1.一种无人机与车辆协同任务分配的智能优化方法，其特征在于，该方法包括：S1、获取无人机与车辆协同任务分配模型，遗传算法预设参数集合；

S2、采用车机协同混合编码方法生成染色体，并构建初始种群；

S3、将当前种群视为父代种群，基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值，然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作；

S4、采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别；若通过判别，则进入S6；否则，进入S5；

S5、采用车机协同修正方法对未通过可行性判别的染色体进行修正；

S6、采用预设的更新操作对当前种群中的染色体进行更新操作，生成子代种群；

S7、判断迭代次数是否达到最大迭代次数；若未达到，则令迭代次数增加1，返回S3；

S8、基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算子代种群中每个染色体的适应度值，输出子代种群中的适应度值最大的染色体对应的方案。

2.如权利要求1所述的一种无人机与车辆协同任务分配的智能优化方法，其特征在于，所述无人机与车辆协同任务分配模型包括：目标函数：

且在无人机与车辆协同任务分配模型中：xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量；

无人机飞行网络对应的无向图S＝{N,E}，其中N＝{0,1,...,n,n+1,n+2,...,n+m,n+m+

1,e}，E＝{(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边，对于(i,j)∈E，用 表示i和j之间的欧式距离值；

车辆行驶网络对应的无向图G＝{N,A}，其中N即为无向图S中的点集合，A＝{(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边，对于(i,j)∈A，用 表示i和j之间在道路路网约束下最短距离道路的距离值；0表示作为起点时的起点，e表示作为终点时的起点；

点任务参数为P＝{1,...,n}；

线段任务参数为L＝{(n+1,n+2),...,(p,q),...,(n+m,n+m+1)}；

其中，n表示点任务的数量，l＝(p,q)表示一个线段任务，p和q是该路段的两端点，其中m表示线段任务的数量；

yikj∈{0,1}表示无人机从点i或其邻近区域起飞，访问点任务k后降落在点j或其邻近区域取值为1，否则取0，其中i∈N\{e}，k∈P，j∈N\{0}，i≠k≠j；

yipqj∈{0,1}表示无人机从点i或其邻近区域起飞，访问线段任务(p,q)后降落在点j或其邻近区域取值为1，否则取0，其中i∈N\{e}，(p,q)∈L，j∈N\{0}；

xij∈{0,1}表示车辆从点i行驶到点j取值为1，否则取0，其中i∈N\{e}，j∈N\{0}，i≠j；

t′ij表示无人机与车辆协同情况下，无人机访问任务时车辆从点i到点j所需时间；

tij表示携带无人机的车辆在道路路网中从点i到点j所需时间。

3.如权利要求2所述的一种无人机与车辆协同任务分配的智能优化方法，其特征在于，所述无人机与车辆协同任务分配模型还包括：约束1、点任务被无人机或车辆访问一次：约束2、线段任务被无人机或车辆访问一次：约束3、车辆在节点的进入次数等于离开次数：约束4、车辆仅从起点出发一次：约束5、车辆仅返回起点一次：

约束6、车辆路径上的节点访问次序：uj‑ui≥1‑(n+m+3)(1‑xij),其中，ui为辅助决策变量；ui表示点i在车辆路径上的位置，u0＝1，1≤ui≤n+m+3，约束7、无人机在任意节点邻近区域至多发射一次：约束8、无人机在任意节点邻近区域至多被回收一次：约束9、无人机起飞和降落关联节点必须在车辆路径上，且起飞关联节点优先于降落关联节点被车辆访问：

约束10、无人机执行任务时必须由车辆进行协同：yikj+yipqj+yiqpj≤xij,约束11、无人机单次飞行只访问一个点任务或一条线段任务：yikj+(yipqj+yiqpj)≤1,

4.如权利要求1所述的一种无人机与车辆协同任务分配的智能优化方法，其特征在于，所述采用车机协同混合编码方法生成染色体，并构建初始种群，包括：根据种群规模生成若干个染色体，对于任一染色体：将点任务虚拟为线段任务，与原有线段任务以列向量存储，并进行随机排列，得到任务访问顺序πt；

基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数，并随机排列，得到任务分配方案πa；

将任务访问顺序πt和任务分配方案πa合并得到一个染色体。

5.如权利要求2所述的一种无人机与车辆协同任务分配的智能优化方法，其特征在于，所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值，包括：

将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。

6.如权利要求4所述的一种无人机与车辆协同任务分配的智能优化方法，其特征在于，所述采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别，包括：当染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时，染色体对应的解不可行；

且所述采用车机协同修正方法对未通过可行性判别的染色体进行修正，包括：当πa中出现成对1元素的情形时，将位于右边的1元素改为0元素。

7.一种无人机与车辆协同任务分配的智能优化系统，其特征在于，包括：数据获取模块，用于获取无人机与车辆协同任务分配模型和遗传算法预设参数集合；

初始种群生成及适应度值计算模块，用于采用车机协同混合编码方法生成染色体，并构建初始种群；并基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值；

染色体操作模块，用于将当前种群视为父代种群，然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作；

可行性判定及修正模块，用于采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别；并采用车机协同修正方法对未通过可行性判别的染色体进行修正；

子代种群生成模块，用于采用预设的更新操作对当前种群中的染色体进行更新操作，生成子代种群；

算法终止判断模块，用于判断迭代次数是否达到最大迭代次数；若未达到，则令迭代次数增加1，并返回染色体操作的步骤；

分配结果输出模块，用于调用适应度值计算模块计算子代种群中每个染色体的适应度值，输出子代种群中的适应度值最大的染色体对应的方案。

8.如权利要求7所述的一种无人机与车辆协同任务分配的智能优化系统，其特征在于，所述无人机与车辆协同任务分配模型包括：目标函数和约束条件；

所述目标函数：

且在无人机与车辆协同任务分配模型中：xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量；

无人机飞行网络对应的无向图S＝{N,E}，其中N＝{0,1,...,n,n+1,n+2,...,n+m,n+m+

1,e}，E＝{(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边，对于(i,j)∈E，用 表示i和j之间的欧式距离值；

车辆行驶网络对应的无向图G＝{N,A}，其中N即为无向图S中的点集合，A＝{(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边，对于(i,j)∈A，用 表示i和j之间在道路路网约束下最短距离道路的距离值；0表示作为起点时的起点，e表示作为终点时的起点；

点任务参数为P＝{1,...,n}；

线段任务参数为L＝{(n+1,n+2),...,(p,q),...,(n+m,n+m+1)}；

其中，n表示点任务的数量，l＝(p,q)表示一个线段任务，p和q是该路段的两端点，其中m表示线段任务的数量；

yikj∈{0,1}表示无人机从点i或其邻近区域起飞，访问点任务k后降落在点j或其邻近区域取值为1，否则取0，其中i∈N\{e}，k∈P，j∈N\{0}，i≠k≠j；

yipqj∈{0,1}表示无人机从点i或其邻近区域起飞，访问线段任务(p,q)后降落在点j或其邻近区域取值为1，否则取0，其中i∈N\{e}，(p,q)∈L，j∈N\{0}；

xij∈{0,1}表示车辆从点i行驶到点j取值为1，否则取0，其中i∈N\{e}，j∈N\{0}，i≠j；

t′ij表示无人机与车辆协同情况下，无人机访问任务时车辆从点i到点j所需时间；

tij表示携带无人机的车辆在道路路网中从点i到点j所需时间；

所述约束条件：

约束1、点任务被无人机或车辆访问一次：约束2、线段任务被无人机或车辆访问一次：约束3、车辆在节点的进入次数等于离开次数：约束4、车辆仅从起点出发一次：约束5、车辆仅返回起点一次：

约束6、车辆路径上的节点访问次序：uj‑ui≥1‑(n+m+3)(1‑xij),其中，ui为辅助决策变量；ui表示点i在车辆路径上的位置，u0＝1，1≤ui≤n+m+3，约束7、无人机在任意节点邻近区域至多发射一次：约束8、无人机在任意节点邻近区域至多被回收一次：约束9、无人机起飞和降落关联节点必须在车辆路径上，且起飞关联节点优先于降落关联节点被车辆访问：

约束10、无人机执行任务时必须由车辆进行协同：yikj+yipqj+yiqpj≤xij,约束11、无人机单次飞行只访问一个点任务或一条线段任务：yikj+(yipqj+yiqpj)≤1,

9.如权利要求8所述的一种无人机与车辆协同任务分配的智能优化系统，其特征在于，所述采用车机协同混合编码方法生成染色体，并构建初始种群，包括：用于根据种群规模生成若干个染色体，对于任一染色体：将点任务虚拟为线段任务，与原有线段任务以列向量存储，并进行随机排列，得到任务访问顺序πt；

基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数，并随机排列，得到任务分配方案πa；

将任务访问顺序πt和任务分配方案πa合并得到一个染色体；

且所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值，包括：将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。

10.如权利要求9所述的一种无人机与车辆协同任务分配的智能优化系统，其特征在于，所述可行性判定及修正模块包括：可行性判定单元，用于染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时，染色体对应的解不可行；

不可行染色体修正单元，用于当πa中出现成对1元素的情形时，将位于右边的1元素改为

0元素。