1.基于MMEA的多无人机协同航迹规划方法，其特征在于，具体按照如下步骤实施：步骤1，建立航迹代价模型；

步骤2，建立航迹协同时空约束模型；

步骤3，根据步骤1建立的航迹代价模型和步骤2建立的航迹协同时空约束模型，建立多无人机协同航迹规划多目标优化模型；

步骤4，求解步骤3建立的多无人机协同航迹规划多目标优化模型，得到多无人机协同的航迹规划。

2.根据权利要求1所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述步骤1中的航迹代价模型包括航迹距离代价模型和航迹安全性代价模型；

所述航迹距离代价模型采用公式(1)表示：其中，fK为航迹路线K的航迹距离，li表示第i个航迹段的长度，n是无人机数量；

已知一条航迹路线为K，无人机沿其航行时，若存在威胁点到该边的距离小于威胁点所对应的威胁半径，则将该边的威胁代价设为无穷大，否则，路径K总威胁代价为所有威胁点到路径K的威胁代价之和，即就是航迹安全性代价模型表示为：其中，fS表示航迹路线K的航迹安全性，wk为第k个威胁点对路径K威胁代价，m是威胁点个数。

3.根据权利要求2所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述第k个威胁点对路径K威胁代价wk的计算方法为：将每条路径均分为10段，两端的点分别为无人机的起始点和目标点，取中间的5个点来计算这条路径所受到的威胁代价，通过式(3)计算各威胁点的威胁代价：式中，Kij为路径K的长度；d0.1,k表示第k个威胁区域中心距离在Kij边上的1/10分点的距离，d0.3,k表示第k个威胁区域中心距离在Kij边上的3/10分点的距离，d0.5,k表示第k个威胁区域中心距离在Kij边上的5/10分点的距离，d0.7,k表示第k个威胁区域中心距离在Kij边上的7/

10分点的距离，d0.9,k表示第k个威胁区域中心距离在Kij边上的9/10分点的距离，tk为第k个威胁源的威胁等级。

4.根据权利要求2所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述步骤2具体为：

步骤2.1，建立空间协同约束模型，具体按照公式(4)表示：||Pu(t)‑Pj(t)||≥dSafe，u≠j    (4)其中，Pu(t)为第u架无人机在时刻t的位置，Pj(t)为第j架无人机在时刻t的位置，dSafe为各无人机之间的安全间隔；

步骤2.2，建立时间协同约束模型，具体为：若各无人机的航行时间区间含有交集，则认为多无人机拥有同时到达的可能性，假设无人机i的速度区间为vi＝[vimin,vimax]，vimin、vimax分别为无人机i的最小速度和最大速度，无人机i的路径长度为Li，无人机j的速度区间为v＝[vjmin,vjmax]，vjmin、vjmax分别为无人机j的最小速度和最大速度，无人机j的路径长度为Lj；

则无人机i的到达时间为：

Ti＝[Timin,Timax]＝[Li/vimax,Li/vimin]   (6)其中，Timin为无人机i的最早到达时间，Timax为无人机i的最晚到达时间；

则无人机j的到达时间为：

Tj＝[Tjmin,Tjmax]＝[Lj/vjmax,Lj/vjmin]   (7)其中，Tjmin为无人机j的最早到达时间，Tjmax为无人机j的最晚到达时间；

若两机之间满足时间协同性，则要求

max[Timin,Tjmin]

5.根据权利要求4所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述各无人机之间的安全间隔dSafe按照公式(5)确定：式中，T为用时最短的无人机所耗时的80％，t是各无人机从起点到终点的用时时长，d为各无人机和目标点之间的安全距离，R是各无人机在耗时80％T内与其他无人机之间的距离。

6.根据权利要求5所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述步骤3中的多无人机协同航迹规划多目标优化模型表示为：其中，|Xi(t)‑Xj(t)|表示无人机i和无人机j在t时刻之间的距离，fK(x)为无人机个体x在航迹路线K的航迹距离，fS(x)为无人机个体x在航迹路线K的航迹安全性。

7.根据权利要求5所述的基于MMEA的多无人机协同航迹规划方法，其特征在于，所述步骤4具体为：

将各个无人机起始点到目标点的连线作为新坐标系的横轴，将原地形坐标系进行旋转，使得原地形坐标系横轴与新坐标系的横轴以及起点重合，得到新的旋转坐标系如下：其中，(x，y)为原地形坐标系，(x′，y′)为新的旋转坐标系，θ为旋转角度；其中，x1、y1为各个无人机在原地形坐标系中的坐标横纵值， 是各无人机和无人机竖直朝向新坐标系横轴与新坐标系横轴交点之间的距离；

将每个无人机在旋转坐标系中的横坐标x′进行D等分，计算每个等分点垂线上相应的纵坐标，得到一组由D个点的纵向坐标组成的点列，将点列中的点按顺序连接在一起，就得到了一条连接起点与终点的路径，这样将航路规划问题转换为一个D维函数优化问题，然后在建立的旋转坐标系下，利用基于多模多目标差分演化算法对公式(9)建立的多无人机协同航迹规划的多目标约束模型进行优化，最终输出最优航迹。