1.一种基于多目标粒子群优化的产品变更方案设计方法，其特征在于：该方法包括以下步骤：步骤1：针对待变更的产品，建立包括服务性能层和零件层的产品多重网络模型，每种服务性能由若干个相关零件共同关联决定，服务性能间存在耦合关系；

步骤2：每个零件作为一个节点，通过解耦变更效应传播中关联节点对服务性能的影响，生成一个包含服务性能影响度、变更成本和变更时间三个评价指标的变更节点多目标选择模型；模型构建方法如下：步骤2.1：建立产品节点变更传播模型，通过该传播模型确定变更节点对产品网络的影响范围与程度，确定变更节点多目标选择模型的决策变量；

步骤2.2：评价变更方案对产品服务性能的影响，即计算变更方案的服务性能影响度；

步骤2.3：评价变更方案对变更成本和变更时间的影响，即计算变更方案的时间成本和经济成本指标；

步骤2.4：结合变更成本、变更时间和服务性能影响度三个指标，生成变更节点多目标选择模型；

步骤3：使用多目标粒子群优化算法求解多目标选择模型，得到Pareto最优解集，即得到一组最优的变更方案；

步骤4：使用模糊决策方法从Pareto最优解集中选出一个满意度最大的解作为产品的最终变更方案。

2.根据权利要求1所述的产品变更方案设计方法，其特征在于：所述产品多重网络模型构建方法如下：所述模型包括服务性能层和零部件层；模型中每个产品包含若干个需要考虑的服务性能，记为{SP1，SP2，…，SPn}，其中n为所考虑服务性能指标的数目；

将第i个零件vi与第j种服务性能SPj的关联程度记为w'ij；w'ij越大，零件vi与服务性能SPj的关联程度越强，零件vi对服务性能SPj的影响越大；将第i个零件vi与第k个零件vk的关联程度记为wik。

3.根据权利要求1所述的产品变更方案设计方法，其特征在于：所述步骤2.1中，确定变更节点多目标选择模型的决策变量，方法如下：步骤2.1.1：建立产品节点变更传播模型；

根据变更效应传播系数与上游节点的变更强度，计算下游节点vj的变更强度，公式如下：式中，r(vj)是下游节点vj的变更强度，对于节点vj的一个上游节点vi，p(vi,vj)为vi对vj的变更效应传播系数；r(vi)是节点vi的变更强度；us(j)表示节点vj的上游节点集合；

当一个节点发生变更后，首先由式(1)遍历其所有邻居节点，找到所有变更传播路径计算该变更对网络中每个相关节点的影响强度即变更强度，直到满足变更终止条件；

设置如下两种情况作为终止条件：

当前受影响节点的变更效应传播至出度为0，或者，当前受影响节点的变更强度小于其设计裕度；

基于上述步骤，确定出受变更影响的所有节点及其受影响程度；

步骤2.1.2：对变更节点选择策略进行编码；

当初始节点vi发生变更后，由变更传播模型确定出受变更影响的所有节点的集合IV(vi)＝{iv1,iv2,…,ivm}，m为受影响节点数量，ivm为第m个受影响节点；

受变更影响的所有节点的影响强度即变更强度分别为r(IV(vi))＝{r(iv1),r(iv2),…,r(ivm)}，r(ivm)为第m个受影响节点的影响强度；

使用一个{0,1}编码的二进制向量表示节点vi引起的设计变更问题的一种变更方案或优化解，则所有受影响节点选择策略编码表示如下：CV＝(cv1,cv2,...,cvm),cvj∈{0,1},j＝1,2,…,m.    (2)其中，CV表示节点vi引起的设计变更方案，cvj＝1表示对IV(vi)中节点ivj进行变更；否则，节点ivj保持不变。

4.根据权利要求3所述的产品变更方案设计方法，其特征在于：所述步骤2.2中，计算变更方案的服务性能影响度，方法如下：对关于初始变更节点vi的变更方案CV，使用节点集IV(vi)中未变更节点来评价该方案对服务性能的影响程度；

具体地，变更方案CV对第k种服务性能的整体影响度如下：

其中，wi′k代表节点vi对服务性能影响SPIk的权重； 代表对二进制元素cvi取反，若节点vi不进行变更，则 否则， SP(vi)为当节点vi发生变更时，其对相关联服务性能的总体影响；对于第k种服务性能SPk，其相关零件节点集合为Vsp(k)，模块度为Q，选取(1‑1+Q) 为去耦合系数。

5.根据权利要求3所述的产品变更方案设计方法，其特征在于：所述步骤2.3中，对于一个变更方案CV＝(cv1,cv2,...,cvm),其对应的时间成本和经济成本分别为：其中，ti和costi分别表示变更方案CV中第i个零件执行变更所需的时间成本和经济成本。

6.根据权利要求3所述的产品变更方案设计方法，其特征在于：所述步骤2.4中，生成变更节点多目标选择模型：同时，依据实际问题加入相应的模型约束，约束包括零件因供应链问题无法变更，零件因设计原因必须变更。

7.根据权利要求6所述的产品变更方案设计方法，其特征在于：所述步骤3中，使用多目标粒子群优化算法求解多目标选择模型，步骤如下：步骤3.1：初始化：随机初始化Nsize个粒子的二进制位置；设置惯性权重ω，算法最大迭代次数Itermax，学习因子c1和c2；初始化每个粒子的个体最优点为其自身；初始化一个外部储备集为空集；

步骤3.2：采用式(6)计算所有粒子的目标函数值，从粒子群中选出互不支配的解，并将其保存在外部储备集中；从个体最优点中随机选择每个粒子的初始全局最优点；

步骤3.3：使用下式更新每个粒子的位置；

其中，k为算法迭代次数，ω为惯性权重，c1和c2为学习因子，rand1、rand2、rand3和rand4为服从均匀分布U(0,1)的随机数；Pbest和Gbest分别表示粒子的个体最优点和全局最优点，xi和ui分别表示第i个粒子的位置和速度；sv(ui)为映射函数；

步骤3.4：修正违反约束的粒子位置；采用公式(6)计算每个粒子的目标函数值，并使用罚函数法惩罚不可行解，进而得到这些违反约束粒子新的适应值；

步骤3.5：根据储备集中粒子的拥挤度排序，更新外部储备集，确定每个粒子的全局最优点Gbest和个体最优点Pbest；

步骤3.6：如不满足终止条件即迭代次数大于最大迭代次数Itermax，返回步骤3.3；否则，输出外部储备集中保存的非劣解集，即Pareto最优解集。

8.根据权利要求1‑7任一所述的产品变更方案设计方法，其特征在于：所述步骤4中，使用模糊决策方法，采用一个模糊隶属度函数模拟决策者对任务的偏好，并从Pareto最优解集中选出一个满意度最大的解作为产品的最终变更方案；

具体地，对储备集即Pareto最优解集中最优解xj，定义它的满意程度为：其中，μ为反映决策者偏好的模糊隶属度函数；μi(xj)为最优解xj第i个指标的模糊隶属max min度值；fi(xj)表示最优解xj的第i个指标值；fi 和fi 分别是第i个指标评价结果的最大值和最小值；wei,i＝1,2,3表示决策者对变更成本、变更时间和服务性能影响度三个指标的偏重；

储备集中具有最大μ值的元素即为所求折中解，即满足用户需求的一个最佳变更方案。