1.一种基于QPSO-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；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，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，Δν为干扰变量的变化量，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：S233：在动态矩阵中，根据QPSO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，获得稳态操作变量的最佳变化量；

S3：利用QPSO算法，在不放松约束条件的前提下，对经济优化化函数进行求解；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QPSO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QPSO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QPSO-DMPC的反应再生系统优化控制方法，其特征在于：利用QPSO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：初始化系统参数，包括种群规模n、最大迭代次数T、随机生成n个粒子x1,x2，…,xn、粒子维数m、压缩-扩张因子α和令外部存档集Q，Q为空；

S32：评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换；

S33：将每个粒子的当前适应度pi和个体最优适应度 进行比较，如果当前适应度pi支配个体最优适应度 则将当前适应度pi代替个体最优适应度 否则，保留原有的个体最优适应度S34：更新外部存档集Q，将种群中所有的非支配集加入外部存档集Q，并删除被支配的粒子；

S35：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；

S36：更新作为全局最优值的粒子的位置xij(t)，更新公式为：xij(t+1)＝eij(t)±α|Cij(t)-xij(t)|×ln[1/uij(t)]eij(t)＝βPij(t)+(1-β)Pgj(t)

其中，Cij(t)表示所有粒子的平均最优位置，xij(t+1)表示作为全局最优值的粒子更新后的位置，PiD为第i个粒子第D维的当前最优位置，Pgd为全局最优位置，uij与β分别为0到1之间的随机数，α为扩张-收缩因子，从1至0.5随迭代次数自适应变化；

S37：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S32进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T为止；

S38：不放松约束条件，利用QPSO算法对建立的经济优化函数进行求解，获得单目标下的稳态操作变量的变化量δuss(k)。

3.根据权利要求2所述的基于QPSO-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QPSO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QPSO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。