1.一种基于PSO-DMPC的反应再生系统优化控制方法，其特征在于包括如下步骤：S1：将反应再生系统的传递函数模型转化为阶跃响应模型；

S2：建立DMPC模型，DMPC模型包括开环预测模块、稳态目标计算模块和动态矩阵控制模块；其中，反应再生系统的阶跃响应模型为：

式(1)中，Δu为操作变量的变化量，k为时间，N为模型长度， 为反应再生系统的操作变量的阶跃响应系数矩阵， 为反应再生系统的干扰变量的阶跃响应系数矩阵，对于满足建立开环预测模块的过程，包括如下步骤：

S211：当Δu(k+i-1)＝0、Δv(k+i-1)＝0，1≤i≤P时，设 为对y(k+p|k)的预测值，其中，P为预测时域，则有：S212：考虑反馈校正，假设vss(k)＝vss(k-1)+Δv(k)为已知，从k时刻开始，反应再生系统的操作变量不再变化时，基于式(2)得到反应再生系统的开环预测为yol(k+i|k)，当检测到Δu(k-1)时求解得到反应再生系统的开环预测：其中，vss(k)为阶跃响应的递推模型；

建立稳态目标计算模块的过程，包括如下步骤：

S221：提取所有反应再生系统的操作变量和被控变量的硬约束条件与软约束条件，并合并表达为关于稳态操作变量的变化量δuss(k)的形式：其中， 为操作变量的上限， 为操作变量的理想值的集合， 为稳态增益矩阵，为稳态被控变量的变化量， 为被控变量的理想值的集合，k为迭代次数，t为时间；

S222：建立经济优化函数：

式(3)中，B为权重；

S223：放松约束条件，采用二次规划方法对式(3)进行求解，获得单目标下的稳态操作变量的变化量δuss(k)；

建立动态矩阵控制模块的过程，包括如下步骤：

S231：取预测时域为P，控制时域为M，在每个时刻k，可得到：S232：当P大于N时，yol(k+j|k)＝yol(k+N|k)，j＞N，该预测值包含预测误差的反馈校正及干扰的影响，得到：其中，D为动态控制矩阵；

S233：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，选择最小化的目标误差函数如下：S234：对最小化的目标函数求解，获得操作变量的最佳变化量；

S3：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解；其中，约束条件包括操作变量的硬约束和软约束，被控变量的硬约束和软约束，外部目标的约束；

S4：根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值，并与实际输出的偏差作为目标误差函数，利用PSO算法对该目标误差函数求解，获得操作变量的最佳变化量。

2.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：利用PSO算法，在不放松约束条件的前提下，对经济优化函数进行求解的过程，包括如下步骤：S31：对粒子群进行初始化，设定种群大小为N，迭代次数为m，速度更新参数为c1、c2，同时给出初始化粒子的位置和速度；

S32：根据求解的目标函数设置适应度函数，并计算每个粒子的适应度值；

S33：对每个种群中的新鲜粒子进行适应度值与个体历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于个体历史最优位置的适应度值，替代原来的个体历史最优位置，成为新的个体历史最优粒子位置；

S34：对每个种群中的新鲜粒子进行适应度值与全局历史最优位置的适应度值的比较，如果新鲜粒子的适应度值大于全局历史最优位置的适应度值，则替代原来的全局历史最优位置，成为新的个体全局最优粒子位置；

S35：更新各粒子的速度和位置；其中，

粒子的速度更新公式为：

粒子的位置更新公式为：

S36：重复步骤S31-步骤S35，如果已满足PSO算法的终止条件，则该种群中具有最大适应度的个体为最优解，否则迭代进行下一次，直到满足PSO算法的终止条件，求得最优经济目标下的稳态操作变量的变化量δuss(k)。

3.根据权利要求1所述的基于PSO-DMPC的反应再生系统优化控制方法，其特征在于：在动态矩阵中，根据PSO算法对经济优化函数求得的解获得反应再生系统的输出设定值的公式为：式(5)中，yss(k)为反应再生系统的输出设定值，δuss(k)为PSO算法对经济优化函数求得的解， 为稳态增益矩阵； 为开环稳态预测。