1.一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，包括如下步骤：(1)缺陷点信息预处理：使用改进近邻聚类法，对缺陷点信息进行聚类预处理，以任务点取代缺陷点，减少无人机飞行时间与距离；具体步骤为：(1.1)统计所有缺陷点三维坐标与大坝坝体三维模型，选取新的缺陷点使用改进近邻聚类法进行聚类，聚类距离阈值为T，聚类对象为缺陷点与缺陷点或者缺陷点与前一次聚类中心点，聚类中心点坐标为两个对象坐标和除2，记录每一次聚类产生的中心点历史位置；循环判断以聚类点距离为T的范围内是否有其余缺陷点可聚类且新聚类点是否可行，若是，继续聚类，若否，跳转至步骤(1.2)；(1.2)统计所有聚类过程产生的聚类中心点与未参与聚类的独立缺陷点，以聚类点代替缺陷点，再将聚类点的x轴增加安全距离S后设置为飞行任务点，表示无人机可实际飞行点；(2)目标分配规划：对大坝模型与预处理后的任务点进行综合飞行约束信息与飞行目标函数建模，使用量子粒子群算法求解全局最优解，基于无人机群的工作特点，实现任务点对于无人机的初步目标分配规划；(3)单区域内多任务点路径规划：使用退火算法结合改进量子粒子群算法，设定约束信息与适应度函数，为每个区域块中所有任务点进行最小代价路径规划。
2.根据权利要求1所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2)中目标分配规划的步骤如下：(2.1)设定任务约束；(2.2)设定目标函数；(2.3)设定模型综合约束；(2.4)初始化量子粒子群算法：设置算法参数，粒子维数为任务点数目N，粒子数为K，最大迭代次数为maiter，每个维度的上限为无人机数目M，初始化粒子群位置，粒子个体最优位置pbest，全局最优位置gbest，定义适应度函数F 1 为步骤(2.3)定义的目标函数，得到所有粒子初始适应度值；(2.5)更新算法中间参数：计算得到平均最优位置的mbest，其值为所有粒子当前最优位置的平均值，定义收缩扩张因子β及其线性递减策略 其中β t 为第t次迭代时的参数值，β ini 为初始值，β end 为结束值，t是迭代次数，T是最大迭代次数；(2.6)迭代粒子位置：计算局部吸引子：其中， 表示(0，1)间的随机数，pp id (t)表示第t次迭代时第i个粒子第d个维度值，pbest id (t)表示第t次迭代时第i个粒子历史最优值，gbest d (t)表示第t次迭代时全局最优值；每个粒子计算新位置：新位置时的适应度与该粒子之前的最优位置pbest适应度作比较，如果新位置的适应度优于之前的最优位置适应度，将pbest更新为新位置；将每个粒子的新位置x t+1 适应度函数与全局最优位置gbest的适应度函数作比较，如果新位置的适应度优于全局最优位置的适应度，将gbest更新为新位置；(2.7)跳转到步骤(2.5)直至达到最大循环次数maiter，将得到的gbest的值赋值给gbest，得到全局最优位置gbest；由于粒子群算法得到的解为连续值，根据四舍五入原则，将连续的值变成离散值，最优粒子第i个维度的值即为第i个任务点归属的无人机序号；(2.8)统计此处得到的gbest的值，该粒子第i个维度上的值即为该第i个任务点应该分配到的无人机。
3.根据权利要求2所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.1)中设定任务约束的具体步骤如下：任务约束为每个任务点都需要无人机遍历且仅遍历一次，每架无人机至少分配到一个目标点一次，以公式表达为： 且 其中，i为任务起始节点，v为第v架无人机， 为0-1决策变量，为1表示第v架无人机从i节点到j节点执行任务，为0表示没有分配任务。
4.根据权利要求2所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.2)中设定目标函数的具体步骤如下：任务目标函数包括执行任务时间代价 其中j＝1,2,3...N,t j 表示完成第j个目标的时间，c j ≥0为任务的加权系数，t f ≥t j 为完成所有任务的总时间；多无人机总航程代价 其中 表示路径长度， 表示决策变量；效益函数 为编号v的无人机从节点飞行到目标任务后的成功率，与任务间有无障碍物，执行任务相对距离有关。
5.根据权利要求2所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.3)中设定模型综合约束的具体步骤如下：综合目标函数描述为：max J＝max(μ 1 J 3 -μ 2 J 2 -μ 3 J 1 )其中μ 1 、μ 2 、μ 3 是代价权重因子，用来表述路径、时间和收益的侧重性。
6.根据权利要求1所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3)中单区域内多任务点路径规划的具体步骤如下：(3.1)设定目标函数；(3.2)初始化QPSO算法；(3.3)更新粒子位置；(3.4)更新局部与全局最优：计算粒子在X id (t+1)时的适应度，判断每个粒子在新位置的适应度值是否优于最优位置pbest适应度或全局最优位置gbest适应度，若是，更新相应pbest或gbest位置；(3.5)跳转到步骤(3.3)循环至达到最大迭代次数并得到初步个体最优pbest 1 和初步全局最优gbest 1 与其对应适应度；(3.6)初始化SA算法：设定初始温度T，冷却率P，最大迭代次数maiter，将步骤(3.5)得到的pbest 1 作为SA算法的初始解；(3.7)粒子迭代：依据状态函数生成新个体并按照Metropolis准则决定是否接受新个体；若是，接受新个体，若否，拒绝新个体，并且判断是否达到迭代次数；之后降低退火算法温度T；(3.8)将新个体作为当前状态继续进行迭代操作，若不满足最大迭代次数，跳转至步骤(3.7)，若达到退火算法的温度条件，更新全局最优及其适应度函数，得到次步全局最优路径规划路径gbest 2 与其适应度函数；(3.9)求最终解：比较gbest 1 与gbest 2 的适应度函数，选择适应度函数更优的解作为路径规划最终解。
7.根据权利要求6所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.1)中设定目标函数：目标函数综合考虑油耗约束f w 、距离约束f h 、航迹长度约束f L ，其中f w ＝εL，ε为耗油代价和飞行路径长度L的系数比， 其中ΔH表示根据环境及任务分析所得到的合适高度；h i 表示无人机到地面的高度，k h 表示约束值， 其中L i 表示三维航迹长度，无人机三维路径目标函数为F 2 ＝λ 1 f w +λ 2 f h +λ 3 f L ，其中λ 1 、λ 2 、λ 3 分别是油耗约束、高度约束、航迹长度约束的权重系数。
8.根据权利要求6所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.2)中初始化QPSO算法的具体步骤如下：粒子维度为各组任务点数目N i ，粒子数为K，最大迭代次数为maiter，每个维度上限为N i ，适应度函数设定为F 2 ，各维度值为离散值，表示无人机飞行路径顺序。
9.根据权利要求6所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.3)中更新粒子位置的具体步骤如下：确定个体最优位置pbest、全局最优位置gbest及其对应适应度；基于适应度更新平均最优位置mbest,更新局部吸引子 其中P id 表示局部吸引子，μ表示0～1的随机数；更新下一次迭代各个粒子的位置 G为变异因子，以概率 随机选择两个位置交换。
