1.一种基于多模态多目标粒子群优化算法的选址优化方法，其特征在于：选择合适的地点建设小区，周边有学校，超市，地铁站若干，作为选址对象，包含以下步骤：S1：在决策空间中随机初始化种群pop，产生N个粒子，每一个粒子x＝(x1,x2)代表决策空间中的一个坐标点；

S2：种群pop根据决策变量m的范围划分决策空间，产生网格G并初始化表格Q；

S21：将m维决策空间R分为V1*V2*...*Vm格，其值如公式(1)所示；

其中，max fit为最大适应度估计值；这个网络命名为G，网络第j维的宽度wj由公式(2)计算；

其中，Uj和Lj分别是决策空间j维的上下边界；

S22：对于种群中的粒子x＝[x1,x2,...,xj,...,xm]，x的位置可以由公式(3)计算；

其中，C(xj)代表粒子x在网格G中的第j维坐标；

S23：根据决策空间中种群pop中粒子的位置以及支配关系来初始化表格Q，如果子网格中的一个粒子为非支配粒子，那么表格Q中对应的status为1，反之为‑1；如果子网格中没有粒子，那么status等于0；

S3：通过K‑means聚类将种群pop划分成为NS个子种群；

S4：对于每一个子种群subpopτ进行排序，根据具有特定拥挤距离的非支配排序，取得非支配解集NDSτ，将NDSτ中的第一个粒子赋值给该种群的全局最优解gbestτ；

S5：在S4进行的同时，根据非支配排序来对种群pop排序，得到非支配解集S；

S6：根据种群pop中的支配关系更新表格Q；

S7：对于每一个子种群subpopτ，基于粒子群算法进行网格搜索，获得非支配解集NDSτ，具体包括：

S71：对于每一个子种群subpopτ中的粒子pi，获取非支配排序的结果pbestseti，将pbestseti中的第一个粒子赋值给pbesti；

S72：根据公式(4)和(5)分别更新粒子的速度与位置信息；

xi,j(t+1)＝xi,j(t)+vi,j(t+1)     (5)其中，vi,j(t)代表在t时刻第i个粒子在第j维度上的速度，xi,j(t)表示t时刻第i个粒子在第j维度上的位置，pbesti,j代表第i个粒子在第j维度的历史最优位置，gbestj代表在第j维度上的全局最优粒子；vi,j(t+1)和xi,j(t+1)是粒子i在维度j下t+1时刻的新速度与位置，和 是两个加速度常量，γ1和γ2是两个0到1之间的随机数，ω是惯性权重因子；

S73：根据粒子pi'在网格G中的新位置评估表格Q(pi')；为方便粒子pi'目标值的数学公式表示，假设周边有小学6个，中学3个，超市13个，地铁站3个，其中，每个学校、超市、地铁站的坐标分别为：

小学(A)：A1(42,96),A2(3,37),A3(50,25),A4(45,60),A5(83,72),A6(98,38)中学(B)：B1(51,60),B2(40,20),B3(95,51)超市(C)：C1(15,15),C2(10,55),C3(15,88),C4(15,78),C5(20,70),C6(20.23),C7(35,

60),C8(32,42),C9(52,78),C10(40,76),C11(55,33),C12(52,96),C13(75,27)地铁站(D)：D1(55.5,82.5),D2(94.5,6.5),D3(17.5,82.5)；

为了方便居民的生活，选择的地点到周边学校、地铁站、超市越近越好；将每个学校、超市和地铁站的坐标放入公式中，目标值表示为公式(17)；如果Q(pi')等于0或者1，计算粒子pi'的目标值；如果Q(pi')等于‑1，计算和S之间的欧氏距离dis；计算S中欧氏距离最小的粒子nbesti；根据公式(5)和(6)再次更新粒子pi的速度与位置；计算粒子pi'的目标值；

其中，x＝(x1,x2)为决策空间里的可行解，d(x,A)代表可行解x与A的欧氏距离，每一个fi(x)是目标值的一部分；

其中，nbesti,j代表了第j维度下，粒子i邻域的历史最佳粒子；

S74：将pi'加入到pbestseti中；

S75：重复S71到S75，直到子种群中subpopτ中所有粒子的速度和位置都更新；

S76：计算所有的pbestseti经过非支配排序得到的NDSτ，将NDSτ中的第一个粒子赋值给gbestτ；根据非支配排序的结果更新表格Q；

S8：将环境选择的结果赋值给非支配解集S，具体包括：S81：对于在非支配解集S中的每一个目标值δ，根据公式(7)计算矢量差vdδ,q；

vdδ,q＝fδ(Sq)‑fδ(Sq+1)     (7)其中，fδ(Sq)是非支配解集S中的第q个非支配解的第δ个目标值；

S82：通过公式(8)计算最大矢量差Maxvd；

S83：根据S中的最大矢量差Maxvd找到非支配解u，并根据公式(9)得到S',即将S中的u移除得到S'；

S'＝S\u    (9)

S84：根据公式(10)和(11)计算出HV超体积指标；

HVprevious＝hypervolume(S,rf)     (10)HVdelete＝hypervolume(S',rf)    (11)其中，rf是一个参考点，HVprevious是S的超体积指标，HVdelete是S'的超体积指标；

S85：根据超体积指标HV的关系，决定是否更新S的值；如果HVdelete大于HVprevious，根据公式(12)更新S的值；

S＝S\u     (12)

S86：将非支配解集中不在非支配解集S中的解赋值给存档A，根据S与A的并集的非支配结果更新非支配解集S的值；

S87：如果S容纳的解数量大于非支配解集S自身的容量，对于S中的每一个解，根据公式(13)计算fdiversity并排序；根据公式(14),(15),(16)更新存档值；

其中， 代表决策空间中Sq与k近邻的欧式距离， 代表目标空间中Sq与k近邻的欧式距离， 代表决策空间中所有解的平均欧式距离， 表示目标空间中所有解的平均欧式距离；

D＝|S|‑N    (14)

其中，D是带fdiversity最大值的非支配解；

S＝S\D    (15)

公式(12)表示从非支配解集S中移除D中的解；

A＝A∪D    (16)

公式(13)表示将D中的解加入存档A中；

S9：根据S，更新表格Q；

S10：重复步骤S7‑S9，直到迭代次数gen等于最大迭代次数Maxgen，得到的非支配解集S包含多个解，这些解都符合决策者的要求，决策者根据其他需求挑选合适的地址。

2.如权利要求1所述的一种基于多模态多目标粒子群优化算法的选址优化方法，其特征在于：步骤S10中，Maxgen设为50。