1.基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，包括：S1、采用层次聚类与DBSCAN聚类相结合的自适应优化方法，根据无人机群和目标的位置调整任务区域分配；

S2、基于自适应聚类的分配结果，引入模糊蚁群算法，结合模糊规则动态调节信息素强度，为无人机个体智能分配任务目标点并优化其路径规划；所述的信息素强度根据以下公式进行更新：Tij(t+1)＝(1‑ρ)·Tij(t)+ΔTij     (21)其中，Ak为蚁群中的蚂蚁集合，Lk为蚂蚁k的路径长度，Q为任务总权重，ρ为挥发系数，用于控制信息素的衰减速度；

S3、基于模糊蚁群的初步路径规划，采用近端策略优化算法对无人机个体的路径选择进行动态调整，同时结合粒子群优化算法对路径进行全局搜索与优化，从而生成无人机群的最优任务路径；具体包括：S3.1将路径规划问题建模为马尔科夫决策过程，其中状态表示无人机的当前路径信息，包括当前位置、已访问目标点和剩余任务目标点；动作对应无人机选择的下一个飞行节点；通过路径长度、能量消耗和任务优先级构建明确的奖励函数，用以评估每一步路径选择的质量，同时平衡时间和能量约束；通过采样路径轨迹，计算累计奖励，并不断调整策略，使无人机逐步生成能够最大化奖励函数的路径规划策略，从而实现更高效的路径优化，确保任务完成；路径规划策略的目标函数表示为：其中，rt(θ)表示当前策略与旧策略的比率； 是优势函数，用于衡量当前动作的优劣；

∈是裁剪范围，防止策略更新过大；

S3.2在步骤S3.1生成的路径基础上，利用粒子群优化的全局搜索能力进一步优化路径；最终找到最小化适应度函数的全局最优路径，实现无人机路径规划的全局优化；适应度函数的形式为：F(xi)＝α·L(xi)+β·E(xi)+γ·T(xi)     (30)其中，L(xi)是路径长度，E(xi)是路径的能量消耗，T(xi)是任务完成时间,α,β,γ是权重系数，用于平衡各个因素。

2.根据权利要求1所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，步骤S1包括：将任务目标点的坐标矩阵和无人机出发点的坐标矩阵作为输入，基于任务目标点集构建欧氏距离矩阵D；对目标点分别应用层次聚类和DBSCAN聚类，生成不同的聚类结果；随后，根据聚类结果计算其综合质量评分，包括轮廓系数、Calinski‑Harabasz指数和Davies‑Bouldin指数，从中选择评分最高的聚类方案，作为无人机任务区域分配的依据，实现任务分配的最优化。

3.根据权利要求2所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，步骤S1包括以下具体步骤：S1.1采用Ward方法逐步合并任务目标点初始化的独立簇，以最小化簇间的平方误差增量，直至达到无人机数量，完成层次聚类，Ward方法合并公式为：其中，(xi,yi)和(xj,yj)分别是簇Ci和Cj的中心，初始族为每个任务目标点；

S1.2利用DBSCAN方法对任务目标点进行聚类，其中欧氏距离矩阵D的元素通过以下公式计算：其中(xp,yp)和(xq,yq)是目标点p和目标点q的坐标；通过设置邻域半径和最小样本数，将高密度区域划分为簇，稀疏区域标记为噪声点；噪声点根据与基站的欧氏距离，分配到最近的基站，确保所有目标点均被有效覆盖；

S1.3通过轮廓系数、聚类密度和聚类紧密度对S1.1和S1.2聚类方案进行质量评估，综合评分公式如下：其中，a(i)表示样本i与同簇内其他点的平均距离，b(i)表示样本i与最近簇中其他点的平均距离，μ是整个数据集的均值， 是第j个簇Cj的均值，n是数据点的数量，k是簇的数量，si表示簇i内部的平均散度，dij表示簇i和簇j之间的距离；最终选择综合评分最高的聚类方案，作为无人机任务区域分配的最优依据。

4.根据权利要求1所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，步骤S2包括：在步骤S1中，任务区域被划分为多个较小的任务区域，并分配给无人机群；每架无人机从起始基地出发，根据路径上的信息素浓度和目标点距离选择路径；在路径规划中，通过引入模糊规则，综合考虑目标距离、障碍物密度、能量消耗和任务紧急程度因素，动态调整信息素的更新强度，优化路径选择；模糊推理将输入变量转化为调整信息素的精确值，较短路径获得更多信息素，从而增加被选择的概率；经过最大迭代次数的更新，信息素逐步收敛，最终找到全局最优路径。

5.根据权利要求4所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，步骤S2包括以下具体步骤：S2.1将步骤S1分配的任务区域分配给相邻的无人机群，并将每个任务簇视为一个蚂蚁种群，其中簇内样本数对应无人机的数量；

S2.2每架无人机从其起始基地出发，基于路径上的信息素浓度和各目标点间距离，随机选择下一个目标节点，逐步构建路径；路径选择的概率计算公式为：其中，Tij表示从节点i到节点j的信息素浓度，dij表示节点间的距离；

S2.3路径选择中引入模糊规则，综合考虑目标距离、障碍物密度、能量消耗和任务紧急程度，通过模糊推理动态调整信息素浓度，优化路径选择过程；

S2.4每轮迭代后，更新路径上的信息素，较短路径积累更多信息素，增加被选择的概率；在最大迭代次数内，信息素不断优化，路径逐渐收敛至全局最优，完成无人机任务的高效分配与规划。

6.根据权利要求5所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法，其特征在于，步骤S2.3中，模糊推理具体过程如下：S2.3.1通过隶属函数将目标距离、障碍物密度、能量消耗、任务紧急程度转化为模糊集合隶属度，具体如下：目标距离划分为“Near”、“Medium”和“Far”三个模糊集合，其隶属函数定义如下：障碍物密度ρ被划分为“Low”、“Medium”和“High”三个模糊集合，其隶属函数定义如下：‑5ρ

μLow(ρ)＝‑e       (11)

‑5ρ

μHigh(ρ)＝1‑e       (13)

能量消耗E被划分为“Low”、“Medium”和“High”三个模糊集合，其隶属函数定义如下：任务紧急程度U被划分为“Low”、“Medium”和“High”三个模糊集合，其隶属函数定义如下：‑5U

μLow(U)＝‑e     (17)

‑5U

μHigh(U)＝1‑e      (19)

S2.3.2根据制定的模糊规则，结合隶属度进行模糊推理，模糊规则表如下：其中，“+”、“o”和“‑”分别代表增加、适中、减少信息素更新量；总体而言，当目标距离近、障碍物密度低、能量消耗低且任务紧急程度高时，增加信息素，优先选择当前路径；当目标距离远、障碍物密度高、能量消耗高且任务紧急程度低时，减少信息素，鼓励探索其他路径；当变量之间存在矛盾时，根据任务优先级和资源情况动态调整信息素更新量，以实现路径选择的智能优化；

S2.3.3通过重心法对模糊推理结果进行去模糊化，将其转化为精确数值，用于动态调整路径上的信息素浓度。

7.基于模糊蚁群算法与近端策略优化结合的无人机群体协同装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑6中任一项所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法。

8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑6中任一项所述的基于模糊蚁群算法与近端策略优化结合的无人机群体协同方法。