1.一种面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于，所述方法包括：
步骤(1)，建立森林火灾救援模拟器模型，使用无人机收集火场附近的植被情况以及风速风向情况，建立地理信息数据库，根据地理信息数据库，建立基于元胞自动机的森林火灾救援模拟器模型，采用细胞代替法获取火灾蔓延速度信息、火灾蔓延方向信息、救援机器人的移动速度信息、最大灭火元胞数信息以及最大隔离元胞数信息，根据这些信息建立森林火灾救援模拟器模型；
步骤(2)，建立救援机器人管理器，使用救援机器人管理器来管理救援机器人群的实时状态信息，具体包括救援机器人的类型、数量、灭火方式，灭火剂的可携带容量，以及每个救援机器人当前的位置和剩余灭火剂的数量，救援机器人的类型包括无人机(uav)、无人消防车(unmannedfiretruck,uft)和隔离火线消防车(isolatedfiretruck，ift)三种；
步骤(3)，建立灭火知识库，其中包括森林消防基本原则、森林火灾救援预案以及森林火灾灭火策略；
步骤(4)，建立森林火灾救援预案辅助决策系统，使用风速相关性(wind-speedrelevance,wr)、资源保障性(resourceguarantee,rg)、救援针对性(rescuetargeted，rt)和预案可操作性(planoperability，po)作为评价指标来评估救援预案，建立基于topsis(techniquefororderpreferencebysimilaritytoanidealsolution)的辅助决策系统进行多属性决策来选择最佳的救援预案；
步骤(5)，通过集成灭火知识的人工蜂群算法为每个区域生成具体救援方案，首先使用变长编码方法对种群进行编码，然后利用cabc搜索算子、abc/best搜索算子和基于灭火知识库中的灭火策略的搜索算子改造种群，保证种群的多样性，更新策略进化程度来表现搜索策略对种群进化的贡献程度，最后更新策略选择概率对不同策略进行选择；
步骤(6)，使用救援动作模糊推理机为救援机器人生成具体的救援动作，首先使用救援优先级模糊推理机来划分火灾区域的救援优先级，把救援优先级分为了紧急且重要(urgentandimportant,ui)、紧急非重要(urgentbutnotimportance,uni)、重要非紧急(importantbutnoturgent,inu)和非紧急非重要(noturgentandnotimportant,nuni)这四种，然后使用救援机器人分配模糊推理机，把救援机器人分配给最适合其进行救援的火灾区域。
2.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(1)中基于元胞自动机的森林火灾救援模拟器模型：
具体的，本发明中的森林火灾救援模拟器模型包括五种细胞状态s1-s5，其中，s1代表细胞内无可燃物质，即处于这一状态的细胞无法燃烧；s2代表细胞内有可燃物质但细胞尚未燃烧；s3代表细胞正在燃烧；s4代表细胞已经被烧毁；s5代表经过救援火灾已经被扑灭。
3.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(2)中的救援机器人类型为：
无人机(uav)：具有移动速度快、移动灵活不受地形限制的特点，但是可携带的灭火剂容量较少；无人消防车(unmannedfiretruck,uft)：优点是可以携带大量灭火剂进行灭火，每补给一次，可以扑灭大量的着火点，但同时具有移动速度较慢，移动受地形影响，移动成本较高等特点；隔离火线消防车(isolatedfiretruck，ift)：作用是建立火灾隔离线，对于在救援时限制火灾蔓延区域有突出的效果，但同时具有移动速度慢，移动成本高，且会对植被造成伤害的缺点。
4.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(3)中的森林消防基本原则、森林火灾救援预案以及森林火灾灭火策略为：
森林消防基本原则包括集中优势资源原则、实行“打早、打小、打了”原则、统筹兼顾，牺牲局部，保存全局的原则、讲究经济效益原则、优先下风方向原则；森林火灾救援预案包括风向控制预案、四面包围预案、重点救援预案；森林火灾灭火策略包括“单点突破，长线对进突击”策略、“多点突破，分击合围”策略和“四面包围，全线突击”策略。
5.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(4)中的评价指标为：
风速相关性(wind-speedrelevance,wr)、资源保障性(resourceguarantee,rg)、救援针对性(rescuetargeted，rt)和预案可操作性(planoperability，po)；
具体的，wr的计算方式如式(1)所示：
其中，ws代表风速，单位为m/s；
具体的，rg的计算方式如式(3)所示：
rg的含义为在救援预案中，所有aag的最大灭火元胞数量与对应的灭火区域元胞数之比的最大值，当整体救援机器人救援资源充足时，如果rg较大说明全局救援资源充足或某一区域救援资源充足；当救援机器人agent救援资源不足时，此时若将救援机器人着重关键区域进行救援，rg较大；若将救援机器人分散给不同区域进行救援，则每个区域的救援资源都不充足，rg较小；
具体的，rt的计算方式如式(4)所示：
rt对救援预案对降低经济损失的性能进行评估，rt考虑在具有最强灭火能力救援机器人组的主要救援区域中的植被价值在所有燃烧元胞的植被价值综合的占比；
具体的，po的计算方式如式(5)所示：
其中，centerj表示frj中所有元胞的中心点；distance(agenti,centerj)表示agenti与centerj之间的距离；speedi表示agenti的移动速度。
6.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(4)中的基于topsis(techniquefororderpreferencebysimilaritytoanidealsolution)的辅助决策系统为：
s＝{s1,s2,…,sm}为救援预案集，c＝{c1,c2,…,cn}为预案评价指标集，评价指标的权重向量为w＝(w1,w2,…,wn)，具体算法步骤如下：
步骤(4.1)：计算决策矩阵，根据权利要求5所述的评价指标，计算每个救援预案的评价向量，得决策矩阵为dm＝(dmij)，其中dmij表示预案si的评价指标cj的值；
步骤(4.2)：决策矩阵规范化，根据式(6)计算规范化的决策矩阵sdm；
步骤(4.3)：计算加权的决策矩阵wdm；
wdmij＝sdmij*wj,i＝1,2,...,m；j＝1,2,...,n(7)
步骤(4.4)：计算正理想解和负理想解，正理想解pis计算如式(8)所示，负理想解nis计算如式(9)所示：
其中，j1代表效益型指标集合；j2代表成本型指标集合；
步骤(4.5)：计算每个预案到正理想解和负理想解的距离，备选预案si到正理想解、负理想解的距离计算分别如式(10)，(11)所示；
步骤(4.6)：计算各个预案的综合评价分值，备选预案的综合评价分值计算如式(12)所示：
备选预案的综合评价分值越大，说明相应的救援预案越适合于当下的火场特点，因此综合评价分值最大的救援预案将被我们选择作为救援预案。
7.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(5)中的cabc搜索算子、abc/best搜索算子和基于灭火知识库中的灭火策略的搜索算子为：
具体的，cabc搜索的更新方式是通过使用种群中的两个不同解来生成新的解，这使其具有很强的搜索解空间的能力，cabc的计算公式如式(13)所示：
其中，xr1，xr2代表从种群中随机选择的个体，r1,r2∈{1,2,3,…,fn},r1≠r2,fn代表abc算法中蜜源的数量，且fn＝ps/2,ps代表种群大小；
具体的，abc/best搜索通过在种群中最优解的附近生成新的解，使其具有较强的局部搜索能力，abc/best搜索的更新公式如式(14),(15)所示：
其中，r1,r2,r3,r4是属于{1,2,3,…,fn}不等于i且互不相等的整数；xbest为当前已知的最优解；
具体的，在基于灭火策略的搜索算子(firefighting-strategy-basedsearch，fss)中，本发明使用了如下两种包含在灭火知识库中的森林火灾灭火知识：“单点突破，长线对进突击”策略(single-pointbreakthrough,long-termstrike,sblsstrategy)与“四面包围，全线突击”策略(surroundedonallsides，sasstrategy)；
sbls策略的主要思想是集中救援资源，从火灾蔓延性最强的的方向进行救援，而sas策略则是分散灭火设备资源，从各个方向同时进行灭火，这意味着sbls与sas策略对救援机器人的需求有所不同，因此，我们通过救援压力rp，来选择不同的灭火策略，rp代表了在当前的火灾划分和救援机器人分配的方案下，该火区被成功灭火的难度，rp的计算方式如式(16)所示：
rp＝α(|rcr|/n1)+β(|rcr|/nfc)+(1-α-β)ws(16)
其中，第一项为新增森林燃烧元胞数量与可用救援机器人的比值；第二项为新增森林燃烧元胞数量与所有使用救援机器人可以扑灭的元胞数量总和(numberoffirefightingcells,nfc)的比值；ws(windspeed)代表风速，单位为m/s；α和β为调节因子。
8.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(5)所述的更新策略进化程度为：
具体的，搜索策略的进化程度定义为每个搜索策略令个体进化的平均值，用来比较不同搜索策略对种群进化的效果是否更好，策略进化程度的计算方法如式(17)，(18)所示：
其中，selecttime表示该搜索策略被选择的次数，singleevolutiondegreei代表第i次使用该策略时的进化程度，fi表示使用该策略前个体的适应度，fi'表示使用该策略后的个体适应度。
9.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(5)所述的更新策略选择概率为：
具体的，在初始状态下，所有搜索策略(cabc,abc/best,fss)的选择概率被初始化为1/3，每次选择了某一种搜索策略进行搜索之后，更新策略进化程度之后会随之更新策略选择概率，更新方式如式(19),(20),(21)所示：
spcabc＝spcabc*(1-λ)+λ*(sedcabc/(sedcabc+sedabc/best+sedfss))(19)
spabc/best＝spabc/best*(1-λ)+λ*(sedabc/best/(sedcabc+sedabc/best+sedfss))(20)
spfss＝spfss*(1-λ)+λ*(sedfss/(sedcabc+sedabcb/est+sedfss))(21)
其中，λ∈[0,1]表示更新的比例，在本发明中，我们设置其初始值为1，随着种群不断的进化，将其减少至0.2。
10.根据权利要1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(6)所述救援优先级模糊推理机的运行步骤为：
步骤(6.1)，设置着火点的评估指标，分别为火灾蔓延与风向夹角(anglebetweenwinddirectionandfirespreaddirection,awf)、相邻可燃细胞数量(numberofneighborflammablecells,nnfc)、相邻元胞植被价值(burncostofneighborflammablecells,bcnfc)；
步骤(6.2)，使用单值式隶属度函数对评估指标进行模糊化，指标的隶属度函数如下：
awf的隶属度函数：
如果该着火点的火灾蔓延方向与风向夹角的余弦值>0.5，隶属度函数为1；否则为0；
nnfc的隶属度函数：
bcnfc的隶属度函数：
步骤(6.3)，设置救援优先级，将救援优先级分为4个等级，分别是紧急且重要(urgentandimportant,ui)，紧急非重要(urgentbutnotimportance,uni)，重要非紧急(importantbutnoturgent,inu)和非紧急非重要(noturgentandnotimportant,nuni)；
步骤(6.4)，设置模糊推理规则，评价集v＝{ui,uni,inu,nuni}，因素集u＝{u1,u2,u3,…,unc}，其中u代表燃烧点的集合，nc代表燃烧细胞的数量，推理规则见表1。
表1救援优先级模糊推理机推理规则
11.根据权利要求1所述的面向森林火灾的异构机器人群救援预案辅助决策算法，其特征在于步骤(6)所述救援机器人分配模糊推理机运行步骤为：
步骤(6.1)，设置救援机器人分配的评估指标，分别是救援机器人的类型(agenttype,at)，救援机器人到火区中心的距离(distanceui,distanceuni,distanceinu)，临近火区(nearestregion,nr)；
步骤(6.2)，设置隶属度函数，distanceui,distanceuni和distanceinu的隶属度函数分别如式(25)、(26)、(27)所示：
步骤(6.3)，设置模糊推理规则如表2所示。
表2救援机器人分配模糊推理机