1.基于数据驱动的高强高韧难熔高熵合金的制备方法，其特征是：具体包括以下步骤：S1：收集难熔高熵合金样本，通过数据预处理后建立难熔高熵合金数据集；

S2：通过难熔高熵合金数据集，分别针对合金各目标性能训练多个机器学习模型，评估模型泛化预测性能，依次筛选确定适合于合金各性能预测的多个基础模型，构成基础模型集；

S3：确定难熔高熵合金优化设计的成分空间；

S4：设置待优化合金各目标性能的高值阈值，利用S2中得到的基础模型分别预测成分空间内合金的各目标性能，基于阈值设定进行合金成分的初步筛选，分别得到模型预测值高于各目标性能阈值的合金集合，然后合并合金集合得到优化难熔高熵合金集；

S5：利用难熔高熵合金初始数据集训练高斯回归模型；对S4所得的优化合金成分集内的候选合金进行各目标性能的预测，获得各性能预测值的分布；确定初始数据集合金性能帕累托前沿面上的合金，计算候选合金预测性能均值点与帕累托前沿面上所有合金性能点Y1、Y2的欧式距离，得到距离最小值L；然后计算出优化合金成分集内各合金的多目标性能期望提升值MOEI；

S6：根据MOEI值高低对优化合金成分集内的候选合金进行排序，筛选确定MOEI最高的难熔高熵合金成分，即为实验选择合金；

S7：制备对应MOEI值最高的难熔高熵合金；

S8：对制备获得的难熔高熵合金进行目标性能的表征测试，获得多目标性能协同优化的目标合金材料；

S2中训练多个机器学习模型，评估模型泛化预测性能具体方法为：利用高温强度数据集和室温韧性数据集，训练包含线性模型、树基模型、核基模型、网络基模型的不同机制基础的共十种机器学习算法，十种机器学习算法包括，线性回归、弹性网络回归、线性核支持向量机、核岭回归、径向基核支持向量机、高斯回归、随机森林、梯度提升树、k近邻和神经网络；

S3中成分空间包括Ti、V、Zr、Cr、Nb、Mo、Hf、Ta八种元素，限定合金包含元素4‑5种，每种元素的摩尔含量小于等于35％，大于等于5％，含量变化步长为1％；

S4中高值阈值包括高温强度阈值和室温韧性阈值，高温强度阈值的取值范围是600‑

1000MPa，室温韧性阈值的取值范围是15％‑40％；

S5中计算公式为

其中，PI

表示候选合金各性能提升的联合概率，y1和y2分别为候选合金性能1和2的机器学习预测均值，Y1和Y2分别为初始数据集性能帕累托前沿面上合金性能1和2的值。

2.根据权利要求1所述的基于数据驱动的高强高韧难熔高熵合金的制备方法，其特征是：S7中采用真空电弧炉熔炼方法制备难熔高熵合金，具体方法是：S7‑1：选用纯度高于99.9％的多种金属粒料为合金制备原料，打磨金属原料去除表面氧化皮，超声清洗后放入烘干箱烘干；

S7‑2：按照筛选合金成分，根据其组元摩尔含量分别计算所需各纯金属的质量，以此对步骤S7‑1中烘干后的金属原料进行称重，备用；

S7‑3：采用真空电弧炉熔炼合金，将金属原料按熔点由低至高依次放入炉内熔炼槽中，对样品室抽真空，通入高纯氩气保护；

S7‑4：开通电弧炉焊机电源，引弧后熔化预置于炉膛中的海绵钛进行炉内脱氧1‑2分钟；

S7‑5：反复熔炼合金6‑8次，熔炼时进行搅拌，每次熔炼完翻转合金。