1.一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：包括以下步骤：步骤1：以最小化任务完成后的无人机集群总飞行航程为优化目标一，以最小化任务完成时间为优化目标二；所述任务完成后的无人机集群总飞行航程是指根据无人机的初始位置、任务的位置和飞行环境，估算得到的所有无人机到任务的飞行航程；所述任务完成时间是指执行完最后一个任务的完成时间；

步骤2：确定无人机集群中各无人机间的协同约束，确定执行任务的时序约束，确定每架无人机的飞行航程约束；

步骤3：根据优化目标一和优化目标二，分别构建两个蚂蚁组和相应的两个启发信息，每个蚂蚁组由多只蚂蚁构成；

步骤4：将每个蚂蚁组划分成多个蚂蚁子群，对于任意一蚂蚁子群，其包含的每只蚂蚁都代表同一架无人机；

步骤5：从每个蚂蚁子群中取一只蚂蚁，以此形成蚁簇；

步骤6：根据每架无人机的初始价值和剩余飞行航程，更新每架无人机的成员信息素；

每架无人机基于其成员信息素来竞争获得下一个任务的执行权；

步骤7：获得下一个任务的执行权的无人机根据状态转移规则选择下一个任务；所述状态转移规则由任务环境中的信息素与启发信息共同决定；

步骤8：重复执行步骤6～步骤7，直至该蚁簇中的所有蚂蚁均遍历完，得到该蚁簇对应的任务分配解；然后执行步骤9；

步骤9：计算该蚁簇对应的任务分配解的优化目标一的值和优化目标二的值，并更新局部信息素；

步骤10：重复执行步骤5至步骤9，直至所有的蚁簇遍历完，得到所有蚁簇各自对应的任务分配解，然后执行步骤11；

步骤11：将当前构造的所有任务分配解中的帕累托最优解存入档案集中，当前构造的所有任务分配解是指上一次迭代档案集中的所有解和本次迭代得到的所有蚁簇各自对应的任务分配解；在档案集中找出最靠近原点的多个帕累托最优解，记为解集Origin；根据档案集中的所有解和解集Origin中的所有解，更新两个蚂蚁组的全局信息素；

步骤12：判断是否满足终止条件，若满足，则输出档案集中的所有解，档案集中的所有解构成最终的任务分配方案；若不满足，则执行步骤3；

步骤13：无人机集群按照步骤12得到的任务分配方案，执行任务；

步骤3中的两个启发信息包括任务完成后的无人机集群总飞行航程Fpath对应的启发信息 和任务完成时间Ftime对应的启发信息 分别表示为：其中，llj为从任务Tl转移到任务Tj所需的航程代价； 为所有无人机的平均飞行时间；

i

t为无人机Ui的当前飞行时间； 为无人机Ui从任务Tl转移到任务Tj所花费的时间代价，为无人机Ui的飞行速度；

步骤6中，所述的根据每架无人机的初始价值和剩余飞行航程，更新每架无人机的成员信息素，表示为：设无人机Ui在t时刻的成员信息素γi(t)，由无人机Ui的初始价值和此时的剩余飞行航程对其进行更新，表示为：式中， 为无人机Ui在t时刻的已飞行的航程； 为无人机Ui的初始价值， 为无人机Ui的最大可飞行航程；

步骤7中，所述的获得下一个任务的执行权的无人机根据状态转移规则选择下一个任务，表示为：假设获得下一个任务的执行权的无人机为无人机Ui，所述状态转移规则表示为：其中，J为根据下式给出的概率分布产生的一个随机变量：

其中，*为蚂蚁组，每个蚂蚁组都有自己的信息素矩阵与启发信息；allowedt为t时刻待选择的任务集合； 为t时刻任务Tl与任务Tj之间的信息素浓度； 为t时刻任务Tl与任务Tj之间的启发信息；α与β分别为信息素因子和启发信息因子，用于控制信息素与启发信息的相对重要性；q为[0,1]之间的随机数；q0∈[0,1]为平衡因子，当q≤q0时使用贪心法，当q＞q0时采用轮盘赌法。

2.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：所述的任务完成后的无人机集群总飞行航程，按照以下步骤进行建模：使用数字高程模型对任务环境进行数字模拟；

任务完成后的无人机集群总飞行航程Fpath建模为：

其中，dij为无人机Ui在执行任务Tj时采用基于垂直切面的三维航程代价计算方法预估得到的飞行航程；Xij为任务决策变量，表示无人机Ui是否执行任务Tj，Xij＝0表示无人机Ui不执行任务Tj，Xij＝1表示无人机Ui执行任务Tj；M表示无人机总数量，N表示任务总数量；

所述的任务完成时间Ftime建模为：

其中，Δt为无人机Ui执行任务所花费的时间， 为无人机Ui的飞行速度。

3.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：步骤2中，无人机集群中各无人机间的协同约束，表示为：式中，Xij为任务决策变量，表示无人机Ui是否执行任务Tj，Xij＝0表示无人机Ui不执行任务Tj，Xij＝1表示无人机Ui执行任务Tj；M表示无人机总数量，N表示任务总数量；

该协同约束表示一架无人机在同一时间只能执行一个任务，且一个任务只能被一架无人机执行；

对于无人机要执行的任意两个相邻的任务Tl与任务Tj，无人机必须在执行完任务Tl之后，才能执行任务Tj，因此，执行任务的时序约束，表示为：tj＞tl+Δt

其中，tl、tj分别为无人机到达任务Tl、任务Tj的时间，且任务Tl的执行顺序在任务Tj之前，Δt为无人机Ui执行任务所花费的时间；

每架无人机的飞行航程约束，表示为：

其中， 为无人机Ui的最大可飞行航程，dij为无人机Ui在执行任务Tj时采用基于垂直切面的三维航程代价计算方法预估得到的飞行航程。

4.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：步骤6中，所述的每架无人机基于其成员信息素来竞争获得下一个任务的执行权，表示为：根据成员信息素γi(t)，无人机Ui在t时刻获得下一个任务的任务执行权的概率为：式中，M表示无人机总数量。

5.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：步骤9中，所述的更新局部信息素，表示为：其中， 为t+1时刻任务Tl与任务Tj之间的信息素浓度，为局部信息素挥发系数，τ0为信息素初始值。

6.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：步骤11中，所述的更新两个蚂蚁组的全局信息素，表示为：其中， 的值是非负的；ρ为全局信息素挥发系数； 为每次迭代后任务Tl与任务Tj之间的信息素增量，计算方法为：式中， 为档案集中的所有解经过路径(l,j)留下的信息素； 为解集Origin中的解经过路径(l,j)留下的信息素；Q为信息素常数；Origin为解集Origin； 与 分别为档案集中的解的目标函数值和解集Origin中的解的目标函数值。

7.根据权利要求1所述的一种基于改进多目标蚁群算法的无人机集群任务分配方法，其特征在于：在步骤10中，当得到所有蚁簇各自对应的任务分配解后，对状态转移规则中的q0按照以下公式进行自适应更新：其中，q0_max为q0的上限，H为基于香农熵设置的种群多样性；pij为路径(l,j)在任务分配解中出现的概率；na为种群数量；Eij为路径(l,j)在任务分配解中出现的次数。