1.一种基于偏好多目标优化的油田机采过程决策参数优化方法，包括：步骤S1：确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x1,x2,x3,L xn}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y1,y2}；

其中，x1为冲次决策变量，x2为有效冲程决策变量，x3～x5分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x6～xn均为载荷环境变量；性能观测变量的个数l＝

2，y1为日产液量，y2为日耗电量；

步骤S2：根据效率观测变量集合{x1,x2,x3,L xn}和性能观测变量集合{y1,y2}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x1，x2L xn，y1，y2]；其中，设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]；如果采样周期大于T，剔除采集到的观测变量；其中，将样本中的I作为输入样本，将样本中的Y作为输出样本；

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{Lz1,Lz2,...,Lzd}；

其中，构建新的载荷主元变量{Lz1,Lz2,...,Lzd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I1，并对新的输入样本I1和输出样本Y进行归一化，获得归一化后的样本 其属于[-1,1]；其中，非载荷变量包括冲次决策变量x1、有效冲程决策变量x2、计算泵效环境变量x3、含水率环境变量x4、平均功率因数环境变量x5；

步骤S5：基于所述归一化后的样本 构建神经网络模型和所述神经网络模型的初始状态变量X，以及，将所述归一化后的样本 中的 作为所述神经网络模型的输入，将所述归一化后的样本 中的 作为所述神经网络模型的输出；

其中，所述神经网络模型为：

其中，Ik为所述训练样本的矢量样本值，并作为所述神经网络模型的输入， 为网络输入层到隐含层的神经元的连接权值， 为网络输入层到所述隐含层的神经元的阈值， 为所述隐含层到网络输出层的神经元的连接权值， 为所述隐含层到所述网络输出层的神经元的阈值，其中，i＝1，2…S0；j＝1，2…S1；k＝1，2…S2；S0为所述网络输入层的神经元的数量，S1为所述网络隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；

所述初始状态变量X为：

步骤S6：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

步骤S7：将所述最优状态变量作为所述神经网络模型的 和 重构神经网络表达式，获得油田机采油过程模型；

步骤S8：构建日产液量y1的偏好函数perfc(y)；

步骤S9：利用NSGA-Ⅱ算法对日耗电量y2的决策参量各自的上下限进行优化；

步骤S10：将优化后的决策变量结合环境变量，带入由ST-UPFNN算法所建立的油田机采油过程模型，在所述油田机采油过程模型的基础之上进行优化，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

2.如权利要求1所述的基于偏好多目标优化的油田机采过程决策参数优化方法，所述步骤S6包括：步骤S61：针对粒子滤波器设置粒子的数目N，并以x0为均值,P0为方差进行正态分布采样，得到初始粒子集 并将所述初始粒子集中的每个粒子 的权值均设为1/N；记粒子x0为k＝0时刻状态；

步骤S62：在获取(k+1)时刻的观测变量值 后， 为归一化样本 中第(1)组样本性能观测变量，利用ST-UKFNN算法对每个粒子 进行状态估计，得到最优状态估计值 和协方差步骤S63：将所述最优状态估计值 和协方差 作为粒子的重要性密度函数进行抽样，得到新粒子 由所有新粒子 组成的粒子集 中的每个新粒子 的正态分布概率密度值如下：

其中，p为每个新粒子 的条件概率，randnorm为正态分布随机误差，正态分布密度函数： x、μ、σ分别为正态分布的三个变量；

步骤S64：对新粒子 的权值进行更新，并进行归一化处理；其中，权值更新公式为：

权值归一化公式为：

步骤S65：根据粒子权值和重采样策略对粒子集 进行重采样，从而获取新粒子集 并求取新粒子集 中每个新粒子

的状态估计值

设变量u，令 取u1∈(0,1)

步骤S66：以粒子的数目N作为循环次数循环步骤S61-步骤S65的计算过程，将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计得到的所述神经网络模型的最优状态变量；其中，将新粒子 的状态估计值 作为本时刻的最优估计赋给 进行下一时刻的状态估计。

3.如权利要求2所述的基于偏好多目标优化的油田机采过程决策参数优化方法，利用ST-UKFNN算法对每个粒子 进行状态估计的过程，包括：步骤S621：对所述初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：步骤S622：计算每个采样点的权重，每个采样点的权重如下：其中，Wc为计算状态变量的协方差的权重，Wm为计算状态估计和观测预测时的权重，是 的第一列，Wc(0)是Wc(i)的第一列；

步骤S623：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计 以及，通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计 和协方差Pk+1|k；其中，所述状态估计 为：其中， 为k时刻的最优状态估计，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，所述状态先验估计 为：

所述状态变量的协方差Pk+1|k为：

步骤S624：通过离散时间非线性系统的观测方程建立(k+1)时刻的状态变量的状态估计 和(k+1)时刻的观测预测 的联系：其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，步骤S625：通过估计(k+1)时刻的观测预测 的向量，获得(k+1)时刻的先验观测预测并根据先验观测预测 估计(k+1)时刻的观测预测的协方差(k+1)时刻的先验观测预测 以及观测预测的协方差 分别为：步骤S626：计算(k+1)时刻的状态变量的状态先验估计 与(k+1)时刻的先验观测预测 之间的协方差 所述协方差 为：步骤S627：通过建立协方差 和协方差 的关系，更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值 和协方差

4.如权利要求3所述的基于偏好多目标优化的油田机采过程决策参数优化方法，其中，建立的协方差 和协方差 的关系为：其中，Kk+1为增益矩阵，以及更新后的(k+1)时刻的状态变量的状态估计 协方差Pk+1为：将更新后的(k+1)时刻的状态变量的状态估计 和协方差Pk+1分别作为(k+1)时刻的最优状态估计值 和协方差

5.如权利要求1所述的基于偏好多目标优化的油田机采过程决策参数优化方法，其中，步骤S9包括：步骤S91：通过决策变量个体P＝[x1x2L xn]的非支配性比较寻找最佳个体；其中个体非支配性由多目标适应度函数值以及个体拥挤度共同决定，多目标优化适应度函数为：其中， 是由ST-UPFNN算法构建的油田机采油过程模型：步骤S92：计算油田机工艺系统的环境变量的平均值：

其中，所述环境变量包括计算泵效环境变量x3、含水率环境变量x4、平均功率因数环境变量x5，N为所述环境变量的输入样本的数量；

步骤S93：利用决策参量(x1,x2)构建父代种群P和子代种群Q，其中，其中，K1为父代种群P中的个体 的数量；K2为子代种群Q中的个体的数量；L为初始化的种群样本数量，L＝50；GEN为最大遗传代数，GEN＝

100；

步骤S94：根据决策参量的上下限xi,min≤xi≤xi,max(i＝1,2,L,n)初始化父种群P；其中，初始化父种群P的过程为：从x1的取值范围内随机取值赋予 从x2的取值范围内，随机取值赋予

步骤S95：进行第一次遗传迭代GEN＝1，从父代种群P中选出任意对个体，对每对个体进行遗传交叉、变异计算，并将计算结果赋予子代种群Q中相应的一对个体 将父代种群P与子代种群Q进行合并得到种群R：步骤S96：从种群R中选择精英个体作为下一代种群；其中，将种群R中所有个体按照支配性层级进行排序，并计算所有个体的拥挤度，按照种群R中的个体按照层级从低到高的顺序从非支配集中选择个体作为精英个体，而对于同一层级的非支配集，按照拥挤度从大到小的顺序选择个体作为精英个体，保持种群个体为L；

步骤S97：GEN＝GEN+1，循环100次步骤S94～步骤S96，得到第GEN代种群作为优化结果输出；其中，