1.一种基于多目标优化算法的运动计划的生成方法，其特征在于，具体按照如下步骤实施：

步骤1，根据用户数据库中的数据获取所需要的用户属性，并计算运动量W；

步骤2，获取课程库中课程的课程属性，并对课程进行分类；

步骤3，根据步骤2课程分类结果以及步骤1中的运动量W定义目标函数maxF(x)以及待优化参数；具体为：

所述目标函数maxF(x)的公式为：maxF(x)＝maxf1(x)+maxf2(x)+maxf3(x)        (3)其中，

其中，q氧为提高有氧耐力型的强度、t氧为提高有氧耐力型的时间、q减为减脂瘦身型的强度、t减为减脂瘦身型的时间，q力为力量强化型的强度、t力为力量强化型的时间，p为运动频率，α为敏感系数，ω1、ω2、ω3为分配权重并且ω1+ω2+ω3＝1，q氧、t氧、q减、t减、q力、t力、p、ω1、ω2为待优化参数；

步骤4，采用人工雨滴算法对目标函数maxF(x)进行优化，得到优化后的参数；具体为：步骤4.1，初始化水汽

随机生成N组参数组合，所述参数为步骤3定义的待优化参数，每组参数均包括运动频率p、提高有氧耐力型课程的分配权重ω1、减脂瘦身型课程的分配权重ω2、提高有氧耐力型课程的强度q氧和时间t氧、减脂瘦身型课程的强度q减和时间t减、力量强化型课程的强度q力和时间t力共9个参数；

步骤4.2，定义最大迭代次数为M，最大流动次数为MFN，流动因子1为l1，流动因子2为l2，雨滴池的大小为RP_size，碰撞因子1为a1，碰撞因子2为a2，定义拉伸因子为c；

步骤4.3，利用雨滴形成算子公式(4)将步骤4.1中初始化所形成的水汽进行操作从而G

形成大雨滴Raindrop：

其中，Rain_drop为水汽所形成的大雨滴，G代表的本次所处于的迭代的代数，Rain_G

drop代表的第G代的大雨滴，k所代表的是每个水汽的维度，k＝9， 代表的是第i个水汽的第一个数值，vapor代表的是水汽；

步骤4.4，利用步骤4.3得到的大雨滴进行雨滴的碰撞操作，得到N个小雨滴：Small_Raindrop＝U[Rmin(k)‑aΔR(k),Rmax(k)+aΔR(k)]   (5)其中，Small_Raindrop为碰撞出来的小雨滴，k为维度；

a＝a1+a2*(n‑iter)÷na1、a2为碰撞因子，a1为大于0的值，a2为小于0的一个值，n为总的迭代次数，iter为当前的代数，Rmin(k)＝min(Rain_drop(k),RP_Intervene(k))Rmax(k)＝max(Rain_drop(k),P_Intervene(k))ΔR(k)＝Rmax(k)‑Rmin(k)其中，Rain_drop为当前代的大雨滴，Rain_drop(k)为大雨滴中的第k个值，RP_Intervene为雨滴池中势能最优的雨滴，RP_Intervene(k)为雨滴池中势能最优的雨滴的第k个值；

步骤4.5，对步骤4.4所碰撞出来的小雨滴进行流动操作，对每一个碰撞出来的小雨滴都要进行流动，最终得出的新的小雨滴同样也是N个，记为：New_Small_Raindrop，流动算子的公式为公式(6)：其中： 为新的流动出来的第G代的N个新的小雨滴中的第i个新的小雨滴；

其中：

di＝l1·rand1i·d1i+l2·rand2i·d2i其中，RP_Intervene为雨滴池中势能最优的雨滴， 为第G代中雨滴池中势能最优的雨滴的第k个值，Small_Raindrop为用来流动的小雨滴，为第G代所有的小雨滴中的第i个小雨滴，l1、l2为流动因子，rand1、rand2为[‑1,1]的随机数，d1、d2为流动方向；

小雨滴按照流动方向进行流动到新的位置，把新的位置记录下来，并且记录此时的流动次数count；

步骤4.6计算步骤4.5流动出来的新的小雨滴New_Small_Raindrop的势能，如果流动出来的新的小雨滴New_Small_Raindrop的势能优于用来流动的小雨滴Small_Raindrop，则把此用于流动小雨滴进行存储下来；如果流动出来的新的小雨滴的势能劣于用来流动的小雨滴，此时则回到步骤4.5继续进行流动，直到流动次数count的值达到最大流动次数MFN则把最终流动之后的新的小雨滴存储下来，直到N个小雨滴全部流动完成，并全部存储下来则进行下一步；

步骤4.7，将经步骤4.6储存下来的所有的小雨滴和本代中用来形成大雨滴的水汽放在一起进行势能的计算，并按照势能的从优到劣进行排序，然后取出前N个作为下一次迭代的水汽；

步骤4.8，取包含当前代的前十次的最优势能值，判断最优势能的水汽更新是否停滞，如果此十代中每次最终所产生的雨滴的最优势能不是唯一的，则判断为没有停滞，则跳到步骤4.10进行雨滴池的更新操作；如果此十代中每次最终所产生的雨滴的最优势能没有发生变化，则判断为停滞，则进行跳到步骤4.9进行雨滴池的拉伸操作；

步骤4.9，雨滴池的拉伸操作是在原来雨滴池中的雨滴的基础上加上一个值使得此雨滴的势能发生改变，把所有拉伸过的雨滴池进行整体的势能的计算，最后取具有最优势能的雨滴为干扰之后的雨滴RP_Intervene用到碰撞和流动的操作中，雨滴池的拉伸算子为公式(7)：

RP_L＝RP+(c*Rand*(RP_min_value‑RP_max_value))    (7)其中，c为拉伸因子：

RP_value为当前要拉伸的雨滴池中的雨滴的势能，RP_min_value为当前雨滴池中所有雨滴势能中的最小值，RP_max_value为当前雨滴池中所有雨滴势能中的最大值，P_avg_value为当前雨滴池中所有雨滴势能中的平均值，Rand为[0,1]内的随机值，RP为当前要拉伸的雨滴池中的雨滴，RP_L为拉伸之后的雨滴；

步骤4.10雨滴池的更新操作：如果是没有停滞从步骤4.8到的此步骤则取步骤4.7中排序之后的总的雨滴中的势能最优的第一个雨滴放入雨滴池中，当雨滴池存满之后，再次进行雨滴池更新的时候将会把雨滴池中势能最差的雨滴给替换掉；如果是在步骤4.9雨滴池拉伸操作之后跳到的此步骤，则把步骤4.9中拉伸之后的雨滴当做此时雨滴池中的所有的雨滴，把原来的雨滴池中的雨滴用拉伸之后的雨滴全部替换掉；当前迭代次数m进行加1操作；

步骤4.11，判断当前迭代次数m是否小于最大迭代次数M，如果小于则跳转到步骤4.3继续迭代，如果不小于M则进行下一步；

步骤4.12，输出最后一次迭代中雨滴势能最优的雨滴的一组向量，此向量就代表最终需要的所优化出的参数，包括运动频率p、提高有氧耐力型课程的分配权重ω1、减脂瘦身型课程的分配权重ω2、提高有氧耐力型课程的强度q氧和时间t氧、减脂瘦身型课程的强度q减和时间t减、力量强化型课程的强度q力和时间t力共9个参数；

步骤5，计算优化出的参数对应每类课程库中课程对应参数的相似性；

步骤6，将步骤5计算出的每类中的相似性最高的课程进行组合，生成最终的个性化运动课程计划。

2.根据权利要求1所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤1具体为：

步骤1.1，根据用户数据库中的数据获取所需要的用户属性，所述用户属性为姓名、性别、年龄、身高、体重、所使用运动处方的名称、处方强度、处方时长、处方频率；

步骤1.2，将步骤1.1获取的用户属性存入新的数据表中，形成新的用户数据，并使用处方强度Q处、处方时间T处、处方频率P处使用公式(1)进行运动量W的计算：W＝Q处*T处*P处(1)。

3.根据权利要求2所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤2具体为：

步骤2.1，获取课程库中课程的课程属性，所述课程属性为课程名称、课程类型、动作个数、卡路里消耗、持续时间、具体动作；

步骤2.2，对课程库中的课程按照课程属性中的课程类型进行分类，分为提高有氧耐力型、减脂瘦身型、力量强化型三种类型；

步骤2.3，根据获取的课程属性分别计算不同类型课程对应的强度，其中提高有氧耐力型的强度Q氧计算公式为：

其中，C氧为课程的卡路里消耗，T氧为课程的持续时间；

按照公式(2)代入减脂瘦身型、力量强化型课程的卡路里消耗C减、C力以及持续时间T减、T力，分别计算出减脂瘦身型、力量强化型课程的强度Q减和Q力。

4.根据权利要求1所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤5具体为：

步骤5.1，根据步骤4优化出的九个参数取出提高有氧耐力型课程的强度q氧和时间t氧、减脂瘦身型课程的强度q减和时间t减、力量强化型课程的强度q力和时间t力六个参数，按照课程的类型进行两两组合；

步骤5.2，根据优化出来的参数q氧和t氧的具体数值，进行数据库中提高有氧耐力型课程的强度Q氧和时间T氧这两个属性的数值进行相似性L计算：步骤5.3，按照步骤5.2的方式计算出减脂瘦身型的参数和相对应的课程库中的相似性以及力量强化型的参数和相对应的课程库中的相似性。

5.根据权利要求4所述的一种基于多目标优化算法的运动计划的生成方法，其特征在于，所述步骤6具体为：

步骤6.1根据步骤5计算出来的不同参数对应的不同课程的相似性值进行分别排序，共三种类型所以有三组相似性值，每类中选择相似性值最高的对应的课程，共选出三个课程；

步骤6.2根据步骤6.1选出的三个课程以及课程对应的运动强度和运动时间以及步骤

4.12优化出的频率参数最终组合成一个整体的个性化运动课程计划。