1.一种基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，包括以下步骤：步骤1)读取当前可用参与者信息并输入系统，采用整数编码，随机生成number数目的个体构成种群U；

步骤2)读取问题输入的信息，定义优化目标，所述问题的输入信息包括该任务的要求到达的坐标(x，y)、群体置信度预期ACCLOW、该任务的花费预期MONEYmax以及该任务的预期人数numsum；所述优化目标为空气质量任务分配所需总花费；

步骤3)进行数据预处理与参数初始化；

步骤4)设置损失函数LOSS以衡量每个种群的优劣程度；

步骤5)计算初始化的种群的损失函数值，将种群的当前方案分别作为每个种群的个体最优pbest；将种群中损失函数值的最小的方案作为全局最优gbest；

步骤6)用粒子群算法迭代循环，设置惯性权重w，更新速度v，获取新方案，更新全局最优和个体最优，输出最优解；步骤6)中，所述用粒子群算法迭代循环，获得最优解的过程包括以下步骤：步骤6‑1)根据式(5)计算动态惯性权重w：

式(5)中，w为惯性权重w，wmax为权重上限，wmin为权重下限；

步骤6‑2)速度更新：对于1000个种群，分别更新其速度，公式如下：v＝w×vlast+c1×rand()×(pbest‑plan)+c2×rand()×(gbest‑plan)    (6)式(6)中，v为1×number的矩阵，表示各人员的权重，plan为该总群对应方案的任务分配安排，个体最优、全局最优与该方案所分配人员区别越大则更新速度越快；

步骤6‑3)进行速度边界条件处理：若速度矩阵v中值超过所设定的速度最大值vmax，则修改其值为vmax；若小于所设定的速度最小值vmin，则修改其值为vmin；

步骤6‑4)更新当前方案：使用sigmoid函数将速度v调整至0到1区间内，若该候选参与者调整后的速度v大于0.5，则选取该参与者；若候选参与者调整后的速度v小于0.5，则不选择该参与者，据此，更新其对应的方案plan；

步骤6‑5)计算更新后方案的损失函数值，比较并更新个体最优与全局最优；

步骤6‑6)若迭代计数器gen小于上限次数G，则gen＝gen+1，跳转到步骤6‑1)；若迭代计数器gen达到上限次数G，则结束程序，输出当前全局最优方案的总花费、置信度、总人数；

步骤7)记录并保存全局最优的选人方案，以便最终任务分配。

2.根据权利要求1所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，所述步骤1)中每个个体为可用参与者表示为：U＝{u1，u2，…，ui，…，un}，其中，ui表示每个随机可用参与者的标号；定义每个可用参与者的置信度为ACCi，ACCi为分布在[0，1]上的小数，可用参与者所处地区的坐标为(Xi，Yi)。

3.根据权利要求1所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，步骤2)中，所述读取问题输入的信息，定义优化目标的过程包括以下步骤：设当前可用参与者ui距离任务点距离为di，则根据式(1)计算参与者至任务点的距离；

根据式(2)定义每个当前可用参与者完成任务获得的报酬为MONEYi；

MONEYi＝A*di+B*ACCi    (2)

式(2)中，A、B为常数，分别表示用户每公里可获得的报酬和个人置信度所对应的报酬；

设定被分配任务的可用参与者构成种群Z＝{z1，z2，…，zj，…，zm}，根据式(3)定义优化目标主体为空气质量任务分配所需总花费；

4.根据权利要求3所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，所述步骤3)具体为：根据该任务要求的坐标，分别计算可用参与者到达该地区需要的路程di与报酬MONEYi，置信度ACCi作为可用参与者的属性，设置改进粒子群算法的种群规模为N，学习因子c1、c2，迭代次数G，惯性权重w，速度上限下限vmax，vmin。

5.根据权利要求4所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，步骤4)中，所述设置损失函数的过程包括以下步骤：步骤4‑1)根据式(4)设定群体置信度sumacc，

步骤4‑2)设置损失函数LOSS以衡量每个种群的优劣程度，损失越小方案越好；

其中，ACCLOW为群体置信度预期，若该方案群体置信度sumacc超出置信度预期，置信度的损失为0，MONEYmax为金钱预期，若该方案所需花费summoney少于金钱预期，则金钱的损失为0，numsum为人数预期；设定若该种群人数n少于人数预期，则人数的损失为正；若该种群人数n多于人数预期，则人数的损失为负。