1.一种用于受资源约束多项目调度的改进遗传规划算法优化方法，其特征在于，包括以下步骤：步骤1：初始化参数、功能集和属性集；

步骤2：收集不同工况下的项目集数据，并将其分解为训练集和测试集；

步骤3：提取训练集中各工况项目集中的项目信息作为训练输入，提取功能集和属性集作为编码依据，对改进遗传规划算法中的种群进行训练；

步骤4：判断是否达到训练集最大工况数，若是则输出种群中的最优解集，若否则变换项目集后，返回步骤3；

步骤5：采用测试集和训练集对步骤4输出的最优解集进行测试。

步骤3中的训练过程如下：

S11：计算项目集中各活动属性值；

S12：判断是否为第一个项目集，若是则根据功能集和属性集进行树状基因编码从而随机初始化种群，若否提取上个项目的迭代种群；

S13：对种群解码生成相应的优先级规则，并根据优先级规则计算问题的目标函数值；

S14：对种群进行评估，计算虚拟适应度函数；

S15：进行遗传规划中的遗传算子操作；

S16：采用多样性更新方式进行种群进化；

S17：判断是否达到最大迭代次数，若是则输出种群，若否则返回步骤S13。

2.根据权利要求1所述的一种用于受资源约束多项目调度的改进遗传规划算法优化方法，其特征在于，所述步骤S14中对种群进行评估的过程如下：S21：根据种群中个体计算目标函数值，将整个种群进行分支配解分层，同层的解为非支配关系，不同层级解的关系如下：G1＞...＞Gz＞...＞Gm

式中：Gz为属于第z非支配层的优先级规则集合，m为最大非支配层数，z＝{0,1,…,m}；

S22：计算相同层级各优先级规则间的拥挤距离；

首先，根据优先级规则计算其目标函数值，其次根据下式计算基于不同目标函数归一化后的拥挤距离：式中：a∈Gz，V为目标函数集合，objv,a为优先级规则a在目标函数v下的值，a+1，a-1为目标函数值v下该非支配层中经排序后的优先级规则；

S23：根据步骤S21中得到的支配等级和步骤22中得到的空间距离，分配虚拟适应度。

3.根据权利要求1所述的一种用于受资源约束多项目调度的改进遗传规划算法优化方法，其特征在于，所述步骤S16中多样性种群更新方式的过程如下：S31：建立相同个体集合Snew，Sold和不同个体集合D，对于经过遗传算子更新后的新种群中的每个个体，计算其两个目标函数值；若原种群中没有相同目标函数值的个体，则该新个体放入D，否则该个体放入Snew，对应的相同原个体放入Sold；

S32：对于属于Snew中的个体，解析其表达式是否与对应的原个体一致，是则删除该个体，否则设置其虚拟适应度为空；

S33：对于Snew中余下的个体，判断其对应的Sold的个体是否虚拟适应度为空，如果是将其移于D中；

S34：将D中的个体与原种群一起参与进化，判断是否为当前工况最大迭代次数，若是则将个体虚拟适应度记录其当前虚拟适应度。

4.根据权利要求1所述的一种用于受资源约束多项目调度的改进遗传规划算法优化方法，其特征在于，所述步骤1中功能集为现有超启发式二元功能运算符，包括(+，—，×，/，max，min)；属性集为提取的优先级属性，针对不同类型的属性对应的进行归一化；根据属性集和功能集建立判别编码。

5.根据权利要求4所述的一种用于受资源约束多项目调度的改进遗传规划算法优化方法，其特征在于，所述判别编码为顶层判别编码，为降序判别或者升序判别，并根据顶层判别编码设计判别变异遗传算子。