1.一种基于混合灰狼‑粒子群算法的旋翼无人机路径规划方法，其特征在于，具体包括以下步骤：步骤1、构建无人机路径障碍物模型并进行环境建模；

步骤2、设计无人机性能约束和代价函数；性能约束包括最大电量约束、无人机自身性能约束、障碍物约束；

步骤3、进行粒子群初始化，初始化种群的数量以及初始化搜索空间中每个个体的速度和位置；计算所有粒子的适应度，将所有个体的极值进行对比获得所有个体的种群极值，并记录粒子群的最优位置；具体过程如下：步骤3.1、进行粒子群初始化，初始化种群的数量以及初始化搜索空间中每个个体的速度和位置，如下所示：式中， 表示第k次迭代时种群第m个个体在j维空间的位置参数，表示第k次迭代时种群第m个个体在j维空间的速度参数；

步骤3.2、采用步骤2.4中的代价函数对当前种群中所有个体的最优极值进行一一对比，获得最优极值的个体fm，从而获得全局最优极值fg，通过个体极值fm得到当前个体最优位置pm，通过种群最优极值fg得到种群最优位置pg，分别表示如下：T

其中，fm＝(fm1,fm2,fm3)表示种群中第m个个体在j维空间的最优极值参数，pmj表示种群中第m个个体在j维空间的最优极值对应的最优位置参数；

T

其中，fg＝(fg1,fg2,fg3)表示种群在j维空间的最优极值，pgj表示种群最优个体在j维空间的最优位置参数；

步骤4、判断是否达到最大迭代次数，若是，输出搜索结果，结束算法；否则，通过个体和种群的最优位置进行个体的速度和位置更新，判断粒子是否进行灰狼算法部分，进行灰狼算法部分后不断迭代更新粒子的最佳位置，判断是否达到最小迭代次数，若达到则以最佳位置的平均值替换当前粒子位置；具体过程如下：步骤4.1、判断是否达到最大迭代次数，若是，输出搜索结果，结束；否则，通过个体和种群的最优位置进行个体的速度和位置更新，表示如下：vm(k+1)＝μvm(k)+c1r1(pm(k)‑xm(k))+c2r2(pg(k)‑xm(k))         (16)式中，vm(k+1)是第m个个体第k+1次迭代的速度，k为迭代次数；μ为惯性权重，c1和c2为加速因子，取值范围为(0,2)；r1和r2为0到1的随机数，位置更新为：

xm(k+1)＝xm(k)+vm(k+1)                   (17)式中，xm(k+1)是m个个体第k+1次迭代的位置；

步骤4.2、判断当前粒子的随机数是否小于设定的概率值0.5，如果否，回到步骤3.2，如果是，该粒子个体进入灰狼算法进行个体位置更新优化；将灰狼分为4个等级，即α狼，β狼，δ狼和ω狼；α狼、β狼和δ狼构成领导小组领导着ω狼；ω狼是狼群中最低级的灰狼，它们总是服从于其他类型的狼；

灰狼捕食猎物的包围过程，小种群个体更新位置如下：

Dm＝Cm·Xp(k)‑Xm(k)                      (18)Xm(k+1)＝Xp(k)‑Am×Dm                       (19)其中，k是当前迭代次数，Xm(k)表示搜索空间中第m个灰狼的位置，Xp(k)是猎物的位置，Dm为第m个灰狼个体距离领头狼的距离，系数向量Am和Cm表示为：Am＝2a×r1‑a                           (20)Cm＝2×r2                                 (21)a＝2‑2k/kmax                        (22)其中r1和r2是[0,1]中的随机参数；a是收敛因子，其值是线性的从2减少到0，这是为了模拟灰狼接近猎物的过程，kmax为最大迭代次数；

狩猎过程：通过比较所有粒子的适应度值，选出最优、次优和次次优的粒子形成领导组，领导组包括α、β和δ，领导组有猎物的位置信息，每个ω狼根据最佳搜索代理更新其位置：Dα＝|C1.Xα(k)‑Xm(k)|                  (23)Dβ＝|C2.Xβ(k)‑Xm(k)|                   (24)Dδ＝|C3.Xδ(k)‑Xm(k)|     (25)

X1＝Xα(k)‑A1.Dα                         (26)X2＝Xβ(k)‑A2.Dβ                        (27)X3＝Xδ(k)‑A3.Dδ                        (28)Xm(k+1)＝(X1+X2+X3)/3                (29)其中，Dα、Dβ、Dδ分别表示α狼、β狼和δ狼与其他灰狼个体之间的距离，C1、C2、C3、A1、A2、A3均为系数向量，Xα、Xβ、Xδ表示领导小组的位置，X1、X2、X3分别表示当前灰狼个体通过三只领头狼所推测出的位置；灰狼算法每迭代一次后其迭代次数均加一，当满足灰狼算法部分的迭代次数后，当前粒子原本的位置将由(X1+X2+X3)/3代替，并以代替后的位置继续进行粒子群算法部分；总的迭代过程的迭代次数加一；

步骤5、继续进行粒子群算法部分，直到达到最大迭代次数后结束整个算法，得到规划出来的最优路径。

2.根据权利要求1所述基于混合灰狼‑粒子群算法的旋翼无人机路径规划方法，其特征在于，所述步骤1的具体过程如下：步骤1.1、构建无人机路径障碍物模型，采用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体，包括采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物，采用球体来模拟无人机在飞行过程中遇到的巨石以及土丘；

步骤1.2、基于步骤1.1，在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型来模拟无人机飞行的路径环境。

3.根据权利要求1所述基于混合灰狼‑粒子群算法的旋翼无人机路径规划方法，其特征在于，所述步骤2的具体过程如下：步骤2.1、设计最大电量约束；假定飞机的飞行路径分为n段，最大航程为Lmax，则第i段航程表示为Li；第i段路径长度的代价函数fd为：xi,yi,zi分别表示前一个路径点在x,y,z轴上的坐标，xi+1,yi+1,zi+1分别表示后一个路径点在x,y,z轴上的坐标； 表示前一个路径点与后面一个路径点之间的距离；

由于算法搜索生成的路径不能满足无人机飞行的需要，需要对生成的路径进行平滑处理，引入曲率代价函数fc：其中，yi′描述为yi相对于xi在坐标(xi,yi)下的一阶导，yi″描述为yi相对于xi在坐标(xi,yi)下的二阶导，ni表示第n段路径上路径点的个数；

无人机电池的能耗fb为：

fb＝fd+fc     (3)

步骤2.2、设计无人机自身性能约束函数fo为：

其中，从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式：式中，θ为无人机的俯仰角度，θmax为无人机的最大俯仰角度，M为约束值；

从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式：式中，Ψi为无人机的偏航角度，Ψmax为无人机的最大偏航角度；

飞行高度的约束函数fopt_height(xi)表示为：

其中，H是根据环境分析以及任务需要所推算出的最优飞行高度，hi为无人机距地面的高度，Mh为约束值；

步骤2.3、设计障碍物约束：无人机在飞行过程中会遇到各种各样的障碍物，障碍物约束函数ft表示为：式中，Q表示障碍物的个数，dn,q表示第n路径段内路径点到第q个障碍物之间的距离，rq表示第q个障碍物的半径；

步骤2.4、通过对以上各个约束函数的分析，得到无人机飞行轨迹的代价函数为：f＝ω1fb+ω2fo+ω3ft                        (11)代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例，并且系数之和为1。

4.根据权利要求1所述基于混合灰狼‑粒子群算法的旋翼无人机路径规划方法，其特征在于，所述步骤5的具体过程如下：步骤5.1、粒子群算法的初始态是一群随机分布的粒子，这些粒子各自会被初始化一个随机速度，经过不断迭代，最优解会逐渐产生；在迭代过程中，每个粒子会根据其惯性、自身历史最优位置和全局最优位置进行位置更新，公式如下：vm(k+1)＝μvm(k)+c1r1(pm(k)‑xm(k))+c2r2(pg(k)‑xm(k))           (30)xm(k+1)＝xm(k)+vm(k+1)                          (31)式中，k为迭代次数；μ为惯性权重，其值越大，全局寻优能力强，局部寻优能力弱；c1和c2为加速因子，进行个体信息反馈和群体信息交流，使粒子根据个体和群体寻优得到的信息做出判断，调整自身位置，移向最优位置范围为(0,2)；r1和r2为0到1的随机数，用来增加粒子的容错性和寻优能力；pm为对应第m个粒子的历史最优位置，是该粒子所有迭代过程中的最优位置；pg为全局最优位置，是通过比较所有粒子的适应度值得到的最优粒子的历史最优位置；

步骤5.2、基于步骤5.1不断更新记录粒子群的最优值，且每一次迭代更新都将无人机的位置替换为当前粒子群的种群最优位置，达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来，从而得到使用灰狼‑粒子群算法规划出来的最优路径。