1.一种基于HGEFS算法的3D打印路径规划方法，其特征在于，包括如下步骤：S1、输入STL模型，通过模型切片和分层算法对输入的STL模型进行切片；

S2、利用凹多边型凸分解算法将步骤S1切片得到的二维切片面进行分区；

S3、对步骤S2分区后得到的子分区内进行最优打印角度选择；

S4、利用HGEFS算法求解填充之后的子分区的路径规划，包括子分区数、路径条数和空行程数量，具体包括如下步骤：S41、随机初始化特征，在遗传算法种群中选择特征构建数据集，其中，特征子集中的元素个数等于子分区数量，具体包括如下步骤：S411、随机初始化特征并选择特征作为数据集；

S412、将数据集中的数据经过归一化后分为测试数据集和训练数据集；

S413、将训练数据集中数据的作为训练特征子集进行训练，将测试数据集中的数据作为测试特征子集进行预测和集成；

S42、使用随机生成的新特征替换S41中构建的特征子集中的特征，使特征子集具备多样性并重复直至满足停止条件，得到多个候选特征子集，具体包括：S421、利用训练特征子集中的数据训练EM‑ELM网络获得适应度值，并对输入的路径特征使用二进制序列对特征子集进行编码，二进制序列的长度与特征子集中的特征维度相同：其中 为个体基因， ，是所有路径特征的数量；

S422、判断是否达到终止条件，若是，则进入步骤S43；若不是，则通过交叉、变异、选择的方式增加新特征，若增加的新特征与S41中的构建的数据集不同则添加进数据集中；若相同，则通过EI策略增加新特征并放入数据集中；

S43、基于适应度值选择一组候选特征子集，根据网络的输出权重范数选择更小的特征子集，其中，适应度值的计算方式为：其中，是验证集样本的数量，是隐藏节点的数量，是对应的路径特征子集，是所有路径特征的数量， 是需要的路径特征数量，是惩罚系数， 为期望输出矩阵，为ELM的激活函数的线性映射表示，其中 是连接第i个隐含层节点与输入层的连接权值，为ELM神经网络的输入矩阵， 是第i个隐含层节点的偏置，另外 表示取L2范数；

所述S43具体包括：

S431、根据适应度值对测试特征子集进行排序，并选择2M个测试特征子集，其中M为分类器数量；

S432、在S431中选择的2M个测试特征子集中，选择具有较小输出权重范数的M个子集构成集成模型，输出权重范数采用递归方式进行更新，具体表示为：其中， 是第 次迭代后的隐藏层输出矩阵； 是新加入隐藏层节点的输出矩阵，并且 ； 为输出权值矩阵， 为初始隐藏层节点矩阵， 为最大隐藏层节点矩阵， 为隐藏层输出矩阵的Moore‑Penrose广义逆， ，为训练目标矩阵，取矩阵的Moore‑Penrose广义逆；

S433、利用多数投票方式选择最优子集；

S44、利用EM‑ELM预测测试数据集完成路径规划，并通过多数投票规划计算输出路径规划结果；

S5、将路径规划转化为G‑code路径，输出至3D打印机打印。

2.根据权利要求1所述的基于HGEFS算法的3D打印路径规划方法，其特征在于，所述S1具体包括如下步骤：S11、读取STL模型；

S12、建立数据结构，将读取的STL模型离散成二维平面，确定二维平面的最小分层厚度Zmin、最大分层厚度Zmax以及每一层的层厚 ；

S13、令分层厚度Z=Zmin，判断Z≤Zmax是否成立，若不成立则结束分层算法流程，若成立则进入步骤S14；

S14、计算STL模型三角面片与切片面线的交线获取轮廓信息，令分层厚度并判断Z≤Zmax是否成立，若是则返回步骤S13，若不成立则结束分层算法流程。