1.一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，其特征在于，包括以下步骤：

步骤一：建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件；

步骤二：定义所优化机械结构件的结构参数优化设计变量，定义结构设计变量的优化约束条件，选取优化目标性能评价指标，所述优化目标性能评价指标包括：所优化机械结构件在实际工况下的整体装配有限元模型的结构力学性能；

步骤三：对步骤二中的结构参数优化设计变量进行试验设计，得到结构参数优化设计变量的设计用试验样本数据；并借助步骤一中的整体装配有限元模型，计算不同试验样本数据所对应的性能评价指标数据；

步骤四：构建基于加权系数与扩展常数自组织选取的椭圆基函数神经网络：其中，

其中，xj为已知输入设计样本，x为待求未知量，xj和x的维度为n；y(x)为待求未知量所对应的输出值，其由以x到基函数中心xj之间马式距离为自变量的基函数线性加权组合而成；S为协方差矩阵，Sz为其对角线元素；σj，j＝1……N为自组织选取扩展常数；λj，j＝1……N、λN+1为自组织选取加权系数；N为输入样本点个数；n为设计变量个数；

步骤五：通过步骤三中的样本数据，基于步骤四中的加权系数与扩展常数自组织选取的椭圆基函数神经网络，构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；

步骤六：检验所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型的精度；判断精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型满足精度为止；

步骤七：基于结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型，根据步骤二中定义的优化约束条件、优化目标，通过优化算法求解该优化问题，实现机械结构件结构参数优化设计。

2.如权利要求1所述的方法，其特征在于，所述自组织选取扩展常数和自组织选取加权系数通过以下方式求解：

首先，定义误差目标函数：

其中，ei为误差，为第i个已知样本点xi所对应的已知真实输出值 与通过椭圆基函数神经网络计算所得值y(xi)之间的差值，即：其次，采用优化算法对该误差目标函数求解，得到自组织选取加权系数和扩展常数：将N个已知样本点数据 i＝1……N代入误差目标函数式，采用优化算法可以求解得到当目标函数式 最小值时的自组织选取扩展常数σj，j＝1……N与自组织选取加权系数λj，j＝1……N、λN+1，将求解得到的σj，j＝1……N、λj，j＝1……N及λN+1代入椭圆基函数神经网络，则可以得到加权系数和扩展常数自组织选取的椭圆基函数神经网络。

3.如权利要求1所述的方法，其特征在于，自组织选取加权系数具有如下约束关系式：

4.如权利要求1所述的方法，其特征在于，步骤五依次包括以下步骤：指定所求解机械结构件结构参数优化设计变量、优化目标性能评价指标与前述椭圆基函数神经网络输入变量、输出值之间的对应关系，并基于加权系数与扩展常数自组织选取的椭圆基函数神经网络，建立结构设计变量与优化目标性能评价指标之间的椭圆基函数神经网络；

求解结构设计变量与优化目标性能评价指标之间椭圆基函数神经网络的自组织选取加权系数和扩展常数，得到结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型。

5.如权利要求4所述的方法，其特征在于，当选取了多个优化目标性能评价指标时，可依次指定各个优化目标性能评价指标与椭圆基函数神经网络输出值相对应，来分别构建结构设计变量与各个优化目标性能评价指标之间的数学映射模型。

6.如权利要求1所述的方法，其特征在于，步骤六依次包括以下步骤：构建检验用试验样本数据，并通过结构设计变量与优化目标性能评价指标之间的数学映射模型、以及步骤一中的整体装配有限元模型，分别计算检验用试验样本数据所对应的性能评价指标数据；

比较前步骤中两者的计算结果，判断结构设计变量与优化目标性能评价指标之间数学映射模型的精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型满足精度为止。