无人机(Unmaned Aerial Vehicle,UAV)技术在近年来得到了飞速发展。在军事领域和民用领域中,多UAV技术越来越多的应用在了协同目标搜索的任务上,如利用多无人机协同进行目标搜索、灾后人员搜救、协调运输货物等等。在实现多UAV的协同目标搜索过程中,UAV的路径规划设计成为了非常重要的内容,如何更有效率的发现目标,如何有效的躲避障碍物并及时发现目标,这些都是本文在无人机的路径规划方面需要研究的内容。在进行无人机路径规划时,无人机可能会受到各种障碍物或者禁飞区的干扰从而导致无人机不能搜索到尽可能多的目标或者无人机对地图的覆盖率过低,这些都达不到对地图搜索的任务指标。近些年来,演化算法十分广泛的应用于多UAV的路径规划中。这些演化算法主要有:遗传算法(Genetic Algorithm,GA),神经网络算法(Neural Network Algorithm,NEA)、人工免疫算法(Immune Clonal Selection Algorithm,ICSA)、粒子群算法(Particle Swarm Optimization,PSO)和蚁群最优化算法(Ant Colony Optimization,ACO)等等。这些优化算法都是先根据多UAV的任务要求得出相对应的系统传输函数,然后由系统传输函数得到多UAV的任务分配以及协同配合的架构,再依据各个算法的特点,有针对性的对多UAV的整体任务规划进行优化分析。本文中,我们深入分析了遗传算法,预测控制理论(Model Predictive Control,MPC),贪婪算法(Greedy Algorithm),在贪婪算法基础上实现改进式的协同遗传算法与预测控制理论的结合,并把提出的新的飞行机制加入到协同算法中,本文将提出的新机制算法命名为基于区域划分的最优动态报酬协同搜索算法(An Optimal Dynamic Compensation Cooperative Search Algorithm Based on Region Division,ODCA)。本文以任意大小的矩形为UAV的飞行环境,对其进行建模仿真,分别加入了随机小型障碍和大型固定障碍,针对复杂的环境,本文不仅考虑了算法的有效性,也考虑到了UAV达到最合理路径问题。在使用ODCA对多UAV进行路径规划与目标搜索时,首先利用预测控制理论对UAV的路径进行预测规划,再通过ODCA选择合适的种群进一步得出最适合UAV飞行的路径,并且在整个过程之间,UAV相互协调,相互告知彼此的信息,继而达到相互配合的搜索过程和优化之后的搜索结果。本文首先对遗传算法、预测控制理论和贪婪算法进行概述并且对无人机的飞行环境、自身状态、搜索概率图进行建模,建模之后利用传统算法进行UAV路径规划,在路径规划的模拟实验图中发现各个算法存在的问题。本文通过各个算法进行单个UAV路径规划,在单个UAV路径规划中发现问题并进行多无人机协同搜索目标路径规划去弥补单个UAV路径规划存在的问题。在多无人机协同搜索路径规划过程中发现各个算法出现的问题并在传统遗传算法中加入飞行机制使得UAV在路径规划中能够得到最大的覆盖率,从而搜索到尽可能多的目标。在加入新机制之后的算法下,通过改变相关参数继续与其他算法进行实验数据对比得出新算法的优越性,并在最后总结研究成果以及做出展望。通过本文的实验结果可以证明,在基于区域划分的最优动态报酬协同搜索算法下,ODCA相对于贪婪算法、随机算法、一般遗传算法都能够得到较好的实验结果。仿真结果验证了ODCA的有效性。