1.一种注塑工艺参数多目标优化方法，其特征在于，具体包括以下步骤：Step1、将翘曲变形量和体积收缩率作为质量优化目标，选取影响这两个目标的工艺参数作为优化设计变量，根据工艺参数推荐值确定工艺参数的取值范围，并将各工艺参数的取值范围作为试验设计空间设计CCF试验，并基于Moldflow进行注塑模拟仿真，得到质量优化目标试验结果；

Step2、基于仿真试验结果，使用NGO优化算法对XGBoost模型进行优化，构建NGO‑XGBoost注塑成型质量预测模型；

Step3、通过SHAP解释法对NGO‑XGBoost模型进行分析，获得每个优化设计变量对预测质量优化目标的重要性以及正负影响，并通过MOMVO进行多目标寻优获得质量优化目标的Pareto前沿；

Step4、通过CRITIC‑TOPSIS评价法在获得的质量优化目标的Pareto前沿中确定工艺参数优组合。

2.根据权利要求1所述的注塑工艺参数多目标优化方法，其特征在于，Step2中，XGBoost模型的目标函数obj定义如下：式中： 为损失函数，其中yi表示样本i的实际值， 表示样本i的预测值；Ω(fk)为正则化项，表示第k棵决策树的模型复杂度，其中fK表示第K棵决策树；

XGBoost模型的目标函数正则化项的定义如下：

式中：γ为节点切分的难度系数；T为当前子树的深度；λ为控制权重大小的正则化参数；ω为叶子节点的权重。

3.根据权利要求2所述的注塑工艺参数多目标优化方法，其特征在于，Step2中使用NGO优化算法对XGBoost模型进行优化时，将学习率、树的最大深度以及叶子节点最小权重和作为需要优化的超参数，设置NGO优化算法的超参数组合数初始化值以及最大迭代次数值，通过每次迭代过程中以数量为超参数组合数初始化值的超参数组合对XGBoost模型进行训练，最后根据模型性能指标计算相应超参数组合的适应度值，适应度值越低代表超参数组合越优秀。

4.根据权利要求3所述的注塑工艺参数多目标优化方法，其特征在于，Step3中通过SHAP解释法对NGO‑XGBoost模型进行分析，具体如下：①使用TreeExplainer作为SHAP解释器；

②通过提供NGO‑XGBoost模型的数据集样本，计算每个特征的SHAP值；

③采用SHAP可解释性工具的可视化功能，进行解释模型的预测逻辑并生成SHAP摘要图。

5.根据权利要求4所述的注塑工艺参数多目标优化方法，其特征在于，Step3中通过MOMVO进行多目标寻优获得质量优化目标的Pareto前沿，具体如下：①设定MOMVO参数，明确目标函数，并初始化相关变量与存档；

②在主循环中计算虫洞存在概率WEP、行进距离率TDR以及适应度值；

③根据适应度值对解进行排序，选择非支配解，更新解集并保存在档案中；

④检查当前解集的档案大小是否超出限定大小，若档案大小超出预定范围，进行修剪操作，移除超出部分解；

⑤利用轮盘赌方法从存档中选取解、并更新其位置；

⑥检查终止条件，若未达到最大迭代次数，则继续循环直至结束，得到Pareto前沿。

6.根据权利要求1所述的注塑工艺参数多目标优化方法，其特征在于，Step4中通过CRITIC‑TOPSIS评价法在获得的质量优化目标的Pareto前沿中确定工艺参数优组合时，首先通过CRITIC法为各评价指标分配权重，依据各目标之间的相关系数和标准差计算出翘曲变形量与体积收缩的权重；然后遵循TOPSIS法的步骤，依据所得权重计算各评价对象与理想化目标的接近程度，获得综合评价分数。