1.一种放大器设计参数多目标优化方法，其特征在于，包括以下步骤：

S1、构建外部种群和尺寸优化数据库，定义放大器尺寸优化问题的目标函数，根据目标函数生成N个权向量，并基于权向量生成初始种群；所述目标函数为放大器电路的性能指标，所述性能指标包括增益和相位裕度、或为增益、共模抑制比和电源抑制比；

S2、计算初始种群的个体的目标值，并根据个体和目标值构建LGBM代理模型，定义LGBM代理模型的预测误差阈值 ；所述计算初始种群的个体的目标值采用电路仿真器Spectre计算；

S3、对权向量构建邻居集合，从邻居集合中随机选择两个权向量，将所述两个权向量对应的个体作为父代个体生成新个体；

S4、通过LGBM代理模型预测新个体的目标值，并计算预测误差 ，若预测误差 小于预测误差阈值 ，则采用LGBM代理模型预测新个体的目标值，否则通过电路仿真器Spectre计算得到新个体的目标值；

S5、基于目标值结合聚合函数，计算个体的聚合函数值，根据聚合函数值更新当前迭代轮次下的种群和外部种群，并将新个体和新个体的目标值存入尺寸优化数据库；

S6、设置迭代次数最大值，当迭代次数未达最大值时，循环执行S3‑S5，在迭代中更新LGBM代理模型和权向量；当迭代次数达到最大值时，算法结束，输出满足电路性能要求的外部种群；

其中，所述方法用于二级运算放大器、折叠共源共栅运算放大器模拟电路的尺寸优化，用于减少电路仿真次数并提高放大器电路设计效率；

所述外部种群在迭代开始时为空数组，存储上限设为 ，在迭代中存入非支配个体；

所述尺寸优化数据库在迭代开始时为空数据库，在迭代中将新个体和新个体的目标值作为一条数据存入，并添加数据标签，所述数据标签包括数据存入时的迭代轮次、数据累计用于训练LGBM代理模型的次数及目标值是否通过LGBM代理模型预测得到；所述生成N个权向量采用Das and Dennis's方法，所述生成初始种群采用拉丁超立方采样方法，所述初始种群包括N个个体，每个个体与一个权向量对应；

所述将新个体和新个体的目标值存入尺寸优化数据库还包括从尺寸优化数据库中，根据数据标签，采用最大最小填充原则选择τ条目标值通过LGBM代理模型预测得到的数据，采用电路仿真器Spectre计算个体的目标值，将计算得到的目标值替换掉尺寸优化数据库中存储的LGBM代理模型预测的目标值。

2.根据权利要求1所述的放大器设计参数多目标优化方法，其特征在于，所述构建邻居集合包括：计算所有权向量之间的欧氏距离，对每个权向量选择距离最近的k个权向量构建邻居集合；

所述生成新个体包括对父代个体进行均匀交叉和高斯变异。

3.根据权利要求2所述的放大器设计参数多目标优化方法，其特征在于，所述基于目标值结合聚合函数，计算个体的聚合函数值，根据聚合函数值更新当前迭代轮次下的种群和外部种群包括：基于新个体的目标值和邻居集合的k个权向量对应的个体的目标值，按照预先定义的聚合函数计算，得到新个体的聚合函数值和邻居集合的k个权向量对应的个体的聚合函数值；

所述聚合函数公式表示如下：

式中，为个体，为目标函数的数量， 为第j个目标函数， 为第j个目标函数的参考点，为第j个目标函数的权向量， 为第j个目标函数的权重；

比较新个体的聚合函数值与邻居集合的k个权向量对应的个体的聚合函数值，若新个体的聚合函数值小于邻居集合的k个权向量对应的个体的聚合函数值，则用新个体替换邻居集合的k个权向量对应的个体中聚合函数值大于新个体聚合函数值的个体，得到更新后的种群；

若外部种群未达到存储上限 ，则直接将新个体添加到外部种群，否则，比较新个体目标值与外部种群中所有个体目标值的支配关系，若新个体目标值支配等级高，则使用新个体替换掉外部种群中支配等级最低的个体，得到更新后的外部种群。

4.根据权利要求3所述的放大器设计参数多目标优化方法，其特征在于，所述在迭代中更新LGBM代理模型和权向量包括：每次迭代时，收集上一迭代轮次的种群的所有个体及目标值，形成临时数据集A1，对临时数据集A1进行去重处理，得到精简数据集 ；

基于尺寸优化数据库中的数据标签，结合预先定义的数据选择公式，从尺寸优化数据库中筛选数据，作为额外样本集；所述预先定义的数据选择公式具体表示如下：式中， 为数据选中的概率， 为数据存入时的迭代轮次， 为数据

累计用于训练LGBM代理模型的次数；

将精简数据集 和额外样本集合并得到模型更新数据集，并将模型更新数据集划分为训练集、验证集和测试集；

使用训练集对LGBM代理模型进行增量训练，使用验证集调整LGBM模型超参数，并在测试集上评估LGBM代理模型性能；

所述最大最小填充原则包括：将尺寸优化数据库中目标值通过LGBM代理模型预测得到的数据中的个体作为候选个体 ，将目标值不通过LGBM代理模型预测得到的数据中的个体作为已采样个体 ，计算每个候选个体 与已采样个体 之间的距离 ，并确定 与所有 的最小距离 ；在所有候选个体 中，依据选择下一采样个体，式中， 为下一采样个体，C为

候选个体集合；

当已迭代次数＜迭代次数最大值的40%时，不对权向量进行更新；

当迭代次数最大值的40%≤已迭代次数＜迭代次数最大值的70%时，在每一轮迭代轮次更新种群后，对更新后的种群的个体的目标值进行最大‑最小归一化处理，得到最大‑最小归一化处理后的个体的目标值；基于最大‑最小归一化处理后的个体的目标值，计算多样性指标 ，若 ，其中， 、 、分别表示当前迭代、当前迭代的上一代以及当前迭代的上两代的多样性指标， 为一个常数，则对更新后的种群个体聚类为T类，计算每一类的密度并按降序排序，得到T类的密度降序排序；按照预先定义的数量计算公式，计算需要调整的权向量数量num，结合T类的密度降序排序，在T类中删除num个权向量，并新增num个权向量；

当最大迭代次数的70%＜迭代次数≤最大迭代次数时，计算收敛性指标 ，若，其中， 、 、 分别表示当前迭代、当前迭代的上一代以及当前迭代的上两代的收敛性指标， 为一个常数，则对更新后的种群个体聚类为T类，计算每一类的密度并按升序排序，得到T类的密度升序排序；按照预先定义的数量计算公式，计算需要调整的权向量数量num，结合T类的密度升序排序，在T类中删除num个权向量，并新增num个权向量；

所述预先定义的数量计算公式具体表示如下：

式中， 为当前迭代次数， 为更新后的种群的个体数量。

5.根据权利要求4所述的放大器设计参数多目标优化方法，其特征在于，所述对更新后的种群个体聚类采用基于角度的向量聚类方法，包括：通过初始化 个均匀分布的2维向量 划分 个类，计算方法为：

其中t=1,2，…, ；

创建循环，随机从放大器尺寸优化问题的目标函数中选择两个目标函数，对于每个二维向量 ，依据 从更新后的种群中挑选出一个个体分配至第t个类中,直至更新后的种群的所有个体完成聚类，循环结束。

6.根据权利要求5所述的放大器设计参数多目标优化方法，其特征在于，所述在T类中删除num个权向量，并新增num个权向量包括：当迭代次数最大值的40%≤已迭代次数＜迭代次数最大值的70%时，按T类的降序排序，记为 , ,..., ,对 新增权向量，若 只有一个个体 ，则寻找与个体 最近的num个个体 ，k=1,2,...,num；以 和 对应的权向量的质心作为新权向量插入;若包含多个个体，则随机选择两个个体，以两个个体对应的权向量的质心作为新权向量插入，直至插入num个权向量；对 删除权向量，若 的个体数量e≥num，则从中随机选择num个个体，删除num个个体对应的权向量；若 的个体数量e＜num，则删除e个个体对应的权向量，更新num=num‑e，继续遍历下一类，直至删除num个权向量；

当最大迭代次数的70%＜迭代次数≤最大迭代次数时，按T类的升序排序，记为 ,,..., ,对 新增权向量，从 中随机选择两个个体，以两个个体对应的权向量的质心作为新权向量插入，直至插入num个权向量；对 删除权向量，若的个体数量e≥num，则从 中随机选择num个个体，删除num个个体对应的权向量；若 的个体数量e＜num，则删除e个个体对应的权向量，更新num=num‑e，继续遍历下一类，直至删除num个权向量。