1.一种海洋污染巡检采样多无人船路径规划方法，其特征在于包括以下步骤：步骤一：给定多个无人船的巡检起始点位置信息以及采样点位置，然后对无人船巡检采样环境进行栅格化建模，得到栅格模型；

步骤二：利用建立的栅格模型得到多个无人船的所有巡检路径方案；

步骤三：定义粒子群算法中粒子规模，并采用随机生成路径的方式得到各无人船路径初始粒子种群；

步骤四：根据步骤二得到的多个无人船的所有巡检路径方案，并采用粒子群算法结合微分进化算法对步骤三得到的各无人船路径初始粒子种群进行优化，得到全局最优粒子；

步骤五：根据全局最优粒子输出各无人船的路径；

所述步骤一中多个无人船的巡检起始点位置信息具体包括：A.起点与终点相同；

B.起点相同、终点不同；

C.起点不同、终点相同；

D.起点和终点各不相同；

E.部分起点相同或部分终点相同；

所述步骤二的具体步骤为：

针对起点与终点相同，增加N‑1个与起点/终点位置相同的虚拟采样点；

针对起点相同、终点不同，增加N‑1个与起点位置相同的虚拟采样点；

针对起点不同、终点相同，增加N‑1个与终点位置相同的虚拟采样点；

针对起点和终点各不相同，不增加虚拟采样点；

针对部分起点相同或部分终点相同，增加部分起点相同数量减一个或部分终点相同数量减一个虚拟采样点；

根据全部需要巡检的采样点得到N条闭合的路径，然后根据约束条件得到路径规划方案，所述约束条件为：总采样点数为M以及N条无人船巡检的总路径最短；

所述步骤四中采用粒子群算法结合微分进化算法对第三步得到的初始种群进行优化的具体步骤为：步骤四一：定义最大迭代次数，并设定算法中惯性权重w、学习因子c1和学习因子c2；

步骤四二：根据步骤四一定义后的粒子群得到各个粒子的适应度值；

步骤四三：以适应度最小为条件，寻找局部最优值Pib以及全局最优值Pgb；

步骤四四：计算各个粒子下一时刻的位置及速度，并根据各个粒子下一时刻的位置及速度对路径进行更新；

步骤四五：根据更新后的路径重新计算局部最优值Pib1以及全局最优值Pgb1；

步骤四六：采用微分进化算法，对种群进行变异操作；

步骤四七：将变异后的种群，与初始种群进行交叉：步骤四八：根据交叉后的种群判断是否得到最优解，若是，则寻优结束，若不是，则执行步骤三；

所述步骤四一的具体步骤为：最大迭代次数为200，设定算法中惯性权重w＝0.8、c1＝

0.5、c2＝0.5；

所述对路径进行更新的公式为：

vi(t+1)＝wvi(t)+c1R1(Pib‑Xi(t))+c2R2(Pgb‑Xi(t))Xi(t+1)＝Xi(t)+vi(t+1)其中，vi(t)为第t次迭代后第i个粒子的速度；vi(t+1)为第t+1次迭代后第i个粒子的速度，Xi(t)为第t次迭代后第i个粒子的位置，即第t次迭代后，第i个粒子对应的路径序列；Xi(t+1)为第t+1次迭代后第i个粒子的位置，即第t+1次迭代后，第i个粒子对应的路径序列；

R1、R2为[0,1]之间的随机数；t为当前迭代次数；

所述变异操作的公式为：

u1i(t)＝xr1+F×(xr2‑xr3)其中，u1i(t)为第i个粒子，第t次迭代，变异操作后的粒子位置；F为变异算子，Fmax为变异算子最大值，Fmin为变异算子最小值，t为当前迭代次数，t为变量，tmax为总共迭代次数，tmax为常量，xr1、xr2、xr3为群体中随机选择的三个个体，并且r1≠r2≠r3≠i。

2.根据权利要求1所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述步骤三中粒子规模为100。

3.根据权利要求1所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述适应度计算公式为公式：其中f(k)为第k条无人船的路径总长度，N为无人船的数量。

4.根据权利要求1所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述交叉公式为：

5.根据权利要求4所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述选择公式为：

6.根据权利要求5所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述步骤四八中判断是否得到最优解的具体步骤为：全局最优解适应度值不再减小或达到最大迭代次数。

7.根据权利要求1所述的一种海洋污染巡检采样多无人船路径规划方法，其特征在于所述步骤四七的具体步骤为：将变异后得到新粒子的适应度值与全局最优值Pgb1作比较，如果新粒子的适应度值小于全局最优值Pgb1的适应度值，则用新粒子替换全局最优值Pgb1，否则将新粒子舍弃。