1.基于GA‑PSO混合算法的生成对抗网络架构搜索方法，其特征在于，包括如下步骤：步骤1，构建生成对抗网络的超网架构，包括全连接层、上采样层、下采样层和多个卷积模块，多个卷积模块构成搜索空间，定义搜索空间的候选操作；

步骤2，以超网架构作为种群中的个体，采用NSGA‑II算法进行全局搜索，得到非支配层；

步骤3，通过非支配排序和拥挤度距离对种群进行分层筛选，得到精英子代；

步骤4，使用粒子群优化算法对前n0精英子代进行局部参数调整，其中 ；

步骤5，判断是否满足迭代终止条件，若不满足则跳转至步骤2；否则终止搜索，输出满足收敛条件的最优超网架构；

分别在CIFAR‑10和STL‑10两个基准数据集上进行训练和测试，其中，CIFAR‑10数据集由十类自然图像构成，STL‑10数据集由十类图像构成，通过生成对抗网络架构搜索方法，获取具有生成能力的最优超网架构，利用已知图像和该最优超网架构生成新的图像；

步骤2包括：

步骤201，随机生成由超网架构组成的初始种群P0，每个超网架构对应的个体编码为整数矩阵；

步骤202，每个超网架构通过预训练的Inception v3网络计算双目标指标：IS和FID，IS表示最大化图像质量，FID表示最小化与真实分布的差距；

步骤203，计算每个超网架构的目标函数值，计算公式为：，

，

，

式中，表示超网架构参数， 表示超网最优架构参数，

是一个多目标优化函数， 表示最小

化生成样本与真实样本的分布差异， 表示最大化生成样本的多样性与质量，是超网生成器的权重， 是最优超网生成器的权重， 表示对随机噪声变量z的期望计算，在生成器G(z) 的输入噪声分布上计算统计期望，即生成器通过噪声向量生成假样本的期望性能衡量， 是生成器的对抗损失； 表示超网鉴别器的权重， 是最优超网鉴别器的权重， 表示对真实数据样本x的期望计算，计算鉴别器D(x)对真实数据分布下样本的响应期望， 是鉴别器D对真实数据的判别损失，鉴别器D需最大化真实样本x被判定为真实的概率D(x)，生成器试图让生成样本 被鉴别器D判为真实的概率 趋近于0；

步骤204，通过精英保留策略筛选解，根据目标函数值筛选出前n1个体直接进入下一代，重组交叉子代和变异后的个体生成新种群，其中 ；

步骤205，通过非支配排序将新种群划分为不同的非支配层。

2.根据权利要求1所述的基于GA‑PSO混合算法的生成对抗网络架构搜索方法，其特征在于，在步骤205中，通过非支配排序将种群划分为不同的非支配层包括：若个体A的IS≥个体B的IS，且个体A的FID≤个体B的FID，则个体A支配个体B，未被任何个体支配的个体属于第1层，逐层移除被支配的个体，直到所有个体被分层，得到不同的非支配层。

3.根据权利要求2所述的基于GA‑PSO混合算法的生成对抗网络架构搜索方法，其特征在于，步骤3包括：根据筛选的预设数量，从第一非支配层选取个体，当第一非支配层数量不足时，由下一层非支配层补充，以此类推；当必须从同层非支配层选择个体时，优先选择拥挤度大的个体；将筛选出的个体作为精英子代。

4.根据权利要求3所述的基于GA‑PSO混合算法的生成对抗网络架构搜索方法，其特征在于，在计算拥挤度之前，将IS和FID值标准化到[0,1]区间，将目标空间设置成二维网格，取每个网络结构在IS和FID两个目标维度上相邻解的间隔距离之和，进行网络结构i的拥挤度计算，公式为：，

式中， 表示在目标 维度上、排序后个体 i 的下一个相邻个体的目标值， 表示在目标 k 维度上、排序后个体 i 的前一个相邻个体的目标值。

5.根据权利要求4所述的基于GA‑PSO混合算法的生成对抗网络架构搜索方法，其特征在于，步骤4包括：步骤401，将前n0精英子代作为初始粒子群，将对应的整数矩阵展平为向量，每个维度范围[0,6]，作为粒子的初始位置，速度向量设置为[‑1,1]区间的随机浮点数；

步骤402，计算适应度函数，其中融合FID和IS与边界约束；适应度函数为：，

式中， 表示边界约束惩罚项，表示权重系数，用于调节惩罚强度， 表示粒子k的维度参数；

步骤403，将惯性权重 从 线性递减至 ，计算当前迭代次数下的惯性权重，公式为：，

式中，t为当前迭代次数，Tmax为最大迭代次数， 为惯性权重初始值， 为惯性权重最终值；

步骤404，对速度进行更新，公式为：

，

式中， 为学习因子， r1、r2为[0,1]随机数， 为该粒子历史生成的最佳架构参数， 为当前全局最佳生成器架构参数， 延续粒子的原移动方向，w是惯性权重，是第 次迭代时粒子i的速度向量， 是第 次迭代时粒子i的位置向量，驱动粒子向自身最优解靠近， 引导粒子向群体最优解

聚集；

步骤405，速度更新后，获得浮点数位置 增量，根据架构参数卷积类型、通道数的枚举值为整数编码对浮点结果四舍五入取整，通过np.clip函数对架构参数的取值范围进行强制约束，将其限制在预定义的整数范围内，公式为：，

式中，取架构参数的卷积类型、通道数的枚举值， 分别表示最小、最大操作编码；

步骤406，对位置更新，公式为： ，并裁剪至

； 分别表示粒子位置参数的最小值、最大值， 是第t次迭代时粒子 的速度向量；

步骤407，达到最大迭代次数或解收敛时停止迭代，得到最优架构解；否则返回步骤

402。

6.实施权利要求1所述的基于GA‑PSO混合算法的生成对抗网络架构搜索方法的系统，其特征在于，包括：构建模块，用于构建生成对抗网络超网，细胞层级支持配置 卷积、 空洞卷积、跳跃连接候选操作，节点间连接拓扑最多允许3条输入边，并支持动态选择归一化层和激活函数；

训练模块，每次仅激活一条双线性上采样或 深度可分离卷积操作路径，并与固定结构的鉴别器进行对抗训练，采用无重复均匀采样策略，每条路径均需在相同对抗环境中公平迭代；

优化模块，基于遗传算法生成初始种群，通过交叉变异探索广域解空间；粒子群优化对遗传算法结果调优，采用动态惯性权重与梯度敏感度分析，突破局部最优；混合比例设置为n3 GA搜索与（1‑ n3）粒子群优化，其中65%