1.一种基于迁移学习与特殊点策略的动态多目标进化方法，其特征在于，包括：对动态多目标优化场景分析，获取所述优化场景的初始种群，所述初始种群包含动态目标，决策变量和约束条件；

采用多目标估计分布方法优化所述初始种群，获取所述初始种群的前端优化集；

根据所述前端优化集获取特殊点；

当所述决策变量发生变化时，基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间，得到下一时刻的所述特殊点；

以下一时刻的所述特殊点中的最小值为下限，以下一时刻所述特殊点中的最大值为上限，产生下一时刻的所述初始种群；

采用多目标估计分布方法优化下一时刻所述初始种群，获取下一时刻所述初始种群的前端优化集。

2.根据权利要求1所述的方法，其特征在于，所述基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间，得到下一时刻的所述特殊点的步骤，包括：获取所述初始种群的特殊点为源数据，下一时刻的所述特殊点为目标数据；

采用主成分分析方法根据所述源数据和所述目标数据获取高维空间，建立第一优化目标；

采用最大值差异作为距离度量所述源数据和所述目标数据的不同分布，构建边缘分布适配，获取第二优化目标；

根据所述源数据建立模型，构建出所述目标数据对应的伪标签,根据伪标签，构建条件分布适配，获取第三优化目标；

联合所述第一优化目标，第二优化目标和第三优化目标，获取最终优化目标；

对所述最终优化目标进行收敛，获取所述源数据与所述目标数据的最佳适配矩阵；

根据所述最佳适配矩阵和所述特殊点，得到下一时刻的所述特殊点。

3.根据权利要求1所述的方法，其特征在于，所述采用多目标估计分布方法优化所述初始种群，获取所述初始种群的前端优化集的步骤，包括：提取所述初始化种群中的信息构建概率模型；

对所述概率模型进行高斯采样，获取解集；

对所述初始化种群与所述解集进行选择操作，获取所述初始化种群的前端优化集。