1.一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于，包括：步骤一：选取磁控镀膜仪的工艺参数进行试验，得到薄膜的电阻率、透光度以及薄膜厚度，将获得的电阻率、透光度以及薄膜厚度数据进行归一化处理，之后从中选取训练样本和检测样本，其中，所述磁控镀膜仪的工艺参数包括溅射功率、溅射压强、衬底温度、真空度、溅射时间、氩气流量；

步骤二：以所述磁控镀膜仪的工艺参数作为输入，以薄膜的电阻率、透光度以及厚度作为输出，构建一个含有多个隐含层的BP神经网络模型，隐含层的层数设置为l层，各隐含层的节点数设置为H，并给各隐含层和输出层选择合适的激励函数；

步骤三：利用遗传算法优化所述BP神经网络初始的权值和阈值，得到最优的个体的权值和阈值；

步骤四：将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，用步骤一的样本训练所述BP神经网络，训练过程中使用误差逆传播算法对各隐含层的权值和阈值进行更新，直到代价函数J小于设定精度或者达到最大迭代次数训练结束；

步骤五：再次使用遗传算法优化磁控溅射镀膜仪的工艺参数，其中，使用步骤四训练得到的神经网络的预测输出构建适应度函数F2，适应度函数F2取：其中F2为适应度值，ρ2为步骤四得到的神经网络预测的薄膜电阻率，η2为步骤四得到的神经网络预测的薄膜透光率，δ2步骤四得到的神经网络预测的薄膜厚度，ρ0为薄膜电阻率目标值，η0为透光率目标值，δ0为薄膜厚度目标值。

2.根据权利要求1所述的基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于，所述步骤一中的薄膜的电阻率、透光率以及厚度与磁控镀膜仪的工艺参数之间的关系表示为：ρ＝f1(P,Pa,T,V,t,F)，η＝f2(P,Pa,T,V,t,F)，δ＝f3(P,Pa,T,V,t,F)其中，ρ为薄膜的电阻率，η为薄膜的透光率，δ为薄膜的厚度，P为磁控镀膜仪的溅射功率，Pa为溅射压强，T为衬底温度，V为真空度，t为溅射时间，F为氩气流量。

3.根据权利要求1所述的基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于，所述步骤二中，各隐含层的激励函数均选择logistic函数 输出层的激励函数选择线性函数g(x)＝x。

4.根据权利要求1所述的基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于，所述步骤三具体为：

3.1首先根据所述BP神经网络模型的拓扑图确定神经网络的权值和阈值的个数，遵循如下公式：其中Num为权值和阈值的总个数，Hi为第i层神经元的节点数；

3.2采用实数编码方式对神经网络的权值阈值进行编码操作，初始化种群，初始的权值阈值在(-1,1)间随机取值，设置种群的适应度函数为F1；

3.3计算种群中所有个体的适应度值，并使用轮盘赌算法进行选择操作，从父代中挑选适应度高的个体产生下一代个体，每个个体被选中的概率遵循下公式：其中，pk为第k个个体被选中的概率，Fk为第k个个体的适应度值，K为种群中个体的总数；

3.4对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0,1)间的随机数；

3.5对种群中的个体进行变异操作，设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r'为(0,1)间的随机数；

3.5循环步骤3.3-3.5直至得到满意的适应度值或达到限定的迭代次数，输出最优的个体即适应度值最大的个体。

5.根据权利要求4所述的基于遗传算法和多隐含层神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于：适应度函数F1取:其中，F1为适应度值，ρ1为使用初始的权值和阈值的神经网络预测的薄膜的电阻率，η1为使用初始的权值和阈值的神经网络预测的透光率，δ1为使用初始的权值和阈值的神经网络预测的薄膜厚度，ρ0为薄膜电阻率期望值，η0为透光率期望值，δ0为薄膜厚度期望值。

6.根据权利要求1所述的基于遗传算法和多隐含层神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于：步骤四中的代价函数J设置为：其中,m为数据的个数，n为输入层节点数，outputj为输出节点j的实际输出，targetj为输出节点j的期望输出。

7.根据权利要求1所述的基于遗传算法和多隐含层神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于：所述步骤四的具体过程为：

4.1将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，并计算神经网络各层的输入和输出值，计算公式如下：net(l)＝w(l)*y(l-1)+b(l)

y(l)＝fl(net(l))

其中，net(l)是神经网络第l层神经元的输入，w(l)是第l-1层神经元到l层神经元的权值，b(l)是第l层神经元的阈值，y(l)是第l层神经元的的输出，fl是第l层神经元的激活函数

4.2利用梯度下降法，求得变化后的权值阈值：

其中，J为神经网络的代价函数，α是神经网络的学习率，w(l)是第l-1层神经元到l层神经元的权值，b(l)是第l层神经元的阈值。