1.一种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、透光率以及薄膜厚度，将获得的电阻率、透光率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、透光率以及厚度作为输出，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神经网络模型初始的权值和阈值，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神经网络模型，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镀膜仪的工艺参数，其中，使用步骤四训练得到的神经网络模型的预测输出构建适应度函数F2，适应度函数F2取：其中F2为适应度函数，ρ2为步骤四得到的神经网络模型预测的薄膜电阻率，η2为步骤四得到的神经网络模型预测的薄膜透光率，δ2为 步骤四得到的神经网络模型预测的薄膜厚度，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、透光率以及薄膜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，Hl为第l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个个体在j位上的实数，alj是第l个个体在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；

3.6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为适应度函数，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为薄膜电阻率目标值，η0为透光率目标值，δ0为薄膜厚度目标值。

6.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法，其特征在于：步骤四中的神经网络的代价函数J设置为：其中,m为数据的个数，n为输入层节点数，

yp为输出节点p的实际输出，targetp为输出节点p的期望输出。

7.根据权利要求1所述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：(l) (l) (l‑1) (l)

net ＝w *y +b

(l) (l)

y ＝fl(net )

(l) (l)

其中，net 是神经网络第l层神经元的输入，w 是第l‑1层神经元到l层神经元的权(l) (l)值，b 是第l层神经元的阈值，y 是第l层神经元的输出，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：

(l)

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