近年来，低成本的多旋翼无人机凭借其机动性强、可扩展性高等优点正迅速走向民用。然而，无人机有限的续航时间和通信距离限制了其服务范围。因此，在实际应用中，通常会利用车辆搭载无人机到达目标区域的附近，然后再出动无人机执行任务。高效的车辆和无人机协同能极大地提高效率、节省成本，因此引起了学术界的广泛关注。然而，现有的相关工作大多侧重于研究车辆-无人机协同进行物流配送的场景，缺乏对无人机巡检场景的关注。除此之外，现有研究大都只考虑车辆与单架无人机协同的模式，而多架无人机并行执行任务能显著地提高效率。
　　鉴于此，本文立足于无人机巡检场景，研究车辆-多无人机协同相关的路径规划与调度问题。诚然，本研究面临诸多挑战，例如在确保无人机执行任务时和车辆保持在有效通信范围的前提下，如何优化车辆和无人机的路径规划以减少路程上的浪费；如何均衡的分配任务以减少各架无人机以及车辆的空闲时间；如何在空间维度和时间维度进行联合设计，使任务完成时间最短等。在并存的机遇与挑战下，本文提出了两个新颖且高效的启发式算法：
　　一是基于自适应候选集的禁忌搜索算法(AdaptiveMemorybasedTabuSearchAlgorithm，简称为AMTSA)。首先，AMTSA算法通过量化每一条无人机飞行路线的性价比来优化无人机的路径规划方案。其次，AMTSA算法通过对每个车辆停靠点定义其无人机飞行路线覆盖率，合理的规划了车辆的行驶路线。同时，AMTSA算法采用了简单却高效的启发式算法来合理的调度无人机，实现负载均衡。最后，AMTSA算法采用了嵌套式的禁忌搜索算法来针对车辆行驶路线、无人机飞行路线和无人机调度方案做联合优化，保证了任务完成时间最短。仿真结果表明，同比对照算法，AMTSA算法在任务完成时间上要低于对照算法100%左右，且对无人机的续航时间依赖性小。
　　二是混合基因遗传算法(HybridGeneticAlgorithm，简称为HGA)。HGA算法基于遗传算法的框架，创新性的提出了最小化访问代价算法(MinimumVisitingCostCrossover，简称为MVCC)来完成两个父解的杂交过程。MVCC算法确保了生成的子解比父解拥有更短的任务完成时间。除此之外，HGA算法还采用了链式的禁忌搜索算法分别针对车辆行驶路线和无人机飞行路线进行优化，在保证了性能良好的前提下提供了较高的执行效率。仿真结果表明，HGA算法的性能可以达到AMTSA算法的80%左右，且远远优于其余对照算法，同时其执行效率比AMTSA算法高出70%。