1.一维声学漫反射超表面优化排布方法，其特征在于，包括：L1.初始化超表面单元及对应单元排列，计算其声压分布并获取散射声压分布的标准差；

L2.采用MCMC退火优化实现单元排列方案的全局搜索，获取超表面单元的最优排列方案作为Q‑Learning的初始状态；

L3.利用Q‑Learning强化学习进一步优化排列，使最优单元排列方案的超表面散射更均匀，获取优化后的超表面排列；

L4.计算优化后超表面的散射声压，并绘制优化后声场分布极坐标图；

所述L3步骤的具体操作流程包括：

L31.设定Q值表 ，其初始化设置为零，学习率 ，折扣因子 ，探索率 ，以及Q‑Learning训练轮数MaxIter_Q；

L32.选择当前状态S_t，在每个迭代回合中，对于当前状态S_t下的每个单元，智能体使用ε‑贪心策略选择动作：以概率ε随机将指定单元的反射角从当前值更改为另一个候选角度；

以概率1 ε选择Q表中对应状态下具有最高Q值的动作；

L33.选定动作后，对排列中的相应单元进行调整，生成新的状态S_t+1以及对应最优排列S_best。

2.如权利要求1所述的一维声学漫反射超表面优化排布方法，其特征在于，所述L1步骤操作的具体操作流程包括：L11.设定 个超表面单元，且每个单元从K个预定义反射角 中选择；

L12.随机初始化超表面单元排列S0，并计算其声压分布，设定目标函数 作为散射声压分布的标准差，有：其中， 为每个角度的归一化声压级, 是所有角度声压的均值， 为表示散射角离散采样点数量，代表散射均匀性误差，其值越小表示散射越均匀。

3.如权利要求2所述的一维声学漫反射超表面优化排布方法，其特征在于，所述L2步骤的具体操作流程包括：L21.设定优化超参数，初始温度 ，退火系数 ，最大迭代次数MaxIter_MCMC；

L22.采用Metropolis‑Hastings算法，从1到 随机选择一个单元，在K个角度中随机选取修改其反射角，生成新的排列S_new；

L23.每次迭代后，通过运算 降低温度，并记录最优解；

L24.在整个迭代过程中，持续更新最优排列S_best，直至 趋近于0或达到最大迭代次数MaxIter_MCMC。

4.如权利要求3所述的一维声学漫反射超表面优化排布方法，其特征在于，所述L22步骤中生成新的排列S_new的具体操作流程包括：a1.计算目标函数变化量 ，有计算公式为：

其中 和 分别为变更前后的超表面散射声压方差；

a2.依据Metropolis准则决定是否接受S_new：若 ，即新的结构排布S_new使散射更均匀，则直接接受；若 ,则通过概率决定是否接受S_new，其中 为退火参数。

5.如权利要求1所述的一维声学漫反射超表面优化排布方法，其特征在于，所述L33步骤中S_best的生成具体操作流程包括：b1.计算获取当前排列S_t+1的散射均匀性 ，之后计算奖励 ，有计算公式为：其中， 为最优超表面散射声压；

若 ，则 为正，即新状态均匀性提高，鼓励优化；

b2.更新Q值：更新最优解S_best，若 ，则 ，使用以下公式继续迭代，有：

其中， 为一组状态动作对， 为状态‑动作对 的当前Q值； 为当前动作的即时奖励；为折扣因子，且 ，用于控制未来奖励的重要性，μ为学习率，用于决定Q值更新幅度； 表示在下一个状态 中，对所有可能动作 所对应的 Q 值取最大值； 表示在下一个状态 下的所有可能动作中的任意一个； 为目标值， 是时序差分误差，表示当前估计与“目标”之间的偏差；

选择最优动作后获得的最大Q值作为更新后的Q值；

b3.重复执行Q值更新操作，直到达到预定轮数或Q表变化小于预设值时，训练结束，系统输出最终优化后的超表面排列S_best。

6.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。