1.一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于，获取策略包括以下步骤：S1、对于三段式充电的三个充电阶段，分别建立电压集合和容量集合，其中三个充电阶段为恒流充电阶段、恒压充电阶段和涓流充电阶段；

S2、建立包含观察蜂、侦察蜂和采蜜蜂的充电蜂群系统，通过充电蜂群系统，迭代搜索各个充电阶段的最优蜜源信息，即为充电电压和电池容量混合变化率的最优解；

S3、建立包含竞争层、神经元聚集层、动态调整层和传递层的GSOM动态拓扑模型；

S4、依据GSOM动态拓扑模型，初始化充电蜂群系统中的蜜蜂个体，形成初始种群，在充电蜂群系统的迭代搜索过程中，通过GSOM动态拓扑模型动态调整蜜蜂个体的位置和行为，当某个蜜蜂个体无法有效搜索最优蜜源信息时，调整其搜索策略，增加搜索范围，最终获取各个充电阶段的最优蜜源信息，以此建立起快速充电控制系统，实现快速充电控制策略。

2.根据权利要求1所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：所述的S1中，针对恒流充电阶段、恒压充电阶段和涓流充电阶段的充电电压变化和电池已充容量变化，分别建立电压集合和容量集合：恒流充电阶段的电压集合vin1和容量集合cin1分别表示为：；

恒压充电阶段的电压集合vin2和容量集合cin2分别表示为：；

涓流充电阶段的电压集合vin3和容量集合cin3分别表示为：；

其中，n、p、q分别是恒流充电阶段、恒压充电阶段、涓流充电阶段所采集数据的个数。

3.根据权利要求2所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：所述的S2中，对应三个充电阶段，分别设定三个蜜源搜索方向，分别为NS1、NS2和NS3，迭代搜索过程中，在三个充电阶段，初始搜索获取的蜜源信息被记录为短时最优蜜源信息，后续搜索过程中，若新获取的短时最优蜜源信息优于之前的短时最优蜜源信息，则用新生成的短时最优蜜源信息代替之前的短时最优蜜源信息，将三个充电阶段当前最优的短时最优蜜源信息分别记录为Nectar1、Nectar2和Nectar3；

充电蜂群系统的最优解的解空间维度为6，对应三个充电阶段，该解空间维度Space表示为：；

充电电压和电池容量混合变化率的最优解即为恒流充电阶段、恒压充电阶段、涓流充电阶段的充电电压和电池容量的最优的混合变化率，分别记为Mix1、Mix2和Mix3，则此时的解空间维度变为3。

4.根据权利要求3所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：迭代搜索过程中，观察蜂寻找新的蜜源信息的搜索公式如下：；

式中， 为观察蜂新生成的蜜源信息；B1为观察蜂之前的蜜源信息；rd为定义在区间[‑

1,1]之间的搜素随机数；α和β为搜索蜜源信息过程中的控制调节参数，用于调节蜜源搜索方向；

搜索过程中，观察蜂选择蜜源信息的概率表示为：

；

式中，fa为第a个蜜源信息的适应度函数；n为蜜源的个数；vxy和cxy分别表示下标为xy的电压和容量数据，1≤x≤3，1≤y≤max(n,p,q)，x和y均为整数；

侦察蜂在搜索过程中的搜索公式为：

；

式中， 为侦察蜂新生成的蜜源信息；B2为侦察蜂之前的蜜源信息； 和 分别为三个充电阶段的最优蜜源信息的解空间第dim维的上界和下界，1≤dim≤3，且dim为整数；

侦察蜂选择蜜源信息的概率表示为：

；

式中，ga为侦察蜂在搜集蜜源信息中的适应度函数；

采蜜蜂在采蜜过程中，选择蜜源信息的概率P3表示为：；

；

式中， 为采蜜蜂选择的蜜源信息； 为采蜜蜂在采蜜过程中控制权重的参数；ha为采蜜蜂在采蜜过程中的适应度函数。

5.根据权利要求4所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：对于三个蜜源搜索方向NS1、NS2和NS3，其满足：；

式中，NS代表NS1、NS2和NS3，dnectar为综合短时最优蜜源信息；w1、w2和w3分别为三个充电阶段的短时最优蜜源的权重系数，其中w1+w2+w3=1。

6.根据权利要求4所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：所述的S3中，竞争层包括一层神经元和二层神经元，对应电压集合和容量集合中的数据，将一层神经元和二层神经元定义为电压神经元和容量神经元，竞争层中的每一个神经元相当于一个根节点；神经元聚集层为每个充电阶段的短时最优蜜源信息；动态调整层对神经元聚集层进行动态调整；传递层将神经元聚集层中的最优蜜源信息传递给各个蜜蜂个体。

7.根据权利要求5所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：竞争层中，神经元之间的权重关系D表示为：；

式中，vxy‑dim是第dim维的下标为xy的电压神经元；cxy‑dim是第dim维的下标为xy的容量神经元； 是vxy‑dim位置周围相邻的任一个神经元； 是cxy‑dim位置周围相邻的任一个神经元。

8.根据权利要求6所述的一种基于GSOM改进人工蜂群的快速充电控制策略，其特征在于：所述的S4中，基于GSOM动态拓扑模型最终获取各个充电阶段的最优蜜源信息是过程为：S41、将GSOM动态拓扑模型的初始拓扑半径定义为 ，其中it=0代表迭代次数为0，随着迭代次数的增加，拓扑半径的变化方式为：；

式中，b为迭代次数， 即为迭代次数为b时的拓扑半径；itmax为最大迭代次数；

S42、通过GSOM动态拓扑模型初始化充电蜂群系统的蜜蜂个体，蜜蜂个体与vxy和cxy一一对应，形成初始种群Bees，具体过程为，充电蜂群系统的蜜蜂个体等效为每一个电压神经元和容量神经元，将各个充电阶段的电压神经元和容量神经元作为GSOM动态拓扑模型的输入向量，分别记为恒流充电阶段电压输入向量VIN1、恒压充电阶段电压输入向量VIN2和涓流充电阶段电压输入向量VIN3，以及恒流充电阶段容量输入向量CIN1、恒压充电阶段容量输入向量CIN2和涓流充电阶段容量输入向量CIN3，表示为：；

；

；

S43、在充电蜂群系统的迭代搜索过程中，动态调整蜜蜂个体的位置和行为，表示为：；

式中， 和 分别是vxy对应的蜜蜂个体的新位置和旧位置； 和 分别是cxy对应的蜜蜂个体的新位置和旧位置；Mixx为第x个充电阶段最优的混合变化率；

和 分别为第x个充电阶段新蜜蜂个体和旧蜜蜂个体的适应值；

S44、当某个蜜蜂个体无法有效搜索最优蜜源信息时，调整其搜索策略，增加搜索范围，进行动态调整搜索，对于恒流充电阶段电压输入向量VIN1的动态调整搜索，表示为：；

式中， 表示不断迭代更新α、β和 ，从而不断改变观察蜂、侦察蜂和采蜜蜂寻找新蜜源信息的搜索方式；

对于恒压充电阶段电压输入向量VIN2和涓流充电阶段电压输入向量VIN3，以及恒流充电阶段容量输入向量CIN1、恒压充电阶段容量输入向量CIN2和涓流充电阶段容量输入向量CIN3的动态调整搜索，以此类推。