1.一种适用于高计算代价参数优化问题的协同优化方法，其特征在于，包括以下步骤：(1)根据具体问题，建立相应的数值计算模型；

(2)将参数反演问题转化为无约束参数优化问题，建立无约束参数优化问题的目标函数，所述目标函数的一般格式为 其中，x为一组参数， 为此组参数对应的物理量的计算值，di(x)为此物理量的实测值，i表示x编号；

目标函数绝对值越小，数值模型的计算值越接近于实测值，相应的数值模型的可信度越高；

(3)根据预估计的参数范围，采用正交设计生成一定数量的参数样本，将参数样本代入数值计算模型中得到其对应的数值计算模型的计算值 并结合实测值di(x)，得到参数样本对应的目标函数值fi(x)，由此便得到了具有一定数量的由参数样本和相应目标函数构成的寻优经验知识库；

(4)利用IVM优异的小样本学习能力，对寻优经验知识库进行学习，获得IVM代理模型，从而显式地近似真实目标函数；

(5)采用BSA优化算法，对由IVM代理模型进行全局寻优，步骤如下：①算法参数设置：根据待优化参数的个数确定种群数NP，设定算法的收敛条件，收敛条件包括目标函数最小值ε与最大允许迭代步数Tmax；

②随机生成实验种群Pij和oldPij，其中i为种群规模，j为待优化参数的个数，两种群的个体都随机分布于寻优区域内；

③对实验种群Pij进行适应度评价，得到所有个体的目标函数值E(i)，则个体得最优值Ef(i)＝minE(i)，当前Pij中目标函数值最小的粒子Pgj为当前的全局最优粒子，其对应的目标函数值E(g)为当前全局最优解，此时迭代次数t＝1；

④当E(g)<ε，t

⑤进入循环全局寻优状态，并记录所有个体信息；

⑥用Pij随机替换oldPij：生成(0,1)之间的随机数a和b，当a

⑦将oldPij中的个体的顺序重新随机排列，生成新的个体种群oldP1ij；

⑧对原始种群Pij进行变异，生成变异后的种群Tij，其中变异公式为Tij＝Pij+F.(oldP1ij-Pij)，F为常数，用来控制矩阵(oldP1ij-Pij)的振幅；

⑨对变异后的种群Tij进行杂交计算，得到杂交后的矩阵T1ij：

生成由“0”和“1”构成的i*j维矩阵maPij，maPij用来控制种群Tij中的个体将要被原种群Pij中的对应个体替换的位置，即maPij中所有值为“0”的位置，Tij中这些位置的个体将会被原始种群Pij中对应位置的个体替换，生成maPij的方法是引入参数混合率mixrate，用混合率控制将要被替换的个体个数；

⑩通过评价得到T1ij中所有个体的目标函数值H(i)；

当H(k)

更新全局最优个体：用当前代个体的适应度值的最小值Ef(d)＝min(Ej(i))与上一代全局最优个体E(g)进行比较，当Ej(d)

当目标函数值达到了设定的精度要求，则停止计算，输出待反演的参数，此步中的目标函数值是指高斯过程拟合出的目标函数值，设定的精度要求是指BSA算法的寻优精度要求；

(6)将BSA全局寻优得到的参数代入真实目标函数中，得到真实的目标函数值，若达到了设定的精度，则停止寻优，输出参数值；否则，用此组最优参数和真实函数值替换寻优经验知识库中的最差参数及其对对应的真实函数值，继续回到步骤(4)，进行新一轮计算，不断反复，直到目标函数值达到设定的精度或达到规定的允许迭代步数；

(7)输出待优化的参数。

2.根据权利要求1所述的适用于高计算代价参数优化问题的协同优化方法，其特征在于，所述的变异策略引入的振幅控制常数F＝3*randn。

3.根据权利要求1所述的适用于高计算代价参数优化问题的协同优化方法，其特征在于，所述的杂交策略引入的杂交率mixrate＝1。

4.根据权利要求1所述的适用于高计算代价参数优化问题的协同优化方法，其特征在于：采用商业数学软件MATLAB与对具体问题进行数值模拟的软件进行联合反演；

首先，采用正交均匀设计生成一定数量的参数组合，输入到所述对具体问题进行数值模拟的软件中得到不同参数组合对应的输出值，并进一步计算相应的目标函数值，目标函数值即为计算值与观测值的差值，组成寻优经验知识库；

然后，用VM对寻优经验知识库进行学习，获得参数组合与目标函数值的隐藏函数关系；

再利用BSA优化算法对IVM学习到的函数进行全局寻优，获得全局最优解，将此最优解代入A中，得到当前最优解对应的目标函数值，并替换更新寻优经验知识库；

最后再用IVM对更新后的寻优经验知识库进行学习，依次循环直到满足结束条件。