1.一种基于扩散进化算法的神经架构搜索方法，其特征在于，包括如下步骤：步骤1，构建超网，该超网包括 个子网，每个子网通过连续编码为每条连接边上的每个操作赋予权重，编码形式为M×N的矩阵，其中M表示超网内连接边的数量，N表示每条连接边上设置的N种候选操作；

步骤2，获取不同类别的图片构建成数据集，按比例划分为训练数据集和验证数据集；

步骤3，对超网权重和子网编码进行交替优化，直至满足约束条件时停止优化，得到最优子网编码，进而得到神经网络架构；其中利用训练数据集及其标签对超网权重进行训练优化，利用扩散进化算法对子网编码进行优化；

利用扩散进化算法对子网编码进行优化包括如下步骤：步骤301，从正态分布中采样初始化种群个体，种群表示为，其中，表示 维的单位矩阵， 表示编码维度，T表示总迭代次数， 表示种群中个体，每个个体包括子网编码和伸缩因子，每个个体的编码维度满足： ，t表示当前迭代次数，表示实数集，将第t时间步的第i个个体的编码方式表示为 ，Q表示转置，表示第t时间步第i个个体的第M条连接边的编码方式，表示第t时间步第i个个体的编码信息中，第N个位置对应第N种候选操作的取值， 表示第t时间步、第i个个体编码中对应第N种候选操作取值的下限， 表示第t时间步、第i个个体编码中对应第N种候选操作取值的上限； 表示第t时间步第i个个体的伸缩因子， 为0至1之间的随机数；

步骤302，利用反向去噪过程更新种群个体，更新公式为：，

式中， 表示余弦调度， 表示噪声方差， 表示噪声注入；

步骤303，使用验证数据集计算每个个体的适应度值，计算公式为：，

式中，B表示验证数据集中的批次数量， 表示第b个样本对应第c类别的真实标签，表示模型基于参数 对验证数据集中的第b个样本 预测为类别c的概率，C表示总类别数；

步骤304，比较第t时间步第i个个体和更新后个体的适应度值，较高者保存到下一代种群内，表示为：，

式中， 表示保存到下一代的个体，包括子网编码和伸缩因子， 表示第t时间步中第i个个体， 表示与当前遍历的个体 对应的经扩散演化算子处理得到的个体，表示个体  内的子网编码  的适应度值， 表示个体 内的子网编码  的适应度；

步骤305，通过概率表示函数将个体的适应度值转换为选择概率，利用选择概率引导种群个体的更新；

步骤306，更新当前迭代时间步  ，跳转至步骤302，直至达到最大迭代次数时停止迭代；

噪声注入的赋值规则为：

，

式中， 表示种群均值。

2.根据权利要求1所述的一种基于扩散进化算法的神经架构搜索方法，其特征在于，噪声注入比例的设置规则为：在早期阶段即 时，设置噪声注入比例大于等于 ；

在后期阶段即  时，设置噪声注入比例小于等于 。

3.根据权利要求2所述的一种基于扩散进化算法的神经架构搜索方法，其特征在于，概率表示函数类型包括均匀映射、核密度估计或高斯混合模型；

其中，均匀映射时的概率表示函数表示为：，

核密度估计时的概率表示函数表示为：

，

式中，h表示带宽， 表示种群中第j个个体， 表示欧几里得范数的平方；

高斯混合模型时的概率表示函数表示为：，

式中， 表示第  k 个高斯分量在混合模型中的权重， 表示协方差矩阵，参数， 表示属于第K组个体索引的集合， 表示该集合的元素个数。

4.根据权利要求3所述的一种基于扩散进化算法的神经架构搜索方法，其特征在于，步骤3中的约束条件表示为：服从约束 ，

式中，表示子网编码， 表示最高适应度的个体对应的子网编码， 表示超网权重，表示在给定权重系数 的情况下，超网经过训练后得到的最优权重， 表示验证数据集， 表示损失函数值最低时权重W的取值， 表示分类任务中最小化交叉熵损失函数， 表示训练数据集。

5.根据权利要求4所述的一种基于扩散进化算法的神经架构搜索方法，其特征在于，将编码矩阵记为 ，其中 表示连接边m上候选操作n的权重系数，公式为：，

式中， 表示连接边的编号， 表示候选操作的编号， 用于计算连接边m上候选操作n权重系数的基础变量；优化结束后，令 ，对得到的子网编码进行离散化处理，即每条连接边上仅保留优化后得到的编码数值最大者，离散化后的编码方式转换为0‑1编码，每条连接边上保留的操作对应的编码为1，其余为0，公式表示为：。