1.UAVs和UGVs的长时多目标路径规划方法，其特征在于：包括MOALP算法；求解的步骤为，S1：问题模型建立；S2：MOALP算法的设计，通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法；在算法中维持一个基于分解进化的种群，在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联；S3：实验设置；S4：实验结果分析；以优化目标路径总长度和最大完工时间；

所述问题模型建立：给出如下的符号描述，用以对问题进行数学模型的建立；

定义一个后置子解的子段如下：对于一个后置子解中的每个UGV路径 其包含的子段为：相邻充电点之间所构成子路径，将起始点作为第一个充电点；最后一个充电点到子路径的结束；

建立的问题模型为：

所述实验设置包括评价指标；

T

所述评价指标包括超体积：令r＝(r1，r2，...，rm) 为目标空间中的一个点，且该点被一个近似帕累托前沿解集S中的所有目标向量所支配；那么解集S的超体积值为被解集S所支配且支配r的区域的体积，下式为超体积计算公式4.43；该指标越大，表明解的收敛性和多样性越优；

所述评价指标还包括集合覆盖率：令A和B分别为两个近似帕累托前沿解集，集合覆盖率C(A，B)表示解集B中的解被解集A中的解至少支配一次的百分比，即：当C(A，B)>C(B，A)时，表示解集A的收敛性优于解集B；

所述实验设置包括测试算例，在测试算例中添加UAV速度：vu、UGV最大速度vmax、UAV的数量：M；UGV的数量N；特别地，实验中设置vu＝2m/s，vmax＝2m/s；

所述实验设置包括参数设置；充电点插入启发式中的λ1具有两个值，这表示充电点插入具有两个插入启发式，并且在算法中，具有两个不同的UGV工作点插入启发式，根据先进行工作点插入，后进行充电点插入的模式，算法中一共具有4个插入启发式；对于移除启发式而言，3个UGV工作点移除启发式和2个充电点移除启发式组合产生共计6个移除启发式；

所述实验结果分析是将MOALP算法与MOMAD、MOALNS和PLS进行比较，主要是对超体积指标和集合覆盖率指标进行比对；

所述MOALP算法设计还包括算法框架；MOALP算法首先初始化种群PL，并初始化PP为PL，同时更新PE；在主循环中，首先进行混合帕累托局部搜索HPLS：以种群PP为输入，对PP中所有个体的后置子解进行帕累托局部搜索，并采用多目标自适应大领域搜索MOALNS对局部后置子解进行搜索，从而更新外部集PE；在进行HPLS搜索之后，以子问题解集PL为输入执行MOALNS/D搜索，具体地，在循环中从邻域中随机选择两个前置子解进行PMX交叉，生成新的前置子解，针对新的前置子解，生成该前置子解的一个后置子解，并使用MOALNS搜索对该后置子解进行优化，得到该邻域下的一个后置子解外部集，并使用该集合更新全局外部集以及PL；算法初始化环节主要是要对几个种群以及参考向量进行初始化；

MOALNS/D搜索在MOALNS的基础上，引入了分解的思想，即后置子解之间的支配性由聚合函数给出。

2.根据权利要求1所述的UAVs和UGVs的长时多目标路径规划方法，其特征在于：所述MOALP算法的设计包括解的编码；所述解的编码包括前置子解和后置子解。

3.根据权利要求1所述的UAVs和UGVs的长时多目标路径规划方法，其特征在于：所述前置子解的局部搜索及变化算子；选用PMX作为交叉算子；突变算子的设计使用单点交换的方法。

4.根据权利要求1所述的UAVs和UGVs的长时多目标路径规划方法，其特征在于：所述后置子解的MOALNS算法，所述MOALNS算法包括MOALNS算法框架、移除启发式、插入启发式、局部优化、权重自适应、接受准则和停止准则；

所述移除启发式包括工作点最差移除：给定一个后置子解pg，将从pg中移除一个顶点，并且该点在 中，同时使得移除代价最大，令rj为pg中第j个点的移除代价，则其计算公式4.23如下；

所述移除启发式还包括工作点随机移除：从所有的UGV路径中随机选择一个UGV工作点v∈Vg，之后将其移除；

所述移除启发式还包括工作点段移除：总是随机从当前后置子解中移除一个连续的段，段移除只针对UGV工作点进行移除；

所述移除启发式还包括充电点最差移除：每个充电点的移除代价由两部分组成：路径长度和充电时间窗约束代价；提出一个充电点最差移除启发式，在最差移除启发式中，待移除的充电点的选择总是根据式公式(4.28)得到：所述移除启发式还包括充电点随机移除：在充电点随即移除启发式中，总是随机从当前后置子解中选择一个充电点进行移除；

所述插入启发式包括工作点长度代价最小插入：给定一个后置子解片段pg，在此插入启发式中，总是从u∈Vg∪pg中选择具有最小插入代价的点进行插入，其插入代价计算公式

4.29如下式：

所述插入启发式还包括工作点最近插入：首先给出任意工作点至当前解中每个子段最小距离计算方法4.30：

插入点和待插入子段通过公式(4.31)选择：

当确定了待插入的点和子段之后，使用一个长度代价最小公式进行计算，从而插入点子段和位置可以确定；

所述插入启发式还包括充电点插入：提出一个基于代价加权和的充电点插入启发式，具体地，该插入启发式同时考虑了三个插入代价：充电点时间窗硬约束、充电点路径长度代价以及路径总长度代价；首先，充电点时间窗硬约束的存在可以保证相邻充电点之间的路径是可行的；其次，充电点路径长度代价的存在可以使得待插入点有更大的概率插入到距离其更近的充电点之间，从而可以有更多的工作点在这段时间内被访问，降低最大完成时间；计算路径总长度插入代价；将三项插入代价进行加权求和即可得到最终的充电点插入代价；

所述局部优化：提出一个局部解的工作点插入机制，该种工作点的插入代价由三项代价所组合：时间窗约束代价、路径长度代价、最大完成时间代价；

所述权重自适应：首先要每个启发式的权重进行更新；然后MOALMS算法中采用基于权重选择的机制来对每次迭代过程中的移除启发式和插入启发式进行选择。

5.根据权利要求1所述的UAVs和UGVs的长时多目标路径规划方法，其特征在于：还包括无人驾驶车辆的车顶传感集成装置；所述车顶传感集成装置包括接收端(01)；所述接收端(01)接收信号端远离无人驾驶车辆设置；所述接收端(01)包括升降段(02)；车顶传感集成装置上的驱动装置与升降段(02)一端驱动连接；所述升降段(02)另一端带动接收信号端远离或靠近驱动装置；所述升降段(02)侧壁环向设置有信号增幅盘(03)；所述信号增幅盘(03)中部朝远离接收端(01)接收信号端外凸设置；

所述信号增幅盘(03)包括拼接遮挡盘(04)和嵌入增扩环(05)；所述拼接遮挡盘(04)环绕拼接嵌入于升降段(02)侧壁内设置；所述拼接遮挡盘(04)包括伸缩杆(06)和拼接挡片(07)；所述升降段(02)侧壁开设有嵌入环槽(08)；所述嵌入环槽(08)动力装置与伸缩杆(06)一端驱动连接；所述伸缩杆(09)另一端上固设有嵌入连接块(010)；所述嵌入连接块(010)远离伸缩杆(09)一端上固定设置拼接挡片(07)；所述拼接挡片(07)为弧型，且所述拼接挡片(07)的弧型内凹面朝向于接收端(01)接收信号端；所述伸缩杆(09)带动嵌入连接块(010)进出于嵌入环槽(08)；若干所述拼接挡片(07)之间相互远离分散时，所述嵌入增扩环(05)运动对应嵌入若干拼接挡片(07)之间间隙中；若干所述拼接挡片(07)之间相互靠拢拼接时，所述嵌入增扩环(05)运动脱离若干拼接挡片(07)之间；

所述嵌入增扩环(05)对应设置于拼接遮挡盘(04)遮挡内部；所述嵌入增扩环(05)包括固定连接环(011)和对应镶嵌条块(012)；所述升降段(02)侧壁环向固设有伸缩机构；所述固定连接环(011)环套于升降段(02)上，且伸缩机构的驱动端与固定连接环(011)驱动连接；若干所述对应镶嵌条块(012)环向固设于固定连接环(011)底部；所述对应镶嵌条块(012)为弧型，且所述对应镶嵌条块(012)弧面与拼接挡片(07)弧面相适应；所述对应镶嵌条块(012)的外凸弧面两侧边缘倒角(013)；若干所述拼接挡片(07)分散时，所述固定连接环(011)带动对应镶嵌条块(012)嵌入若干拼接挡片(07)之间间隙；若干所述拼接挡片(07)靠拢时，所述固定连接环(011)带动对应镶嵌条块(012)运动脱离于若干拼接挡片(07)。