1.一种基于改进极限学习机的非线性逆模型控制方法，其特征在于，包括以下步骤：

101、对多Agent粒子群算法MAPSO进行种群初始化，即设置多Agent粒子群算法MAPSO的相关运行参数、种群规模、环境大小、迭代次数、权重上下限；

102、根据步骤101，利用MAPSO对极限学习机的输入权重参数及隐含层阈值参数进行MAPSO寻优，确定出优化后的极限学习机ELM的输入权重参数及隐含层阈值参数；

103、根据步骤102中得到的优化后的极限学习机ELM，采用优化后的极限学习机ELM对被控对象的逆进行训练并直接建立逆模型

104、将训练好的MAPSO-ELM逆模型直接与原系统即被控对象相连，得到伪线性系统，进行非线性逆模型控制，进行非线性逆模型控制的步骤具体为：首先设置循环次数，当循环次数小于设定值时，对参考模型输入参考输入yrout(k)，并计算当前的控制信号uctr(k)；然后计算系统的预测输出yout(k+1)，及误差e(k+1)＝yrout(k+1)-yout(k+1)；最后将误差值带入计算修正MAPSO-ELM逆模型控制器，重复上述步骤直至循环次数达到设定值，结束。

2.根据权利要求1所述的基于改进极限学习机的非线性逆模型控制方法，其特征在于，步骤101中的多Agent粒子群算法MAPSO具体包括以下步骤：A1、种群初始化，设置运行参数，包括迭代次数、种群规模、加速度系数、粒子位置和速度及其上下限、最小误差限制；

A2、根据适应度函数 其中yi,yi'分别代表ELM训练输出值和期望输出值，N为样本数，计算当前粒子适应度值；

A3、根据邻居信息，更新粒子的个体最优位置，每个粒子预设置一个邻居环境，假设当前粒子为Li,j，将其和所有邻居粒子中具有最小适应度值的粒子Ki,j比较，若不满足式(1)就根据式(2)更新其位置，否则保持其当前位置不变；

f(Li,j)≤f(Ki,j)    (1)

l'k＝kk+rand(-1,1)·(kk-lk) k＝1,2,...,n，n表示系统阶次；  (2)A4、根据式(3)更新粒子的位置和速度，

其中，t表示迭代次数，xt和vt分别表示第t次迭代时粒子的空间位置和当前速度，wt为惯性常数，wt由0.9线性递减至0.4，C1、C2为学习因子，都选取为1.5，r1、r2是介于(0,1)之间的随机数，pbest和gbest分别表示粒子在每次迭代中为了更新自己而跟踪的个体极值和全局极值；

A5、判断是否迭代次数达到上限或误差小于最小误差限制，若满足则算法终止，否则转至步骤A2。

3.根据权利要求1所述的基于改进极限学习机的非线性逆模型控制方法，其特征在于，步骤103中利用MAPSO-ELM对非线性离散系统建立逆模型，具体有：假设有非线性离散系统：

y(k+1)＝f(y(k),y(k-1)，…,y(k-n),u(k),u(k-1),…,u(k-m))     (4)式中，式中f是非线性函数，y为系统输出，k表示系统输出的阶次，未知数，n和m分别为系统阶次和输入延迟，u为系统输入，若式(4)可逆，那么其逆系统可以表示为：u(k)＝g[y(k+1),…,y(k-n),u(k-1),…,u(k-m)]    (5)通过MAPSO-ELM对上述被控对象建模，令Y(i)＝u(k)，X(i)＝g[y(k+1),…,y(k-n),u(k-1),…,u(k-m)]，通过训练数据{X(i),Y(i)}建立逆模型。