1.一种基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法，其特征在于，所述方法包括以下步骤：步骤1、根据用户需求将输入输出变量输入进系统中；

选择压缩机频率f、膨胀阀开度p、水泵频率n作为输入变量，系统COP和制热量Qh或者二氧化碳释放量m和制热量Qh作为输出变量，并对输入训练的样本数据作归一化处理，使其处于[0,1]之间，归一化公式如下：其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；

步骤2、径向基函数神经网络的创建、训练以及测试，过程如下：

2.1初始化参数，设置隐含层的神经元个数，神经元个数的计算根据经验公式：确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a通常取1～

10；输入层的神经元个数由输入变量的个数决定，输出层的神经元个数由输出变量决定，其中压缩机频率、膨胀阀开度、水泵频率是该神经网络的输入变量，系统COP和制热量或二氧化碳释放量和制热量是该神经网络的输出变量，此外还要设置学习率、动量因子、训练误差和初始的权值、阈值；

2.2训练神经网络，将步骤1中的数据分成训练集和测试集两个部分，随机地选取训练集中的数据进行训练并计算隐含层和输出层的值，采用Kmeans算法得到隐含层神经元中心即基函数中心c，再根据梯度下降法进行迭代得到神经网络的权值和偏置，用于神经网络的建立；

2.3测试神经网络，完成所有的数据训练后，用测试集里的数据对神经网络进行测试，直至满足训练误差规定的范围，自此径向基函数神经网络模型构建完成；

2.4利用神经网络进行预测，在给定实际状态下的输入变量，通过径向基函数神经网络进行预测得到预测参数，所述预测参数为系统COP和制热量或者二氧化碳释放量和制热量，将系统COP和制热量或者二氧化碳释放量和制热量进行反归一化处理得到实际值，反归一化公式为：

x＝k·(xmax‑xmin)+xmin步骤3、基于训练完成的径向基函数神经网络，利用多父代遗传算法对空气源热泵进行多目标优化；

步骤4通过上述步骤根据Pareto解得到最优解的输入变量的参数值，将得到的输入变量值传递给系统来调节热泵的控制量。

2.如权利要求1所述的基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法，其特征在于，所述步骤2.2中，基函数中心求取方法为：a.从训练样本中随机选取h个数据作为初始聚类中心；

b.将输入的样本数据按最近邻规则分组，计算每个数据与聚类中心的距离，根据最小距离进行划分；

c.计算各聚类集合中样本的平均值作为新的聚类中心cj，规定聚类中心的收敛误差为训练终止条件，若达到要求则此时的cj为径向基函数神经网络的最终基函数中心，否则返回步骤b进行下一轮的中心求解。

3.如权利要求1或2所述的基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法，其特征在于，所述步骤3的过程如下：

3.1参数和种群初始化：采用实数编码的方式对种群及个体进行编码，设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm，种群规模N1根据热泵的实际情况而定，取值范围为10～100，进化次数为100～1000，交叉概率Pc的取值范围为0.25～1，变异概率Pm的取值范围为0.001～0.1，设置进化代数计数器t＝0和最大进化代数G，随机生成初始父代种群2Pt；

3.2计算目标函数：计算种群中各个体的目标函数值，基于训练完成的网络，将径向基函数神经网络学习的输入输出的映射关系中的输出作为多父代遗传算法的目标函数值；

3.3非支配排序和拥挤度计算：在非支配排序中，非支配序等级较高的个体优先被选择，若两个个体属于同一个非支配层，则要依据拥挤度来选择；拥挤度用来表示种群中给定个体的周围个体的密度，为了更好地取到种群中不同的个体，要选取周围较不拥挤的个体，即拥挤度较大的个体；根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的Pt个个体组成新的父代种群；

3.4多父代交叉、变异和选择：从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；将变异算子作用于群体，对于选中的个体中改变某一个或者某一些基因后得到子代种群Qt；将交叉变异后得到的子代种群与父代种群合并为新种群Rt，依据径向基函数神经网络模型计算得到的种群目标函数值对个体进行非支配排序和拥挤度计算，根据非支配排序和拥挤度比较算子，将比较算子作为种群的适应度值，选择适应度较高的个体组成新的父代种群Pt+1；

3.5是否满足终止条件：计算是否满足最大进化次数，若满足最大进化次数，则计算结束；若不满足最大进化次数则返回步骤3.4，直至满足进化次数为止；计算结束后在所有剩余的个体中依据非支配排序和拥挤度比较算子选取所需的个体作为最终的Pareto解。