1.一种基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，包括以下步骤：步骤一：构建三维未知复杂环境，初始化群无机及其目标的位置；

步骤二：无人机对目标进行一次检测，然后基于改进的响应阈值模型判断无人机处于漫游搜索状态还是协调搜索状态，若处于漫游搜索状态则进入步骤三，若处于协调搜索状态，则进入步骤四；

步骤三：采用近邻排斥扩散算法计算出无人机下一时刻的期望速度，然后基于三维简化虚拟受力模型分解出的个体控制策略进行漫游搜索实时避障和位置更新，然后返回步骤二；

步骤四：采用三维扩展式微粒群算法计算出无人机下一时刻的期望速度和位置信息，然后基于三维简化虚拟受力模型分解出的个体控制策略进行协调搜索实时避障和位置更新；

步骤五：如果协调搜索的无人机收敛到目标点，则视为该目标搜索完成，接着判断是否还有其它目标，如果有，则继续进行漫游搜索，否则，程序结束。

2.根据权利要求1所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤一中，三维未知复杂环境R3由集合{U,T,S,D}描述，其中搜索主体为群无人机U＝{Ui，i＝1，2，3，…m,m>1}；T＝{Tj，j＝1，2，3，…n,m>n}为待搜索目标；S＝{So，o＝

1，2，3，…p,p>1}为静态障碍物，D＝{Dl，l＝1，2，3，…q,q>1}为动态障碍物。

3.根据权利要求2所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤二具体过程为：在未知三维搜索空间R3中，无人机群在设定的初始位置以设定最大速度Vm进行漫游搜索，通过目标响应函数计算各无人机在t时刻对各目标信号的检测情况，然后通过目标响应信号强度计算无人机选择目标的概率，最后基于赌轮盘式概率算法对目标进行决策；

设定目标响应函数如下式所示：

其中，Q为目标中心发出的恒定功率信号，dij为无人机Ui与目标Tj之间的距离，d0为传感器的最大探测距离，m′为信号衰减因子，rand()为信号随机扰动，I(i,j)表示无人机Ui对目标Tj之间的响应信号强度；当无人机与目标距离dij小于d0时，无人机检出目标信号；当无人机与目标之间的距离大于d0时，目标信号无法检出；

第i架无人机Ui对所探测的第k个目标Tk的概率响应过程如下

其中，I(i,k)是无人机Ui检测到目标Tk的信号强度，Z为无人机Ui能够检测出信号目标的数量，设定无人机Ui响应目标Tk激励的概率为p(i,k)，无人机Ui决策过程如下式所示：其中，Ui响应目标Tk激励的概率为p(i,k)，rand()为0到1之间服从均匀分数，k为满足其条件下的最小的目标序列号。

4.根据权利要求3所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤三中，近邻排斥扩散算法的步骤如下：首先计算无人机与障碍物或无人机之间的距离信息，并且找出其最近邻障碍物或近邻无人机的位置信息；然后根据其最近障碍物或近邻无人机之间的位置信息计算其三维空间中的斥力角度，并且根据其斥力角度计算下一时刻无人机速度在x轴、y轴和z轴三个方向的速度分量；接着判断当前无人机位置分量是否越界，如果越界，则往其速度分量相反方向运动，如果没有越界，则无人机往其斥力速度分量方向运动；

设无人机和障碍物的总数为M，此时无人机Ui与无人机或障碍物之间的距离信息矩阵DiM如下：DiM＝[di1,…,diη,…,diM],η∈M，M＝m+p+q       (4)其中，diη为第i个无人机与第η个无人机或障碍物之间的欧氏距离值；

将式(4)按行从小到大排序，得到距离排序矩阵：Dis

Dis＝sort(DiM)      (5)

此时得到近邻无人机或障碍物的位置编号信息index为：

index＝find[DiM(1,:)＝＝Dis(1,2)]          (6)设定无人机Ui所探测近邻无人机或障碍物位置坐标为：[Xindex,Yindex,Zindex]，无人机Ui空间坐标为：Xuav(t)＝[Xui,Yui,Zui],θ’为无人机Ui与近邻无人机或障碍物的点线在xoy平面的投影与Y轴的夹角，β’为无人机Ui与近邻无人机或障碍物的点线在xoy平面的投影与速度Vuav(t)形成的夹角，此时知：其中，DiM(index)为无人机Ui与近邻无人机或障碍物之间的距离值，同理求得θ’的值如下：由此知：无人机Ui第t时刻的漫游搜索的速度向量Vuav(t)表示为：Vuav(t)＝[Vx Vy Vz]                        (9)其中，Vx、Vy、Vz为xyoz坐标系的分量速度，由下式求得：其中,Vm为无人机Ui设定的最大速度值；

设定无人机Ui的下一时刻的预测位置为X’uav(t+1)，其表达如下：Xuav'(t+1)＝Xuav(t)+Vuav(t)                  (11)设定预测位置值Xuav(t+1)表述为：[Xui(t+1)’,Yui(t+1)’,Zui(t+1)’]，Vuav’(t)＝[V’x,V’y,V’z]为更新之后无人机漫游速度，其V’x越界更新规则如下：其中，L为搜索环境边界距离值，同理，V’y和V’z由(12)式更新可知。

5.根据权利要求4所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤四中，采用三维扩展式微粒群算法计算出无人机下一时刻的期望速度和位置信息的具体过程为：首先，给定无人机运动学模型如下：

其中，Vuav(t)为无人机Ui在t时刻的运动速度，θ为Vuav(t)在xoy平面的投影与Y轴的夹角，β为Vuav(t)在xoy平面的投影与速度Vuav(t)形成的夹角；无人机Ui的速度分量由下式表示：搜索过程中对象的斥力函数Frep如下式所示：

其中，dsafe为搜索过程中对象的设定避障安全距离值，对象包括静态障碍物、无人机、动态障碍物，dik为无人机与搜索过程中的对象之间的距离，当无人机处于漫游搜索状态时，dgi的值为1；当无人机处于协调搜索状态时，dgi为无人机与目标之间的欧氏距离值，k1为无人机避障参数；

然后，定义三维空间坐标系旋转矩阵如下：

定理1：假设无人机在xoyz空间坐标系下的坐标位置表示为：[Xu,Yu,Zu]T，其空间坐标系绕x轴旋转角度a之后的新的XOYZ空间坐标系位置为：[Xu*,Yu*,Zu*]T，其两者之间的旋转矩阵关系如下：同理，其绕y轴旋转角度b或者绕z轴旋转角度c之间的坐标关系对应分别如下：在对比二维群机器人的基础上，考虑三维无人机的运动模型，将三维的运动学约束特性的微粒群算法应用于群无人机系统中，具体表述如下：其中，Vie(t+1)为无人机下一时刻期望的速度，VRi(t)为无人机t时刻的速度，X*Ri(t)为无人机个体历史最优位置，g*Ri(t)为无人机t时刻群体最优位置，VRi(t+1)为考虑无人机运动学特性的实际期望速度，XRi(t)为无人机t时刻的位置坐标，XRi(t+1)为无人机下一时刻的期望位置，w为惯性权重，c1和c2分别为无人机个体认知系数和社会认知系数，r1和r2为0到1之间均匀分布的随机数，α为惯性系数，δ为无人机步长控制因子；

设定无人机t时刻的位置为XRi(t)＝[Xut,Yut,Zut],目标位置为Xot＝[Xot,Yot,Zot]，则无人机协调搜索的适应度函数为：

6.根据权利要求5所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤四中，针对微粒群算法易陷入局部最优点的缺陷，基于群无人机搜索空间限制的条件下，引入自适应惯性权重的思想，基本思想如下：当粒子距离目标的距离过大时，w保持恒定值大范围搜索，当粒子距离目标位置小于一定距离时，w值随着距离值的更新而实现非线性递减，从而不断逼近目标点，进行细粒度搜索；

神经网络中的sigmoid函数极值范围在0和1之间，由于粒子群中的惯性权重w的取值基本一致，因此，其映射关系如下式所示：将该函数引入到与距离相关的无人机系统中来自适应调节惯性权值大小，其具体表达如下所示：其中，dl为设定的距离阈值，d＝f(i)即为无人机适应度值。

7.根据权利要求6所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤三或步骤四中，三维简化虚拟受力模型的思想为：根据第i架无人机t时刻位置信息找出两近邻障碍物或无人机的位置关系，通过基于运动学约束的三维微粒群算法计算出其期望速度及其期望位置点，然后找出期望速度向量与空间坐标系旋转矩阵角度之间的关系求解旋转矩阵参数；最后，基于此受力模型，仅仅考虑XOYZ平面中X轴方向和Y轴方向的斥力作用来引导无人机偏转，即合力FXY，通过矢量合成，即可求出无人机的实际速度需求大小和方向；

三维空间坐标系xoyz绕x轴旋转角度a，然后再将其绕y轴旋转角度b可得新的三维空间坐标系XOYZ，由定理1可知，其坐标系之间的旋转矩阵T关系如下：在等式(23)中，旋转矩阵中的参数a和b由下式求解，求解过程如下：根据公式(19)可知无人机的期望速度VRi(t+1),它在xoyz空间坐标系下的坐标分量描述为：VRi(t+1)＝Fg1＝[Fg1x Fg1y Fg1z]              (24)其中，Fg1为无人机下一时刻期望速度方向所产生的虚拟力；

无人机所受引力往yoz平面的投影向量Fyoz如下：

Fyoz＝Fg1y+Fg1z                   (25)由式(24)和(25)求得参数a和b如下：

设定无人机Ui在t时刻探测的两近邻无人机或障碍物的坐标为p2和po2；

然后，根据公式(15)可分别求得p2和po2的所受的斥力值为Fp2和Fpo2,并且根据公式(7)和(8)，分别求得p2和po2在xoyz空间坐标系下的分解角βp2,βpo2,θp2,θpo2，最后由下式将斥力Fp2和Fpo2在xoyz空间坐标系中往x轴，y轴和z轴方向分解，其表述过程如下：其中，Fxp2,Fyp2和Fzp2分别为斥力Fp2在空间坐标系xoyz中正交分解力。根据公式(23)可知：斥力Fp2在XOYZ空间坐标系下的正交分解力为：其中，FXp2,FYp2,FZp2分别为斥力Fp2在空间坐标系XOYZ中的正交分解力；由式(18)和(19)可知斥力Fpo2在空间坐标系XOYZ中的正交分解力FXpo2,FYpo2,FZpo2；

最后，忽略其近邻斥力往Z轴方向的斥力大小，仅仅考虑其XOY方向的偏转斥力合力，其偏转斥力合力FXY求取如下：FXY＝FXp1+FYp1+FXpo1+FYpo1   (29)基于此避障模型，无人机的实际需求速度更新如下：

其中，Fgo1为无人机的实际运动合力，VRi*(t+1)为无人机在t+1时刻的实际速度需求大小和方向，Vif(t+1)为偏转斥力合力FXY所产生的偏转速度，即：FXY＝Vif(t+1)。

8.根据权利要求7所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，所述步骤三或步骤四中，基于三维简化虚拟受力模型分解出的个体控制策略进行漫游或协调搜索实时避障和位置更新的过程为：设定无人机下一时刻的实际需求速度和角度为：VRi*(t+1)和 d是无人机到静态障碍物、无人机或者动态障碍物之间的欧氏距离，无人机个体控制策略如下：a):当无人机处于漫游搜索状态并且d

b):当无人机处于漫游搜索状态并且d>dsafe时:

c):当无人机处于协调搜索状态并且d

d):当无人机处于协调搜索状态并且d>dsafe时:

其无人机在t时刻的角度输入输出控制关系如下：

其中，无人机的偏转角度 如下式所得：

9.根据权利要求8所述的基于三维简化虚拟模型的群无人机多目标搜索协作方法，其特征在于，还包括分析群无人机多目标搜索协同作业方法收敛性的步骤：由三维简化虚拟受力模型可知，其避障速度与最近邻障碍物或无人机之间的关系由以下确定函数表示：Vif(t+1)＝f(dsafe,po,po2)                (37)设定当前时刻，无人机的群体最优位置g*Ri(t)和历史最优位置X*Ri(t)恒为常数B和A，联合方程(19)可知：联立(37)和(38)式，将其避障参数引入可知：

由于采用的三维简化虚拟受力模型计算的避障速度恒为常数，将式(39)作如下简化处理：其中C0、C1、C2、C3为中间变量；

将等式(39)t＝t+1迭代可知：

将式(39)和(41)化简计算知差分方程如下：

XRi(t+2)+(δC1+δC2-C0-1)XRi(t+1)+C0XRi(t)＝δ(C1A+C2B)            (42)方程(42)为一个典型的二阶差分方程，其特征方程为：λ2+(δC1+δC2-C0-1)λ+C0＝0                  (43)λ为特征方程的未知数；

I.当 时，即：λ12＝-(-c0+δc1+δc2-1)/2时，其差分方程的解为：XRi(t)＝(A0+A1t)λt,其中系数A0和A1如下式所示：II.当 时，即(δC1+δC2-C0-1)2-4C0>0时，即： 时，λ12为特征方程的两个解，为数学常用表达，其差分方程的解为：XRi(t)＝A0+A1λ1t+A2λ2t，其中系数A0 A1 A2求解如下式：III.当 时，即(δC1+δC2-C0-1)2-4C0<0时，即： 时，其差分方程解为：XRi(t)＝A0+A1λ1t+A2λ2t，其中系数A0 A1 A2求解如下式：由I和II与III三种情况讨论，对其解求极限可知：

由(47)式可知其收敛条件为：0<||λ||<1时必收敛；令δC1+δC2＝C，联立上式，计算其收敛区间为：又由于三维扩展式微粒群算法所设参数满足其收敛区间可行解，即三维扩展式微粒群算法收敛证毕，即：在参数设定满足其三维扩展式微粒群算法可行解区间时，群无人机多目标搜索协同作业方法必然收敛。