1.基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于，按照以下步骤进行：步骤一、将整个数据集划分为两部分：训练集和验证集；所述训练集用于创建回归模型，所述验证集用于构建离散多重宇宙优化算法的适应度函数；

步骤二、将整个光谱范围划分为若干个子区间，整个光谱范围用一串二进制码表示，对应子区间的选择与否用“1”与“0”表示；

步骤三、随机产生一定规模的初始化种群，针对每个个体，先将其中编码为“1”对应的子区间光谱提取出来，并利用训练集创建回归模型；接着计算验证集的预测结果并选取相关的评价指标作为该个体对应的适应度函数值；

步骤四、利用多重宇宙优化算法进行迭代优化以产生新的种群；

步骤五、在每次迭代过程中，需要对新产生的个体进行离散化处理；

步骤六、计算新产生的种群中每个个体的适应度函数值，并对相关的参数值进行更新；

步骤七、判断是否满足迭代停止条件；若满足，则退出，输出最优值；否则，返回步骤四。

2.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤一中的回归模型可以采用线性方法，也可以采用非线性方法建立。

3.根据权利要求2所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述线性方法可以为多元逐步回归、也可以为PLS。

4.根据权利要求2所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述非线性算法可以为神经网络、支持向量机或极限学习机。

5.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤二中的子区间可以采用均匀或非均匀划分方式。

6.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤三中的适应度函数值可以通过验证集的均方根误差或决定系数构建。

7.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤四中的多重宇宙优化算法迭代优化过程主要包括以下两个阶段：全局探测阶段和局部搜索阶段。

8.根据权利要求7所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述全局探测阶段具体为：在该阶段，针对每个宇宙个体，将其作为黑洞；同时，利用轮盘赌方法随机产生一个宇宙个体作为白洞，在黑洞和白洞间建立时空管道，并进行星体的交换；

假设初始种群为：

其中，d为潜在可行解中变量的个数；n为宇宙(潜在可行解)的个数；

轮盘赌方法的选择规则如下：

其中， 表示第i个宇宙的第j个变量；Ui表示第i个宇宙；NI(Ui)表示归一化后的第i个宇宙的膨胀速度；r1为[0,1]范围内的一个随机数； 表示第k个宇宙(即轮盘赌方法选中的宇宙)的第j个变量；

所述局部搜索阶段具体为：为了保证宇宙的多样性，在该阶段假定每个宇宙中均含有虫洞，即可以随机地在宇宙间传输星体，而不受膨胀速度大小的影响，为了提升所有宇宙的平均膨胀速度，假定虫洞的时空管道仅建立在宇宙和最优宇宙之间，具体的公式如下所示：其中，Xj表示截止目前时刻寻找到的最优宇宙的第j个变量；TDR和WEP是两个系数；lbj表示第j个变量的下界；ubj表示第j个变量的上界； 表示第i个宇宙的第j个变量；r2、r3和r4为[0，1]范围内的随机数。WEP表征了宇宙中存在虫洞的可能性(概率)大小，随着时间的推进，WEP需要逐渐增加，以提升局部搜索的重要性；TDR为宇宙中的星体通过虫洞传输到最优宇宙的距离系数，与WEP相反，TDR需要随着时间的推进逐渐减小，以保证在最优宇宙周围的局部搜索能力，具体的公式如下：其中，min为WEP的最小值；max为WEP的最大值；l为当前的迭代次数；L为最大迭代次数；

其中，p表征了进入局部搜索阶段的快慢，p越大，表示越快进入局部搜索阶段。

9.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤五中涉及的离散化处理可以采用Sigmoid型或V型。

10.根据权利要求1所述的一种基于离散多重宇宙优化算法的红外光谱波长选择方法，其特征在于：所述步骤七中涉及的迭代停止条件可以为最大迭代次数或相邻两次迭代的适应度函数值误差容限。