1.一种基于粒子群算法的改进最小残差法分析混合STR图谱的方法，其特征在于：所述方法用于法医DNA鉴定的STR图谱；所述方法包括如下步骤：S100：输入来自两个供体的混合STR图谱，其包括基因座、等位基因和峰面积；S200：在(0，0.5)区间内随机生成3个粒子的初始位置，并在[‑0.01，0.01]区间内随机生成所述3个粒子的3个初始速度，以此执行粒子群算法，其中，所述随机生成的3个粒子的初始位置还作为混合比例Mx的三个初始取值；S300：根据粒子群算法计算出3个粒子各自对应的、所有基因座的残差的最小值之和residualsum；S400：根据3个粒子所对应的各个residualsum的最小值，计算3个粒子各自的个体最优位置，并以此作为混合比例Mx的3个个体极值；S500：根据3个粒子所对应的各个residualsum的最小值，进一步获得其中最小的一个residualsum，以此作为整个粒子群体的全局最优位置，并将该全局最优位置作为混合比例Mx的全局极值；S600：3个粒子中的每一个粒子，通过跟踪个体极值和全局极值来更新自己在解空间中的位置与速度，最终找到全局最优；其中，若粒子群算法的迭代次数已达到阈值，则获得residualsum最小值、混合比例预测值Mx和建立在二者之上的基因座的拆分结果；S700：若粒子群算法的迭代次数未达到阈值，则更新所述3个粒子的速度和位置，迭代执行步骤S300至S600。2.如权利要求1所述的方法，其中，优选的，混合比例Mx的取值范围为(0，50％)。3.如权利要求1所述的方法，其中，步骤S300中，其中，表示混合STR图谱中第i个基因座在基因型组合为com时的残差值，n是基因座i的等位基因数量，分别表示等位基因j的峰面积观察值与期望值；基因座i的拆分结果combinationi为：基因座i的残差的最小值residuali为：4.如权利要求3所述的方法，其中，对每个基因座的等位基因峰面积降序排序后对基因座进行归一化之后的结果作为采用简化后的等位基因模型获取

5.如权利要求4所述的方法，其中，所述简化后的等位基因模型中重新定义了Mx为混合样本中含量最少的供体在混合样本中的比例，并将每个基因座中的等位基因按照其峰面积大小降序排列。6.如权利要求1所述的方法，其中，粒子i每次迭代更新的位置均记录在集合Pi中，经过t次迭代后Pi为Pi＝{Xi(o)，Xi(1)，Xi(2)，…，Xi(t)}那么粒子i的个体最优位置Xipb为其中arg  best就是使f(x)达到最优值时的自变量X的取值，目标函数f(x)为公式7.如权利要求1所述的方法，其中，粒子群中的每个粒子每次迭代更新的位置均记录在集合G中，经过t次迭代后G为其中，n为粒子的数量，那么粒子群全局最优位置Xgb为其中arg  best就是使f(x)达到最优值时的自变量X的取值，目标函数f(x)为公式8.如权利要求1所述的方法，其中，速度更新公式为：粒子位置更新公式为：Xi(t+1)＝Xi(t)+vi(t+1)其中，粒子i的取值范围是1到n，n为粒子数量，t为当前迭代次数，t＝0表示初始化阶段，即第1次迭代前，ω为惯性权值，r1，r2为0到1之间的随机数，Xi(t)为粒子i在第t次迭代时的位置，Xi(0)表示粒子i初始化位置，为粒子i当前的个体最优位置，Xgb为粒子群全局

最优位置，vi(t)为粒子i在第t次迭代时的速度，vi(0)为粒子i初始化速度，c1，c2是学习因子。9.如权利要求1所述的方法，其中，如果达到迭代次数阈值，则获得residualsum最小值、混合比例Mx的预测值Mx′和拆分结果具体为：在Mx的取值范围中，寻找使得整个图谱的所有基因座的最小残差值之和最小时的数值，将该数值赋值给Mx′，再根据Mx′分别计算每个基因座的残差的最小值residuali，取残差值为residuali时的基因组合作为拆分结果，其中，n为STR图谱中基因座的数量，residualsum为整个STR图谱中所有基因座的残差最小值之和，同样，residualsum越小，当前Mx′越接近真实的混合比例，混合比例为Mx′时的拆分结果正确的概率越大，此时基因座i的拆分结果combinationi为：