1.一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，包括：步骤一：将需筛选的近红外光谱波段均分为P个波段，每个波段包括多个波长点，所述P个波段都为iTPA算法模型中的成员，并确定P个波段中每个波段的评价值；

步骤二：按照评价值的从高到低，将P个波段值分为N个精英组、M个普通组和L个垃圾回收组，N、M和L分别为整数；

步骤三：选择在精英组或普通组中产生新生波段，所述新生波段的波长点从选择组中的随机一条波段中选择波长点，新生波段的波长点继承该被选择的波长点；

步骤四：继承下来的新生波段通过设定概率选择一次学习行为或者探索行为以更新自身的波长点，生成候选波段，所述选择学习行为和探索行为概率之和为100％；

步骤五：进行候选波段的更新；包括：将候选波段的评价值分别与精英组、普通组、垃圾回收组中的波段值进行比较来确定候选波段进入精英组或普通组或垃圾回收组；

步骤六：自定义迭代更新次数，迭代结束之后，选取精英组中评价值最高的波段作为所要筛选的波段。

2.如权利要求1所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述iTPA算法模型为：

式中，向量X代表一个成员，即为包含多个波长的波段；x1‑xn表示该波段的所有波长点，xi表示该波段中的第i个波长点，bi和ai分别表示该波长点的上、下边界值，函数f(x)代表该条波段的评价值。

3.如权利要求2所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述评价值f(x)即以该波段X与测得的含量理化值进行PLS建模得到的校正均方根误差和相关系数(R)为变量的函数值，所述评价值为通过更新波段X以逐步提升或降低评价值来寻求最优波段。

4.如权利要求3所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述学习行为包括：新生波段xr向参照目标方向调节，所述新生波段xr产生于普通组或精英组，产生于普通组或精英组的新生波段的参照方向分别产生于精英组和垃圾回收组的样板值，所述样板值包括：精英组样板ee和垃圾回收组样板el；所述样板值取所在组波段波长的平均值；在普通组或精英组中生成的新生波段xr在选择学习行为时分别是：xc＝(1‑γ)xr+γee         (3)xc＝(1+γ)xr‑γel        (4)式中，γ为区间[0,1]内随机数，xc为候选波段。

5.如权利要求4所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述新生波段经过探索行为生成候选波段为：T

xc＝[xc1，xc2，...，xcn]式中，T为矩阵转置符号，xri为新生波段对应的波长，即该波段的第i个波长，i＝1,

2,…,n；K为算法最大迭代次数，k表示当前累计的迭代次数；收缩指数ae,p表示当新生波段继承自精英组时选取ae，当新生波段继承自普通组时选取ap；γi是区间(0，1)的随机数，mi随机在0,1二值间取值。

6.如权利要求5所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，在步骤一之前，对近红外光谱数据样本进行异常点剔除及样本集划分，包括：用马氏距离剔除光谱中异常数据，剔除光谱中异常数据后，采用K‑S法将剩余的样本点分成校正集和预测集。

7.如权利要求6所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述步骤五中进行候选波段的更新包括：若候选波段xc的评价值高于精英组末位xewst的评价值，所述xewst为精英组中评价值最低的波段；则xc进入精英组，精英组末位xewst不进入普通组直接淘汰；

若候选波段xc的评价值劣于xewst但优于普通组末位xpwst，还需检查xc是否由探索得到，若是，则xc进入普通组，淘汰xpwst；若不是，直接丢弃xc；

若候选波段xc的评价值低于垃圾回收组首位xlbst的评价值，所述xlbst为垃圾回收组中评价值最高的波段，则xc进入垃圾回收组，同时垃圾回收组中的xlbst波段遭到淘汰，促使垃圾回收组评价值一直保持低的状态，为继承于精英组的新生波段进行学习行为时提供一个正确的更新方向，每次波段更新完毕，对三组进行评价值排序。

8.如权利要求7所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，新生波段继承自普通组的收缩指数为继承自精英组的一半。

9.如权利要求1‑8任一项所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，新生成员选择学习行为的概率为0.35，选择探索行为的概率为0.65。

10.权利要求1‑9任一项所述的一种改进团队进步算法的近红外光谱波长筛选方法，其特征在于，所述方法应用于农作物的无损检测。