1.柴油机燃用生物柴油多目标性能优化方法，其特征在于：包括以下步骤：一、建立PSO‑SVM排放预测模型；

二、利用PSO‑SVM预测模型分别对NOx、颗粒物进行排放预测，构造出非线性函数z1、z2，这两个函数都是设计变量与优化目标的非线性关系，这样就得到了关于设计变量的两个目标函数：

f1(NOx)＝z1(x1，x2，x3)f2(颗粒物)＝z2(x1，x2，x3)约束条件：

49.8≤x1≥64.64

2.56≤x2≥3.321

26.7≤x3≥34.12

式中：z1、z2为利用PSO‑SVM预测模型构造的NOx、颗粒物排放的非线性函数；f1(NOx)、f2(颗粒物)为NOx、颗粒物排放量；x1、x2、x3分别为生物柴油的十六烷值、粘度、表面张力；

三、利用NSGA‑II算法对两个决策方程进行多目标优化，求出NOx、颗粒物的Pareto最优解；

四、计算通过优化算法获得的NOx和颗粒物排放的pareto最优解的优化程度，通过下式对NOx和颗粒物值的优化程度进行求解：式中：η为优化百分比，P为Pareto最优解，S为实验值，Pmax为Pareto最优解中的最大值，Pmin为Pareto最优解中的最小值。

2.根据权利要求1所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：PSO‑SVM排放预测模型的建立方法为：a、建立支持向量机预测模型，即SVM预测模型；

b、使用网格搜索算法对惩罚因子C和核函数参数g进行初步优化；同时，使用K折交叉验证方法进行进一步优化；

c、使用粒子群算法PSO对C和g进行进一步的精确优化；

d、得到优化后的SVM预测模型，即PSO‑SVM排放预测模型。

3.根据权利要求2所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：SVM预测模型的建立方法为：

首先，给定m×(n+1)维的数据集合T＝{(x1，y1)，(x2，y2)，...，(xm，ym)}∈(X×Y)，其中xn

∈R为n维的输入向量，y∈R为系统的输出，则基于SVM模型建立的最优超平面为：g(x)＝wxi+b

式中：w为超平面法向量；b为超平面常数；

然后，把建立线性支持向量机的问题转化为求解一个二次凸规划的问题，得到：式中：ζi为松弛变量；C为惩罚因子；

最后，将二次凸规划问题转换为对偶问题，即得到：式中：ai为Lagrange系数，仅适用于SVM模型，ai不等于0；K(xi，xj)为核函数；

通过对上述问题进行数学理论分析，得到支持向量机回归函数为：

4.根据权利要求3所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：K折交叉验证方法为：

首先，以训练样本为对象，将其划分为k等份，让每等份数据依次成为验证集，而剩下的数据将用于模型建立；按照以上步骤共进行k次，并求其每一次训练模型的均方误差；最后再用求得的均方误差的总和除以k，得到K折交叉验证的模型误差，此误差作为评价模型精度的指标。

5.根据权利要求4所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：网格搜索法优化参数的步骤是：

(1)根据经验设置搜索范围及搜索步长，画出二维网格；

(2)取网格中的节点参数组合，代入目标函数验证其性能；

(3)根据性能评价，选择网格中均方误差最低的参数组合，若有多组均方误差相同，则选取参数C最小的那组作为最佳参数。

6.根据权利要求5所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：粒子群算法的步骤为：

步骤1：初始化粒子参数；包含：设置种群规模N，确定最大迭代数tmax，选取惯性权重值ω，设定学习常量c1，c2的取值，设定各个粒子的初始位置xi＝(xi1，xi2，...，xid)和初始速度vi＝(vi1，vi2，...，vid)以及粒子飞行范围；

步骤2：计算任一粒子的适应度f(p)；根据适应度函数对任一粒子的适应度进行求解；

步骤3：最优粒子适应度pbest更新；对任一粒子当代的适应度f(p)与之前获得的最优粒子适应度pbest进行比较，如果f(p)优于pbest，则用f(p)代替pbest作为最优粒子适应度，否则原来的最优粒子适应度pbest不变；

步骤4：最优种群适应度gbest更新；将所有粒子当代的适应度f(p)与之前获得的最优种群适应度gbest进行比较，如果f(p)优于gbest，则用f(p)代替gbest作为最优种群适应度，否则原来的最优种群适应度gbest不变；

步骤5：粒子位置和速度更新；依据最优粒子适应度pbest和最优种群适应度gbest，采用标准粒子群算法对粒子的位置和速度进行更新，产生新一代种群；

步骤6：终止条件判断；如果满足终止条件，即输出最优解或达到最大迭代数tmax，则终止不再进行迭代；否则，返回步骤2继续迭代。

7.根据权利要求6所述的柴油机燃用生物柴油多目标性能优化方法，其特征在于：NSGA‑II算法为改进的非支配排序遗传算法，包括以下步骤：

1)随机生成种群规模为N的初始化种群，并对其进行非支配排序；

2)将选择、交叉和变异这几种算法柔和在一起对初始化种群进行计算，得到第一代子种群；在第二代子种群的建立过程中，不再将父代和子代种群分开讨论，而是坚持优胜劣汰的法则对其进行非支配排序和个体拥挤度评估，从中选取出优秀的个体形成新的父代种群；

3)无限循环步骤2)，直到符合实际要求为止。