在智能交通领域中,道路和交通数据的采集至关重要,目前,主要依靠部署在道路周围的路边单元和无线传感器来进行信息采集,然后将数据传输到数据中心。无人机凭借着自身优势而被广泛应用于智能交通领域,利用无人机辅助路边单元来完成数据采集是一种有效的方法,可以有效提高数据采集的效率。随着大数据时代的到来,智能交通领域的任务量呈现爆炸式增长,同时任务逐渐多样化和复杂化,加上任务的时延约束和无人机的能耗约束,单无人机已经无法满足任务需求,因此多无人机协同执行任务变得越来越普遍。无人机的任务规划问题同时受到任务约束、环境约束以及无人机的协同约束,这是一个多目标多约束的规划问题。本文针对该问题,结合仿生学习算法,对多无人机协同任务规划问题进行了研究,包括多无人机的任务分配,基于覆盖质量的多无人机任务分配和城市环境下的无人机三维路径规划。本文的主要工作包括:（1）针对多无人机协同辅助路边单元数据采集的任务分配问题,对问题进行建模并设置任务约束,以任务时延和任务能耗两个因素为基础,构建了合理的任务成本函数。并提出了一种基于仿生学习的分层优化策略,将任务分配问题分为确定任务集和优化任务序列两个阶段。同时提出了一种混合灰狼鲸鱼优化算法,解决多无人机任务序列的组合优化问题。（2）针对基于覆盖质量的多无人机协同辅助路边单元数据采集问题,以任务成本和任务覆盖质量两个因素为基础,构建了一种最小成本最大覆盖模型。该模型结合任务采集场景,重新定义了任务的覆盖率,使采集任务更加倾向于重要的路边单元节点,从而提高数据采集质量。同时提出了一种混合加权灰狼鲸鱼优化算法,优化多无人机的任务采集路径。（3）针对无人机的三维路径规划问题,设计了一种新的威胁计算模型,该计算模型通过距离计算和垂足的判别,来更精确地计算飞行路径的威胁大小。同时提出了一种基于Levy飞行扰动策略的改进鲸鱼优化算法,优化无人机的三维飞行路径。该问题以城市环境为背景,结合威胁区和禁飞区的威胁约束,以及无人机的机动性和物理约束,设计无人机的飞行成本函数。将Levy飞行随机游走策略的思想应用于鲸鱼优化算法的改进中,并引进信息交流机制来引导算法更新,使算法更好地避免陷入局部最优解,为无人机寻求一条低能耗、高覆盖、无碰撞、无威胁的三维飞行路径。此外,对本文所提算法和策略进行了仿真对比验证。通过设定不同的任务场景,测试所提算法的任务规划效果。然后对比了经典的遗传算法、粒子群算法和两个新型的仿生学习算法—灰狼优化算法和鲸鱼优化算法在该问题中的优化效果。实验结果表明,随着任务规模的增大,本文所提算法都能得到更低的任务成本和更高的任务覆盖率,提高任务执行效率。