1.一种陆空无人系统智能任务分配方法，其特征在于，包括以下步骤：步骤S1、随机生成多个任务环境，对各任务环境进行预分配，获取任务分配结果，基于所述多个任务环境以及对应的任务分配结果建立启发式任务分配数据库；步骤S2、采用所述启发式任务分配数据库中的任务环境和任务分配结果构建问答内容，由所述问答内容对已有预训练模型进行微调，获取微调模型；步骤S2包括：步骤S2-1、由所述任务环境建立的结构化数据作为提问内容，由所述任务分配结果建立的结构化数据作为回答内容，构建微调数据集；步骤S2-2、加载已有预训练模型并设置LoRA参数；具体包括：设定预训练模型参数，包括：设置模型的上下文窗口长度、根据GPU选择加载模型的参数类型、根据显存大小选择是否采用4bit量化进行微调；所述设置LoRA参数具体包括：设置LoRA微调的秩为8、16、32、64、128中的任一个、设置微调目标模块为["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj",]、将LoRA微调的缩放因子设置为16，将稀疏性正则化参数设置为0到0.1之间、将触发偏差设置为”none"、将使用梯度检查点标记设置为"unsloth"、设置随机数种子、将使用 rslora 标记设置为False、将loftq 设置标记设置为None；步骤S2-3、基于所述微调数据集和所述LoRA参数对所述已有预训练模型进行微调，获取微调模型；步骤S2-1具体包括：构建"user":"problem"和"assistant":"answer"形式的问答对，包括：将启发式任务分配数据库中的任务环境中的禁飞区和禁行区位置和尺寸、无人机、航点和地面基站位置转换为json格式数据，作为problem内容；将启发式任务分配数据库中的任务分配结果中的无人机的任务路径、无人机的任务停留时间列表、地面基站的任务路径、地面基站的任务停留时间列表转换为json格式数据并加入所述problem内容中，形成answer内容；构建多个问答对，将所有问答对的集合作为所述微调数据集；步骤S3、由所述微调模型获取多个记载任务分配结果的输出回答，基于各个输出回答计算目标函数；通过最大化目标函数迭代更新所述微调模型的参数，获取策略模型；目标函数的计算表达式为：其中， 表示编号为 的无人机， 为无人机 访问的航点序列， 为航点序列 中的第 个航点， 表示航点序列的航点总数， 为无人机 执行任务的时长， 为无人机在航点间的路径距离， 为无人机 的飞行速度， 为无人机 在航点 充电的时间， 为目标函数， 表示计算最大值；步骤S4、由所述策略模型建立环境建模专家、任务分配专家和方案评价专家；步骤S4具体包括：针对环境建模、任务分配和方案评价分别赋予所述策略模型对应的提示词，构建环境建模专家、任务分配专家和方案评价专家，其中：环境建模专家的提示词用于分析航点位置以及障碍信息，生成航点之间的距离的权重矩阵；任务分配专家的提示词用于分析航点之间的距离的权重矩阵，分析地面基站和无人机的数量和性能，生成或者在原先的基础上修改无人机和地面基站的任务路径以及停留时间，使得任务完成的总时间尽可能短；方案评价专家的提示词用于交换或改变无人机和地面基站的任务路径和停留时间，判断是否得到更短的总任务时间；步骤S5、对于待处理任务环境，经过门控模块以及环境建模专家、任务分配专家和方案评价专家的处理，获取待处理任务环境的任务分配结果。
2.根据权利要求1所述的陆空无人系统智能任务分配方法，其特征在于，步骤S1中，所述任务环境包括禁飞区和禁行区位置和尺寸、无人机位置、地面基站位置和航点位置；所述任务分配结果包括无人机的任务路径、无人机的任务停留时间列表、地面基站的任务路径、地面基站的任务停留时间列表。
3.根据权利要求2所述的陆空无人系统智能任务分配方法，其特征在于，步骤S3包括：步骤S3-1、将所述微调数据集中的提问内容输入微调模型，获取多个记载任务分配结果的输出回答；步骤S3-2、根据每个输出回答对应无人机任务时长计算目标函数值；基于所述目标函数值更新所述微调模型的参数；步骤S3-3、回到步骤S3-1，直到目标函数值大于预设阈值，完成训练。
4.根据权利要求3所述的陆空无人系统智能任务分配方法，其特征在于，步骤S5具体包括：步骤S5-1、门控模块将输入的问题发送给环境建模专家，环境建模专家生成权重矩阵，将权重矩阵与输入的问题进行指令合成，获取合成的指令并再次输入门控模块；步骤S5-2、门控模块将合成的指令发送给任务分配专家，生成包括无人机和地面基站的任务路径以及停留时间的任务分配结果，发送给方案评价专家；步骤S5-3、方案评价专家判断任务分配结果是否达到理想情况，若未达到理想情况，则回到步骤S5-2，若达到理想情况，则输出所述任务分配结果。
5.根据权利要求4所述的陆空无人系统智能任务分配方法，其特征在于，步骤S2-2中，所述设置LoRA参数包括：设置LoRA微调的秩、微调目标模块、LoRA微调的缩放因子、稀疏性正则化参数、触发偏差、使用梯度检查点标记、随机数种子、使用rslora标记以及loftq设置标记；步骤S2-3所述的对所述已有预训练模型进行微调的过程包括设定微调参数，所述微调参数包括：训练批次大小、累积的梯度步数、学习率预热步数、学习率、训练轮次、是否使用16位浮动点数、记录训练日志的步数间隔、优化器类型、权重衰减系数、学习率调度器类型、模型输出的保存目录、是否移除数据集中未使用的列、数据集中文本数据所在的字段名、是否跳过自动预处理数据集、指定用于数据加载和预处理的并行进程数以及模型输入的最大序列长度。
6.根据权利要求5所述的陆空无人系统智能任务分配方法，其特征在于，步骤S2还包括：步骤S2-4、测试所述微调模型是否满足测试要求，具体包括：设置微调模型的参数，包括设置：生成文本内容形式、生成最大token数、是否使用缓存、生成多样性、生成文本的最小概率阈值；将步骤S2-1中微调数据集中的提问内容输入微调模型获取回答内容，采用人工阅读判断或自动化指标的方式评估测试回答内容质量，确定所述微调模型是否满足测试要求。
