1.基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于包括的步骤为：S1、获取多智能体系统的拓扑数据，并构建基于优化目标的适应度函数，多智能体系统包含领航者智能体及跟随者智能体：针对含链路噪声的无人车编队系统，无人车系统主要包括控制者与多智能体系统MASs，MASs包括领航者无人车和跟随者无人车；

S2、初始化参数，包括三重引导机制触发阈值、候选领航者集合、个体历史最优集合、全局最优领航者集合和适应度函数的权重参数集合 ；

多智能体系统中的无人车状态更新模型为：

（1）

其中，为当前时刻， 为第 个无人车的位置， 为第 个无人车的速度，为第 个无人车的邻居集合， 为无人车 的邻居集合中的第 个无人车， 为期望状态偏差， 为均值为0方差为 的白噪声，无人车 与无人车 之间的白噪声方差 的取值为1， 为无人车 与无人车 之间的权重系数， ，其中 ，表示无人车 的度值；

S3、在每次迭代中，依次通过个体历史最优集合引导、全局最优集合引导和邻居集合引导对候选领航者集合进行更新，然后基于适应度值更新每个粒子的个体历史最优领航者集合与粒子群的全局最优领航者集合；

S4、重复步骤S3至最大迭代次数后，输出当前权重参数下的全局最优领航者集合；

S5、重复步骤S3和S4，输出权重参数集合 中各权重参数的全局最优领航者集合 ；

S6、计算全局最优领航者集合 中任意两个集合之间的适应度值差异，并与适应度差异阈值进行比较；保留适应度值差异小于适应度差异阈值的集合，然后对保留的集合进行帕累托无差异筛选，将筛选获得的无差异解作为最终领航者输出集合。

2.根据权利要求1所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述适应度值的计算方法为：

其中， 表示优化目标系统误差 所能取到的最大值， 表示优化目标渐近收敛速率 所能取到的最大值， 表示领航者集合， 为权重参数。

3.根据权利要求2所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述个体历史最优集合引导为：

当生成的随机数小于第一触发阈值 ，则对于粒子 触发操作：从差集 中随机选取一个智能体并从候选领航者集 中移除，并从差集 中随机选取一个智能体加入候选领航者集 ， 表示个体历史最优领航者集合。

4.根据权利要求3所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述全局最优集合引导为：

当生成的随机数小于第二触发阈值 ，则对于粒子 触发操作：从差集 中随机选取一个智能体并从候选领航者集 中移除，并从差集 中随机选取一个智能体加入候选领航者集 ， 表示粒子群的全局最优领航者集合。

5.根据权利要求4所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述邻居集合引导为：

当生成的随机数小于第三触发阈值 ，则对于粒子 触发操作：从候选领航者集合 中随机选取一个智能体 ，进而确定智能体 的邻居集合 ；随后，从邻居集合中随机选择1个智能体 用以替换候选领航者集合 中的智能体 。

6.根据权利要求5所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述基于适应度值更新每个粒子的个体历史最优领航者集合与粒子群的全局最优领航者集合的方法为：（1）若适应度值 优于适应度值 ，但不优于适应度值，则更新个体历史最优领航者集合 ；

（2）若适应度值 优于适应度值 且优于本轮迭代中其余粒子的候选领航者集合，则更新个体历史最优领航者集合 与粒子群的全局最优领航者集合 。

7.根据权利要求6所述的基于集合操作的多目标离散粒子群优化的领航者选择方法，其特征在于：所述与适应度差异阈值进行比较的方法为：

预设适应度差异阈值 ，然后判断： ，如果满足，则判定为小于适应度差异阈值，其中， 表示候选领航者集合 的适应度值，表示候选领航者集合 的适应度值。