1.基于多阶段高斯伪谱法的癌症化疗智能监测与优化给药系统，其特征在于：包括，肿瘤大小监测模块(1)、肿瘤部位药物浓度检测模块(2)、药物作用下肿瘤生长模型拟合模块(3)、耐药细胞数检测模块(4)、心脏毒性检测模块(5)、癌症化疗优化给药模型与性能参数设定模块(6)、数据处理模块(7)、抗癌药物给定模块(8)及数据指标显示模块(9)，所述肿瘤大小监测模块(1)和肿瘤部位药物浓度检测模块(2)一端与数据指标显示模块(9)电连接，另一端与药物作用下肿瘤生长模型拟合模块(3)电连接，药物作用下肿瘤生长模型拟合模块(3)再与癌症化疗优化给药模型与性能参数设定模块(6)连接；耐药细胞数检测模块(4)和心脏毒性检测模块(5)一端与数据指标显示模块(9)电连接，另一端与癌症化疗优化给药模型与性能参数设定模块(6)连接；癌症化疗优化给药模型与性能参数设定模块(6)与数据处理模块(7)连接，数据处理模块(7)再与抗癌药物给定模块(8)连接，抗癌药物给定模块(8)与数据指标显示模块(9)连接；其中，所述肿瘤大小监测模块(1)，用于实时检测的肿瘤细胞数，并输入药物作用下肿瘤生长模型拟合模块(3)；

所述肿瘤部位药物浓度检测模块(2)，用于检测肿瘤部位抗癌药物浓度，并输入药物作用下肿瘤生长模型拟合模块(3)；

所述药物作用下肿瘤生长模型拟合模块(3)，用于根据肿瘤细胞数和肿瘤部位抗癌药物浓度拟合出肿瘤生长模型；

所述耐药细胞数检测模块(4)，用于检测化疗进程中的肿瘤耐药细胞数，并输入癌症化疗优化给药模型与性能参数设定模块(6)；

所述心脏毒性检测模块(5)，用于检测化疗进程中的心脏毒性，并输入癌症化疗优化给药模型与性能参数设定模块(6)；

所述癌症化疗优化给药模型与性能参数设定模块(6)，用于建立癌症化疗优化给药模型，并设定化疗优化给药模型的初始参数、调整化疗进程中的参数；

所述数据处理模块(7)，用于根据多阶段高斯伪谱法将癌症化疗时间转化为具有高斯分布的离散点列，对时间分段上对应的变量进行离散近似，求解得出抗癌药物控制量，将抗癌药物控制量输入抗癌药物给定模块(8)；

所述抗癌药物给定模块(8)，用于确定抗癌药物的输入时间及输入剂量。

2.根据权利要求1所述基于多阶段高斯伪谱法的癌症化疗智能监测与优化给药系统，其特征在于：所述癌症化疗优化给药模型为min J(u1(t))＝x1(T)

x1(0)＝N0,x2(0)＝v0,

x1(t1)≤η1,x1(t2)≤η2,x1(t3)≤η3

0≤x2(t)≤vmax, for all t∈[0,T]

0≤u1(t)≤umax for all t∈[0,T]

其中，J和x1为肿瘤细胞数，u1为抗癌药物浓度，x2为体内药物浓度，x3为累计药物浓度，为肿瘤细胞数的导数， 为体内药物浓度的导数， 为累计药物毒性的导数，t为时间，T为治疗周期，λ为肿瘤生长因子，ρ为Gompertz生长模型下肿瘤可以自然生长的最大值，k为抗癌药物杀伤分数，α为药物起效浓度，β为抗癌药物半衰期因子，N0为初始肿瘤细胞数，v0为初始体内药物浓度， 为初始累计药物毒性，η1,η2,η3为浓度约束值，vmax, umax分别为体内药物浓度上限值，累计药物毒性上限约束值以及给药速率上限值，H(x2(t)‑α)为阶跃函数，当体内药物浓度大于药物起效浓度时，其值为1；当体内药物浓度小于药物起效浓度时，其值为0。

3.根据权利要求1所述基于多阶段高斯伪谱法的癌症化疗智能监测与优化给药系统，其特征在于：所述多阶段高斯伪谱法的处理步骤如下：步骤1：将化疗周期进行时间区间等分，设初始时刻t0、结束时刻tf和I个内部时间节点t1,t2,…,tI将整个区间划分为I+1段，每一段的长度分别记为a1,a2,…,aI+1，第j段对应的时间区间为[tj‑1,tj]，引入新的时间变量ζ对控制时域进行时间尺度变换：每个子区间的变换都如此，而LG配点在时间域t∈[tj‑1,tj]对应的时刻则需要进行以下反变换：通过变换公式(1)，一般形式OCP(关于时间域t∈[t0,tf])中的状态向量微分项则转化为基于时间域ζ∈[ζ0,ζf]的形式：

步骤2：记第j段的向量采用的配点数目为Kj，将该段的状态向量xj(ζ)和控制向量uj(ζ)分别表示为：此时，X代表状态向量，U代表控制向量，而Xj(ζ)为基于时间域ζ∈[ζ0,ζf]下第j段的状态向量，Uj(ζ)为基于时间域ζ∈[ζ0,ζf]下第j段的状态向量，同时，Xj,m＝Xj(ζj,m)为状态向量在第j段初始时刻处的值(m＝0)或者在LG配置点处的值(m＝1,…,Kj)，Uj,m＝Uj(ζj,m)为控制向量在LG配点处的值，Zj,m(ζ)和 为拉格朗日插值多项式的基函数：其中，ζj,m(m＝1,…,Kj)为第j段的第m个配点，ζj,0为第j段的初始时刻，同时ζj,0＝ζ0＝‑

1，(j＝1,…,I+1)，式(3)两边同时对ζ求导可得：

其中，Xj,m为状态向量在第j段初始时刻处的值(m＝0)或者在LG配置点处的值(m＝

1,…,Kj)；

联立(3)和(7)可得：

其中， 为拉格朗日插值多项式的基函数的导数，Xj,m为状态向量在第j段初始时刻处的值(m＝0)或者在LG配置点处的值(m＝1,…,Kj)， 为拉格朗日插值多项式的基函数的导数在第j段初始时刻处的值(m＝0)，Xj,0为状态向量在第j段初始时刻处的值(m＝

0)， 为状态向量微分项

步骤3：将Kj个LG配点带入式(8)中，得到离散化的非线性等式方程组：其中， 是由状态微分矩阵Pj的首列所构成向量， 是由Pj其余的列

所构成方阵，即：

其中， 是离散化的nx维的状态向量在Kj个配点处的值，

是离散的控制参数；

步骤4：确定Xj,0的值；当j＝1时，X1,0＝x0为给定的初值；当1＜j＜I+1时，Xj,0通过以下公式进行计算：Xj,0＝Xj‑1(ζf),j＝2,…,I+1        (11)而Xj‑1(ζf)通过数值积分公式进行计算：

为状态向量的微分项，在这里进行积分以求得第j‑1段对应时间区间的状态向量Xj‑1(ζf)，aj‑1表示第j‑1段对应的时间区间。

4.根据权利要求3所述基于多阶段高斯伪谱法的癌症化疗智能监测与优化给药系统，其特征在于：包括调用GPOPS求解器对步骤4中得到的非线性规划问题进行求解，得到满足要求的抗癌药物控制量。