1.一种改进遗传算法的空地异构多目标探测方法，其特征在于，包括以下步骤：（1）构建基于混合整数线性规划MILP的空地协同多目标检测任务模型，包括运动学约束、动态避碰约束、任务分配约束和任务完成约束；具体如下：设 架无人机和 架无人车分别前往 个目标点完成探测任务；其中， 是适合无人机的目标点数量， 是适合无人车的目标点数量， 是 和 共同执行检测任务的目标点；目标点的数量满足下列公式：（1）；

运动学约束公式如下：

(2)；

其中， 是横向位移， 是纵向位移， 是横向速度， 是纵向速度，是横向加速度， 是纵向加速度，则公式（2）缩写为：（3）；

其中， 是第p个智能体在时刻t的状态矩阵，包括位移和速度， 是第p个智能体在时刻t的加速度矩阵；A和B是仅由 控制的系数矩阵；加速度参数状态仅由初始位置、初始速度和每一时间步长 的加速度控制；

动态避碰约束公式如下：设障碍物为圆形，圆心坐标为 ，半径为 将圆近似划分为M边形，无人机或无人车的避障约束方程如下：；（4）

（5）；

其中，M为多边形边数， ， 是比 大的常数， 是二进制决策变量，表示第p个智能体的避障约束，值为0时，公式（4）一直成立，并且不作为约束；值为1时，表示满足约束条件即第p个智能体的位置被限制在约束范围之外；公式（5）表示第p个智能体的每个方向上，至少有一个方向的 =1，第p个智能体需要避开障碍物；则第p个智能体的动态防碰撞约束描述为在每个方向上保持安全阈值的到任何其他无人机的距离；公式如下：（6）；

（7）；

其中， ，第p个智能体的位置坐标 ；第q个智能体的位置坐标 ， 是比 大的常数， 是二进制决策变量，表示第p个智能体和第q个智能体之间的避障约束，值为1时，当前方向上满足碰撞避免约束，其他 值为0即其他三个方向上不需要满足碰撞避免约束； 表示设定的安全距离；

任务分配约束包括：

（S1）适合无人机的目标点，公式如下：

（8）；

其中， 表示无人机数量，二进制决策变量 用于表示第p个智能体在时间步长t是否需要到达目标点i；若需要，值为 1；否则，值为 0；

（S2）适合无人车的目标点，公式如下：

（9）；

其中， 表示无人车数量，二进制决策变量 用于表示第p个智能体在时间步长t是否需要到达目标点i；若需要，值为 1；否则，值为 0；

（S3）适合无人机和无人车的目标点，公式如下：（10）；

其中， 表示无人机数量， 表示无人车数量，二进制决策变量 用于表示第p个智能体在时间步长t是否需要到达目标点i；若需要，值为 1；否则，值为 0；

任务完成约束，公式如下：

设目标点i的坐标为 无人机或无人车在规定的时间t内到达目标点；无人机或无人车在时间步长t到达目标点i周围边长为 的正方形内认为任务完成，公式如下：（11）；

其中， 是比 大的常数，第p个智能体的位置坐标 ，目标点i的坐标为 ；无人机或无人车在规定的时间t内到达目标点；

（2）建立的空地协同多目标探测任务模型的目标函数，包括时间最短、总时间、总能耗和航迹平滑度；包括以下步骤：（21）时间最短是检测到最后一个目标点时所消耗的总时间最短的时间，公式如下：（12）；

其中， 表示最长全局时间， 是优化函数，通过比较约束和最小目标函数，以线性方式描述最小化时间 ；

（22）总时间等于每架无人机和无人车完成任务的时间成本之和，公式如下：（13）；

其中，  表示第p个智能体完成所有任务的时间， 是优化函数；

（23）总能耗为在恒定速度下总能量消耗目标，公式如下：（14）；

其中， 为比例系数，用于能耗和时间的量纲转换，用于调整第p个无人机在时间步长t的水平速度 和垂直速度 的总能耗的比例；

（24）构建轨迹平滑度的约束：

（15）；

其中， 为比例系数，用于能耗和时间的量纲转换，用于调整轨迹平滑性损失在目标函数中的比例； 和 分别表示在时间步长t处第p个无人机的横向加速度和垂直加速度；

（3）利用改进遗传算法求解最优解，将得出的最优解作为分支定界的输入；包括以下步骤：（31）使用整数编码将每个无人机和无人车的任务顺序编码成染色体，初始化种群，随机生成初始染色体集合；其中，根据给定的种群规模 、选择概率、交叉概率、变异概率和最大进化代数初始化种群；染色体编码为两层结构：第一层表示所有目标点的执行顺序；

第二层表示执行相应目标点检测任务的无人车或者无人车的ID号；若目标点总数为 ，需要同时被无人机和无人地面车检测的目标点数为 ，则染色体长度为 ；

（32）计算每条染色体的目标函数值，并作为适应度值；使用 算法为解码后的每个无人机或者无人车规划路径；适应度函数公式如下：；（16）

其中， 代表种群中每个无人机和无人车个体， 表示总的目标函数，；

（33）使用精英保留策略，即保留适应度更高的个体；从群体中随机选择k个体，将其中适应度最高的个体保存到下一代，重复执行，直到保存到下一代的个体数达到预先设定的数量为止；选择概率 计算公式为：（17）；

其中， 代表种群规模，即无人车和无人机个体总数；

（34）根据交叉概率从种群中选择两个染色体，随机确定染色体上的交叉位置，对基因码进行交叉操作；

（35）根据变异概率在种群中随机选择需要变异的个体，然后染色体上随机选择两个变异位置，交换这两个位置上的基因；

（36）将选择出的父代染色体与交叉和变异操作生成的后代染色体合并，形成新一代种群，计算新一代的适应度值，并判断当前代的最优结果是否满足终止迭代条件，如果不满足，则重复步骤（33）‑步骤（35）；

（4）利用分支定界法进行优化；）具体如下：设得出的最优解为 当分支定界的解空间B不为空时：从解空间B中选择一个分支 检查分支 是否可行，如果 可行，找到分支的最优解 ，若 比 差，则修剪 ，将 更新为 ；如果 满足问题A的整数解要求，则 为最优解，退出循环。