1.基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，包括以下步骤：
第一步，根据移动自组织网络进行模型建立，将网络模型、能耗模型及移动模型应用到多无人机自组网模型之中。
第二步，应用模糊决策树进行跳数预测，通过离线训练模糊决策树模型，设数据集s＝{s1,s2,···sn}是离散值域x上的集合，模糊属性集为a＝{a1,a2,···am}，属性aj的术语v(aj)＝{vj1,vj2,···vjk}，其中1≤j≤m。划分类为c＝{c1,c2,···ck}。第i个实例si对于第j个属性的隶属度为uij，表示定义在v(aj)上的模糊子集。
第三步，应用三角模糊函数对输入属性进行模糊语义定义，每个属性值x(ai)属于第j个属性术语的隶属度函数为。
其中，
第四步，使用id3算法构造决策树，计算每个模糊化属性的熵e(s)以及信息增益gain,，选择信息增益最大的属性进行分裂，若无更多属性或者数据集全部划分为一类，则该节点为叶节点建树完成。
第五步，基于鱼群算法自适应广播hello包，根据鱼群算法产生的信息素模型，属于同一鱼群的节点收到hello包后以小于1的概率转发hello包，不同鱼群节点收到hello包后以概率1转发。
第六步，基于指数加权平均移动法进行转发成功率预测。转发成功率的定义与传输单跳时延相关
wij(n)＝(1-β)wij(n-1)+βrij(7)
其中，β表示可调权重系数，wij(n)表示第n次传输转发成功率的预测值，rij表示上一次传输转发成功率的反馈值。
第七步，基于模糊决策树和指数加权移动平均得到最优转发节点决策，模糊决策树得到通过每个邻居传递数据包的预期跳数，将具有当前最小预期跳数的节点加入候选转发节点集合，当集合中有多个节点时需要从中选择出一个最优的邻居来传输文采用指数加权移动平均以历史转发成功率作为度量，从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策。
2.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，所述的移动自组织网络模型建立。具体是，网络模型定义了节点和基站的移动状态，规定了节点传输数据的方式，确定了路由机制。
能耗模型定义了边界条件阈值d0。
εfs是自由空间信道模型的信号放大因子，εmp是多径衰落信道模型的信号放大因子。
如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型。如果不是，则采用多径衰落信道模型。
移动模型描述了节点了不稳定运动，节点随机选择行进的方向和速度，新的速度和方向在预定范围中选择。所选择的群体移动模型是参考点组移动模型。参考点组移动模型中，网络分成多个组。对于每个组，组内存在一个目标，组内的节点根据其目标进行移动，并保持一定的约束。网络根据需要分为特定的几组，组内节点的速度控制在0至最大速度之间，节点的方向控制在0至2π之间。由于组内存在目标点，这使得组内节点保持受限的随机运动。参考点组移动模型中随机方向和随机速度的选择如下：
v∈(vmin,vmax)(9)
θ∈(0,2π)(10)。
3.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，应用模糊决策树进行跳数预测，通过离线训练模糊决策树模型。通过分布式信息作为输入特征属性建立模糊决策树，具体考虑的属性如下：1、hopupdat是邻居节点的跳数信息，由于节点的高移动性和规模大，维护的跳数在实际使用时可能已经发生了改变，但是跳数的改变也是有限的，因此维护的跳数将是预估跳数的重要决策属性。2、u_time是跳数更新时间间隔，是指更新跳数的时刻到现在的时间间隔。3、direct是节点速度方向，邻居节点移动是靠近还是远离基站对跳数改变有重要的影响，直观来说，当邻居节点靠近基站移动时，更有机会和基站建立更短跳数的路由。4、speed是节点移动速度，跳数的变化正是由于节点的移动造成的，因此节点的移动性是预估跳数的重要决策属性。5、let是链路过期时间，通过移动节点之间的距离、移动节点的速度和移动方向来计算移动节点的let。6、prog是前向距离，前向距离是指节点到邻居节点的连线在节点到基站方向上连线的投影。7、degree是邻居节点度，指的是邻居节点的个数，这个指标可以反映网络密度，在网络密度较大的场景中，邻居跳数的差值较小，在网络密度较小的场景中，邻居跳数的差值较大，所以邻居节点度也会影响跳数的变化。
模糊决策树的训练标签采用实际传输到基站的跳数，如果传输失败则把标签设置为跳数阈值hopthres＝10。
4.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，应用三角模糊函数对对本文的输入属性进行模糊语义定义。模糊逻辑算法模仿人脑的不确定性判断，通过一些模糊规则，将多个影响因子融合起来。
5.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，使用id3算法构造决策树，计算每个模糊化属性的熵e(s)以及信息增益gain。模糊决策树训练的本质是从数据集中国归纳出一组分类规则，从根节点到叶节点代表一条分类规则，叶节点的数量等于分类规则的数量，叶节点的种类等于划分种类。
6.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，基于鱼群算法自适应广播hello包，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，每个数据包都分泌信息素，通过信息素对节点进行鱼群分类，不同鱼群的节点完全转发hello包，不同鱼群节点概率转发hello包，对于大规模无人机应用，减少hello包有利于节能和提升网络性能。
7.根据权利要求1所述的基于指数加权平均移动法进行转发成功率预测，其特征在于，指数加权移动平均通过采取历史信息来预测未来可能出现的情况，指数加权平均是过去历史信息做均值处理的时候加上指数相关的权重，这样可以得到随着时间增加而淡化历史信息样本的重要程度，离当前时间越近的历史信息数据权重越大，离当前时间越远的历史信息数据权重越小，这一思想非常符合无人机自组网快速移动场景的实际情况。
8.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，基于模糊决策树和指数加权移动平均得到最优转发节点决策。在大部分网络实际应用场景中对端到端时延都有限制条件，超过端到端时延阈值的数据包被认为失去转发到目的地的意义，因此在转发过程中会被丢弃。通过从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策可以有效降低端到端时延。