划优化模型的性能指标；无人机自身能耗由无人机的飞行距离进行描述；无人机的航迹长度值越小，则表示路径的耗能越小；将敌方威胁程度拆分成两个子指标：即敌方威胁程度的期望值和敌方威胁程度的不确定度；

步骤3.2：根据步骤3.1所述性能指标，以无人机飞行距离、敌方威胁程度的期望值、敌方威胁程度的不确定值作为所述航迹规划优化模型的三个目标函数，表示如下：目标函数1：无人机飞行距离；

采用无人机飞行路径的长度来表示其航迹长度代价，无人机飞行距离即目标函数1表示如下：

式中，len表示全局路径的长度；div表示一条全局路径划分成div段局部路径；i是指第i段局部路径；leni表示第i段局部路径的长度；每段局部路径由其两端的两个节点确定，则第i段局部路径表示为[(xi,yi,zi),(xi+1,yi+1,zi+1)]，其中(xi,yi,zi)、(xi+1,yi+1,zi+1)分别表示航迹的第i、i+1个节点处的坐标，zi和zi+1表示环境的高程信息；

目标函数2：敌方威胁程度的期望值；

利用球形表示敌方威胁源的活动范围；设存在N个敌方威胁源，依次计算每个威胁源对航迹的威胁程度期望值，选择最小期望值作为目标函数2的最终目标值；

对于第i个威胁物体Di，其球形活动范围表示为：

其中，表示敌方威胁源存在区域Ωi的中心位置Oi的坐标值，rc表示Ωi的半径；威胁物体在Ωi中服从均匀分布且随机出现；

利用Ωi的中心位置Oi计算当前路径相对于威胁物体Di的威胁程度的期望值；该期望值即目标函数2表示如下：

其中，dani(Oi)表示当前航迹相对第i个威胁物体Di的威胁程度的期望值；d(Oi)表示威胁物体Di活动范围中心点Oi与航迹上的点之间的最短距离；Reff i表示威胁物体Di对于无人机的有效攻击或侦查半径；表示威胁物体Di对于无人机的最大攻击或侦查半径；若d(Oi)大于或等于航迹相对于威胁物体Di是安全的，其威胁程度的期望值等于0；若d(Oi)小于或等于Reff i，威胁物体Di对航迹的威胁程度的期望值最大，其值为1；若则威胁物体Di对航迹的威胁程度的期望值随d(Oi)值的增大而减小；

目标函数3：敌方威胁程度的不确定值；

设存在N个敌方威胁源，依次计算每个威胁源对航迹的威胁程度不确定值，选择其中最小值作为目标函数3的最终目标值；

对于第i个威胁物体Di，选择区域Ωi内距离当前航迹最远和最近的点，记为aup和alow；利用aup和alow分别替代公式(5)中Oi值，得到最小威胁程度值dani(aup)以及最大威胁程度值dani(alow)；

对于第i个威胁源，当前航迹的敌方威胁程度的不确定值即目标函数3表示如下：udan(Oi)＝dani(alow)-dani(aup) (6)步骤4：采用改进多目标骨干粒子群优化算法，根据步骤2所述无人机航迹规划的约束条件，以及步骤3所述无人机三维全局航迹规划的三目标优化模型，对敌方威胁不确定环境下无人机全局路径进行粒子群智能规划，输出最优解集，所述最优解集即为最优路径集合，具体包括：步骤4.1：初始化当前迭代次数t＝0；设置最大迭代次数T、粒子群规模m、存储集最大容量Cap、特征解集容量s、决策变量个数kval；

步骤4.2：根据决策变量个数kval及无人机航迹的起、终点坐标将每个粒子编码；设无人机航迹起点为ST，终点为TA，通过n-2个中间节点ph1,ph2,...,phn-2将起、终点连线均匀划分成n-1等段，将包括起、终点在内的各个节点依次相连构造路径；将三维航迹编码为n个节点组成的路径PH＝(ST,ph1,ph2,...,phn-2,TA)；n＝kval；

步骤4.3：在决策空间中随机初始化m个路径，作为m个粒子的初始位置；将每个粒子的当前初始位置作为其自身的个体引导者；

步骤4.4：根据公式(3)、(5)、(6)分别计算每个粒子的三个目标函数值；并判断每个粒子是否满足约束条件，将满足约束条件的粒子放入可行储备集，不满足约束条件的粒子放入非可行储备集，再采用拥挤度策略更新外部可行与非可行储备集，使用Pareto支配更新每个粒子的个体引导者，并通过动态选择策略从两个外部储备集中选择全局引导者；

步骤4.5：执行融合了均匀突变和局部单向收缩优化的位置更新方法，产生新的粒子位置；

步骤4.6：判断当前迭代次数是否达到预先设置的最大迭代次数T；如果达到，则输出外部可行储备集中的所有路径，即得到最优路径集合；否则，返回执行步骤4.4；

步骤5：采用线性插值法对步骤4所得最优路径集合中的所有路径进行光滑处理；从光滑处理后的最优路径集合中选择出s个代表性最优路径；在步骤1所建立的三维环境模拟地图上显示所述代表性最优路径；决策者结合模拟地图所示代表性最优路径及其三个目标函数值，根据实际情况选择最终的一条路径。

2.根据权利要求1所述的一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：步骤1所述采用数字高程模型技术，建立无人机的三维环境模拟地图；步骤如下：步骤1.1：采用函数法建立环境基础地形模型，即依据先验地图和障碍物的位置形状，由经纬度计算出数字地图的关键点作为DEM规则网格的高程信息；使用如下函数模拟出基础地形：

式中，Z1(x,y)表示在经纬度坐标(x,y)处的高程信息；x和y分别表示无人机工作区域的经纬度；a,b,c,d,e,f是控制地形复杂程度的常系数；

步骤1.2：将无人机工作环境中的障碍物约束等效为山峰模型进行处理，得到障碍物分布模型；其中山峰模型建立函数如下所示：

式中，x,y分别表示无人机工作区域的经纬度；Z2(x,y)表示在经纬度(x,y)的山峰高程值；(ai,bi)表示山峰的中心点在水平面投影位置坐标；所述山峰的中心点是指山峰的最高点；hi,ki是山峰模型的控制参数，其中，hi控制山峰模型的高度，ki控制山峰模型的陡峭程度；n表示山峰的个数；参数hi,ki,n,ai,bi根据先验地图信息或机载相机拍摄结果确定；

步骤1.3：在获得上述基础地形模型和障碍物分布模型后，求取两个模型在相同经纬度下的高程值，将其中相对大的高程值作为新的高程值，从而实现基础地形模型和障碍物分布模型的融合处理，得到无人机的三维环境模拟地图。

3.根据权利要求1所述的一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：步骤4.5所述执行融合了均匀突变和局部单向收缩优化的位置更新方法，产生新的粒子位置，方法如下：(1)设第i个粒子其中xi,j(t)表示第i个粒子的第j个决策变量，即第j个节点；t为当前迭代次数；n＝kval；计算局部单向收缩优化概率 (2)通过约束条件判断当前粒子是否为可行解；如果是可行解，且rand≥pg，rand为[0,1]之间的随机数，则令j＝1，执行步骤(3)；否则，执行步骤(6)；

(3)在第j条局部路径上采用线性插值的方式重新设置xi,j+1(t)值，并判断插值之后的局部路径是否符合约束条件要求，如果符合则执行步骤(5)，如果不符合则执行步骤(4)；

(4)采用随机采样策略在该粒子的原位置xi,j+1(t)和插值位置x′i,j+1(t)的连线上进行随机采样得到该粒子新的位置xi,j+1(t)；

(5)令j＝j+1，若j∈[1,n-2]，则返回步骤(3)；否则，粒子的位置更新结束；

(6)根据位置更新公式更新粒子位置，公式如下：

Pbi,j(t)表示第i个粒子在第j个决策变量处的个体最佳位置，Gbi,j(t)表示第i个粒子在第j个决策变量处的全局最佳位置，r3是[0,1]之间的随机数，U(0,1)表示满足0-1均匀分布的一个随机数；N(u,k)是均值为u、方差为k的高斯分布函数；xi,j(t+1)为第i个粒子的新生位置；

(7)计算位置突变概率如果pm＞rand，rand为[0,1]之间的随机数，则从更新后的粒子中随机选择一个空间维度，对该粒子的所有决策变量通过突变的方式进行再次更新；如果pm≤rand，则不执行突变操作；突变更新公式如下：

其中，range表示在当前粒子位置上叠加的突变区间宽度值，upper_Bound(j)和low_Bound(j)分别表示第j个决策变量活动区域的最大坐标值和最小坐标值；N(0,1)表示满足0-1正态分布的一个随机数；

(8)判断步骤(7)更新得到的粒子的第j个决策变量位置xi,j(t+1)是否在第j个决策变量活动区域Bound(j)空间范围内，如果没有超出该空间的边界，则直接输出得到的新粒子的决策变量位置，如果超出了边界，则基于边界值对当前决策变量位置进行对称处理，若对称处理后，位置xi,j(t+1)仍不在Bound(j)空间范围内，则设置粒子的决策变量位置为距离其自身最近的决策空间边界值；当所有决策变量判断完成后，粒子位置更新结束；

(9)根据步骤(1)～(8)所述方法分别对所有粒子进行位置更新。

4.根据权利要求1所述的一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：步骤5所述采用线性插值法对所得最优路径集合中的所有路径进行光滑处理；方法如下：步骤5.1：设集合中的解解PH的决策变量个数为kval，设置期望决策变量个数 步骤5.2：采用线性插值法在解PH的相邻节点之间进行均匀插值，从而得到决策变量个数为的解，即得到光滑处理后的航迹PH′；

步骤5.3：根据步骤5.1～5.2依次对集合中所有解即所有最优路径进行光滑处理。

5.根据权利要求4所述的一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：步骤5.2所述采用线性插值法在解PH的相邻节点之间进行均匀插值，从而得到决策变量个数为的解；步骤如下：(1)在原航迹上采用均匀线性插值的方式插值得到航迹或记为并计算航迹的适应度函数值f′m；初始化j＝1；j表示航迹PH′的第j条拟定局部路径；

(2)在航迹PH′的第j条拟定局部路径上采用线性插值方式插值x″i,j+1(t)，从而得到新路径PH″，计算新产生路径的适应度函数f″m；如果新路径PH″优于路径PH′，则更新x′i,j+1(t)＝x″i,j+1(t)，令PH′＝PH″；否则，不更新路径；其中， (3)令j＝j+1，若则返回步骤(2)；否则，对航迹PH的光滑过程结束，得到光滑处理后的航迹PH′。

6.根据权利要求1所述的一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法，其特征在于：步骤5所述代表性最优路径的选择方法为：对最优路径集合中每个解，计算被该解支配而不被其他解支配的空间的大小，记第i个解的支配空间大小为vi；最优路径集合中所有num个解的支配空间集合为V＝{v1,v2,...,vnum}，对V中元素进行排序，选取vi值最大的s个解作为最终的代表性最优路径。