1.一种产品仿真优化方法，其特征在于：包括以下步骤：获取产品的仿真源模型，在所述仿真源模型的定义域内均匀采样得到采样点；

对所述采样点在所述仿真源模型中进行仿真分析得到所述采样点对应的响应值；

根据所述采样点及响应值，在最小二乘法的基础上增加l1范数惩罚项和l2范数惩罚项，构建对应的近稀疏响应面模型；其中，所述近稀疏响应面模型以正交多项式作为基函数，所述基函数的数量与采样点的数量成倍数关系；

根据所述近稀疏响应面模型，使用优化算法进行优化，获得所述仿真源模型的定义域内的最优点及所述最优点对应的最优值；

根据所述最优点对产品的设计进行优化调整。

2.根据权利要求1所述的产品仿真优化方法，其特征在于：所述近稀疏响应面模型的线性模型形式表示为其中，x＝[x1…xm]为采样点，m为响应面变量个数； 为构成响应面的基函数，即原子，p为原子个数，{θi(x)}i＝1,2,…,p是对应原子的系数，θ为系数向量；

其中， 为基函数 的指数向量，表征多项式阶数；L(x,η(i))为基函数的多项式； 是变量xj的变量多项式，其指数为

3.根据权利要求1所述的产品仿真优化方法，其特征在于：所述近稀疏响应面模型的矩阵形式表示为其中，Φ为基函数集合，即字典；对于给定的一组由均匀采样得到的采样点X＝[x(1),…,x(n)]T、 及对应的响应值y＝[y(1),…,y(n)]T，字典Φ表示为：

4.根据权利要求2或3所述的产品仿真优化方法，其特征在于，所述近稀疏响应面模型的构建通过获取θ的最优系数完成，所述θ的最优系数满足：min||θ||0,s.t. 其中，||θ||0表示θ中非零元素的个数。

5.根据权利要求4所述的产品仿真优化方法，其特征在于，所述θ的最优系数根据以下模型获得其中，λ1和λ2分别为l1范数||θ||1和l2范数||θ||2的参数。

6.根据权利要求5所述的产品仿真优化方法，其特征在于，获取所述θ的最优系数，包括以下步骤：获取采样点个数n，分别将所述采样点和所述采样点对应的响应值均分为K份；

获取一组λ2的数据集；

在采样点及采样点目标值的集合中取K-1份作为训练集，取余下的1份作为预测集；

根据每个λ2，使用采样点构建字典，获取每个λ2对应的θ系数及预测误差；

根据所述预测误差的平均值，获取平均误差最小的最优λ2；

根据所述最优λ2，使用采样点构建字典，获取所述θ的最优系数。

7.根据权利要求6所述的产品仿真优化方法，其特征在于，在步骤获取一组λ2的数据集中，所述λ2的数据集为(0，0.00001，0.0001，0.001，0.01，0.1，1，10)或(0，0.005，0.005，

0.5)。

8.根据权利要求1所述的产品仿真优化方法，其特征在于，所述优化算法属于非线性约束优化算法，对于下述含不等式约束的有约束仿真优化问题：m

min f(x),x∈R

s.t.gi(x)≤0,i＝1,2,…,m其中，f(x)是目标函数，g(x)则是约束函数；

所述优化算法通过使用惩罚函数法将有约束仿真优化问题转化为无约束仿真优化问题：其中， 为惩罚函数，所述惩罚函数的一般表达式为：

9.根据权利要求8所述的产品仿真优化方法，其特征在于，所述优化算法的处理过程包括以下步骤：设置惩罚因子r(0)>0，允许误差ε>0,k＝1，降低速率c，初始点X(r0)；

寻找惩罚函数 的极值点X(r(1))；

(k) (k-1) (k) (k)

重复k＝k+1，r ＝cr ，寻找惩罚函数 的极值点X(r )，直至||X(r )-X(r(k-1))||2<εk不成立；

获取最优点X(r(k))对应的最优值f(X)。