]步骤=:离散布谷鸟捜索算法初始参数设值；
[0051] 定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P。，巢主鸟是智能布谷鸟的概率 P。，最大迭代次数Maxit，由于要解决的问题可W看作经典TSP问题求解，应用整数编码随机 生成一个mX(n+l)的初始矩阵Xmx(wi);
[0052] 步骤四：计算初始值适应度；
[0053]W遍历全部侦察任务区飞行路径最短为适应度函数，计算每个鸟窝的适应度，逐 一比较选出最小值并记录相应的解；
[0054] 步骤五：判断巢主鸟是否具有监测功能；
[005引随机产生服从均匀分布0~1之间的数ri，并与概率P。进行比较，若ri< P。则证 明该布谷鸟具有自主监测能力，将此解的适应度/；^与随机选取的第j个解的适应度进行 比较，若货 >巧则将第i个解用第j个解替换，其中i，j=l，2，...，m且i声j。
[0056] 步骤六：新鸟窝的产生并择优保留；
[0057] 通过L6vy飞行产生一个0~1之间的值1，根据1值产生新鸟窝：
[005引当1 G [0, ：0时，解进行一次2-opt扰动；
[005引当1G[化-1)Xi，kXU时，解进行k次2-opt扰动；
[0060] 当1G比Xi, 1)时，解通过double-bridge进行一次大的扰动；
[0061] 其中，i=1/Q+P)，p为步数（一般提前规定），kG{2, . . . ,p}，L6vy飞行产生值的 公式为：st巧=y/(|V|i/e)，运里y和V服从正态分布，即：爲~A'(化。；；> ,/V(0,仔,2)，
0v=1，r为标准的Gamma函数。然后，计算出新鸟窝的适 应度并与之前的进行比较，若if1 <《则用新的解替换，否则不变；
[0062] 步骤屯：是否抛弃较差鸟窝；
[006引随机产生服从均匀分布0~1之间的数。，并与概率P。进行比较，若r2<P。则抛 弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前 的解进行比较保留最优解。
[0064] 步骤八：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否 贝1J，退出并显示最优结果。
[0065] 步骤九：建立UAV侦察信息确定性指标模型；
[0066] 信息确定性指标主要跟UAV在任务区的侦察时间、侦察载荷的工作能力等有关， 如下式所示：
[0067]G(t) =G〇+Gi(l-e(et))
[006引式中，G。为侦察开始前UAV对任务区域已知信息，0《G。< 1，G1为UAV对任务区 域的信息不确定性部分，满足Gu+Gi=l。P为侦察载荷对任务区域的侦察能力指数，主要 由侦察载荷的固有能力与待侦察任务区的性质决定。
[0069] 步骤十：建立UAV多任务侦察收益模型；
[0070] W侦察收益最大为优化目标，建立如下表达式：
[0071]
[007引式中，Ci为任务区i的价值，W为UAV携带侦察载荷的扫描宽度；V为UAV的任务 飞行速度，设为固定值，Si第i个任务区域的面积，假定任务区为长方形区域，t1为第i个 任务区分配的侦察时间，其中ti= 0。
[0073] 步骤^^一 ：基本布谷鸟捜索算法初始参数设值；
[0074] 定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P。，最大迭代次数Maxit，随机生 成一个mX(n-l)的初始矩阵Ymxhu;
[00巧]步骤十二：计算初始值适应度；
[0076] W多任务侦察收益为适应度函数，计算每个鸟群的适应度，逐一比较选出最大值 并记录相应的解；
[0077] 步骤十=:新鸟窝的产生并择优保留；
[0078] 通过L6vy飞行过程产生新的鸟窝，并将最好的鸟窝保留到下一代，鸟窝的更新公 式如下：
[0079]
[0080] 式中，巧；rP分表表示第t+1和第t代第i个鸟窝的位置，巧表示点对点乘 法，a>0为步长比例因子，〇<P《2,其余变量步骤六中已经描述。计算出新鸟窝的适 应度并与之前的进行比较，若则用新的解替换，否则不变；
[0081] 步骤十四：是否抛弃较差鸟窝；
[008引随机产生服从均匀分布0~1之间的数。，并与概率P。进行比较，若r3<P。则抛 弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前 的解进行比较保留最优解。
[0083] 步骤十五：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤 十否则，退出并显示最优结果。
[0084] 下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施 例。
[0085] UAV多任务侦察规划示意图如图1所示，已知参数：无人机的最大续航工作时间， 巡航速度，携带的侦察载荷扫描宽度，起飞基地的坐标，任务区数量，任务区参数及侦察价 值系数、最大迭代次数。
[0086] 求解参数：决策变量Xi,、ti，总飞行距离Dmi。，最大侦察收益Gmax。
[0087] 方案实施过程如下：
[0088] 首先将整个规划过程分为两个阶段来求解，第一阶段进行侦察路径规划，求取到 UAV飞完所有侦察路径需要的任务时间。第二阶段进行任务区侦察时间分配，将UAV剩余的 任务飞行时间分配给相应的任务区。整个求解过程如图2所示。
[0089] 第一阶段：将UAV对多任务区侦察的最短任务路径问题归结为经典的TSP问题求 解，针对问题特点，建立如下数学模型：
[009引其中du为任务区i到任务区j的欧氏距离，（X1，yi)表示第i个任务区中屯、的位置坐标；\，为决策变量，当UAV先执行完任务i之后就执行任务j时值为1，否则为0;n表 示任务区数量（包括UAV起飞基地），Dmi。从基地起飞完成对所有任务区遍历飞行的最短航 路，M起飞基地与侦察任务区集合M={1，2, 3. . .n}，tii为UAV从任务区i到任务区j需要 的飞行时间，ty=dy/v。
[0099] 如图3所示，离散布谷鸟捜索算法解决UAV对多任务区侦察的最短任务路径问题 包括W下步骤：
[0100] 步骤一：输入已知数据；
[0101] 将侦察任务区数量，各个任务区位置，W及任务面积、各任务区最小侦察收益、各 任务侦察价值、无人机的总飞行时间、无人机飞行速度作为初始数据输入系统。
[0102] 步骤二：建立UAV最短侦察路径规划优化目标；
[0103] W遍历全部侦察任务区飞行路径最短为优化目标，建立如下表达式：
[0104]
[0105] 步骤=:离散布谷鸟算法初始参数设值；
[0106] 定义鸟窝数量m，巢主鸟能够发现外来鸟蛋的概率P。，巢主鸟是智能布谷鸟的 概率P。，最大迭代次数Maxit，由于解决的是一个TSP问题，应用整数编码随机生成一个 mX(n+1)的初始矩阵Xmxhw;
[0107] 步骤四：计算初始值适应度；
[010引 W遍历全部侦察任务区飞行路径最短为适应度函数，计算每个种群的适应度，逐 一比较选出最小值并记录相应的解；
[0109] 步骤五：判断巢主鸟是否具有监测功能；
[0110]随机产生服从均匀分布0~1之间的数ri，并与概率P。进行比较，若ri<P。则证 明该布谷鸟具有自主监测能力，将此解的适应度/f与随机选取的第j个解的适应度进行 比较，乾货 > 务则将第i个解用第j个解替换，其中i，j= 1，2,...，m且i声j。
[0111] 步骤六：新鸟窝的产生并择优保留；
[0112] 通过L6vy飞行产生一个0~1之间的值1，根据1值产生新鸟窝：
[011引当1G[0, :0时，解进行一次2-opt移动；
[0114] 当1G[化-1)Xi，kXU时，解进行k次2-opt移动；
[0115] 当1G比Xi, 1)时，解通过double-bridge进行一次大的扰动；
[0116] 其中，i= 1/Q+P)，p为步数（一般提前规定），kG{2, . . . ,p}，L6vy飞行产生值的 公式为：st巧=y/(|V|i/e)，运里y和V服从正态分布，即：兴脚讀），V~部0，相），
0v= 1，r为标准的Gamma函数。然后，计算出新鸟窝的适应 度并与之前的进行比较，若乂"1 </;f则用新的解替换，否则不变，2-opt与double-bridge属 于局部捜索算法，用于解决TSP问题，具体实现如图4、5所示；
[0117] 步骤屯：是否抛弃较差鸟窝；
[011引随机产生服从均匀分布0~1之间的数。，并与概率P。进行比较，若r2<P。则抛 弃较差鸟窝并通过局部随机过程建立全新的鸟窝；否则，保持不变；将产生的新解与之前 的解进行比较保留最优解。
[0119] 步骤八：判断是否达到最大迭代次数，如果没有，迭代次数加1并返回步骤五；否 贝1J，退出并显示最优结果。
[0120] 第二阶段：提出采用信息确定性指标衡量特定时间内对任务区的侦察收益，信息 确定性指标主要跟UAV在任务区域的侦察时间、侦察载荷的工作能力等有