1.一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：具体包括以下步骤：

1)选择多种不同的复合材料作为混合复合材料的备选材料集合其中， 表示第一种备选材料， 表示第二种备选材料， 表示第三种备选材料， 表示第n种备选材料，n表示备选材料的总和，并对备选材料集合 的微观属性进行不确定性量化，不确定量化后得到备选材料集合的微观属性的分布类型，其中，备选材料集合 的微观属性包括微观弹性属性和微观强度属性；

2)基于步骤1)获得的备选材料集合 的微观属性的分布类型，通过备选材料集合 的多尺度分析模型，将备选材料集合的微观属性不确定性传播到宏观层面，获得备选材料集合 的宏观弹性属性与宏观强度属性的分布类型；

3)获得备选材料集合 的宏观弹性属性与宏观强度属性的分布类型后，利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料集合的宏观有限元模型，对备选材料集合和备选材料集合 的宏观有限元模型的层堆叠序列(θ1,θ2,θ3、、、θx)进行拉丁超立方采样后，再通过层合板方法对备选材料集合的宏观有限元模型进行分析，分析之后获得备选材料集合 的性能参数 失效参数FI和总体成本参数C；其中，θ1表示混合复合材料中的第一层材料的堆叠角度；θ2表示混合复合材料中的第二层材料的堆叠角度；θ3表示混合复合材料中的第三层材料的堆叠角度；θx表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；

4)构建备选材料集合 的微观属性与混合复合材料参数的神经网络模型，构建的神经网络模型包括一个输入层、一个中间层和一个输出层，其中，输入层输入所需的备选材料集合 所需的备选材料集合 中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx)， 表示第一种备选材料， 表示所需的第二种备选材料， 表示所需的第三种备选材料， 表示所需的第m 种备选材料，m表示所需的备选材料的总和；输出层输出性能参数 失效参数FI和总体成本参数C；

5)对训练后的神经网络模型计算均方误差MSE；

6)根据均方误差MSE来判断训练后的神经网络模型的准确性；

若获得的均方误差MSE小于预设的均方误差阈值，则表明构建的神经网络模型精确，进行步骤7)；

若获得的均方误差MSE大于等于均方误差阈值，则构建的神经网络模型不精确，进而基于性能预测方差对神经网络模型进行参数学习，然后回到步骤5)；

7)使用遗传算法(GA)对备选材料集合 的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理，获得混合复合材料铺层中各层材料选择和各层堆叠角度，最后按照混合复合材料铺层中各层材料选择和各层堆叠角度进行混合复合材料铺层。

2.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：

所述步骤1)中，对所述的备选材料集合的微观属性进行不确定性量化，具体是：首先，将备选材料集合 的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y，在稀疏变量y采样分布的不同的分布类型θk和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数fy(y|ε,θk)：其中，L(ε,θk)为稀疏变量y在分布类型θk和分布参数ε下的似然估计值，∫L(ε,θk)dε为稀疏变量y的似然估计值对分布参数ε的积分，θk表示第k个分布类型；

根据稀疏变量y在不同的分布类型θk和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值Lmax(ε,θk)，然后采用最小信息准则法计算不同的分布类型θk的信息熵AICk：

AICk＝2numk-2ln(Lmax(ε,θk))式中，numk表示分布参数ε的数量，Lmax(ε,θk)表示稀疏变量y在分布类型θk和分布参数ε下的最大似然估计值，AICk表示第k个分布类型的信息熵，k表示分布类型的序数；

接着，采用以下公式获得不同分布类型的概率值Pθ_k：Pθ_k＝exp((AICmin-AICk)/2)式中，AICmin表示最小的信息熵；

最后，将概率值Pθ_k大于分布类型概率阈值PΔ的分布类型θk作为稀疏变量y的分布类型，即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。

3.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：

所述步骤7)中，使用遗传算法(GA)对备选材料集合 的选择和层堆叠序列(θ1,θ2,θ3、、、θx)的选择进行优化处理，具体是：优化变量为层堆叠序列(θ1,θ2,θ3、、、θx)和备选材料集合利用精确的神经网络模型输出获得的性能参数 并构建性能参数 的稳健优化函数f1：

θ＝(θ1,θ2,θ3、、、θx)其中，mean表示取均值，std表示取标准差，p为权重系数， 表示备选材料选择的最终方案集合，θ表示层堆叠序列的最终方案；θ1表示混合复合材料中的第一层材料的堆叠角度；θ2表示混合复合材料中的第二层材料的堆叠角度；θ3表示混合复合材料中的第三层材料的堆叠角度；θx表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；

表示最终方案集合中的第一种材料， 表示最终方案集合中的第二种材料， 表示最终方案集合中的第三种材料， 表示最终方案集合中的第j种材料，j表示最终方案集合中的材料的总和；

用罚函数法，并建立以下惩罚目标函数其中，λ表示惩罚参数，α表示小正公差系数，g表示失效参数FI和总体成本参数C的不等式约束，h表示混合复合材料的受力平衡约束；

以惩罚目标函数 最大化为目标进行求解获得备选材料选择的最终方案集合 和层堆叠序列的最终方案θ的两个参数结果。

4.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：

所述步骤6)中，基于性能预测方差对神经网络模型参数学习的方法，具体步骤是：

6.1)从步骤4)输入的神经网络模型中所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ1,θ2,θ3、、、θx)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点；样本点通过神经网络模型处理预测获得每个样本点的性能参数 失效参数FI和总体成本参数C；

6.2)重复步骤6.1)进行多次处理获得多个样本点及其对应的性能参数 失效参数FI和总体成本参数C；

6.3)采用公式计算得到每个样本点的特征值γi：γi＝ωilog(u(i))

u(i)＝rand(0,1)

其中，ωi为计算第i个样本点得到的性能参数值，γi表示第i个样本点的特征值，rand(0,1)表示产生一个0到1之间的随机数，u(i)表示第i个样本点对应的随机数；

6.4)选择最大特征值的样本点，利用样本点的输入数据集合重新训练神经网络模型，以更新神经网络模型的参数；

6.5)回到步骤5)。