1.一种设计高强度高熵合金的方法，其特征在于，包括以下步骤：

S1.获取1个高熵合金样本的数据，所述高熵合金样本的数据包括第一信息～第五信息，其中所述第一信息为组成高熵合金样本的元素，第二信息为高熵合金样本中各元素的摩尔百分含量，第三信息为高熵合金样本中各元素的N物化性质个物化性质及其数值，第四信息为高熵合金样本的屈服强度值，第五信息为高熵合金样本的特征集合；

所述特征集合由不同的特征组合组成；所述特征组合由不同的合金特征组成；所述合金特征包括合金特征值和合金特征标签，所述合金特征标签由所述合金特征值对应的物化性质和公式组成；所述特征组合中的每个合金特征的合金特征标签组成该特征组合的组合标签；

获取所述特征集合的方法包括以下步骤：

S11.合金特征值的获取：

利用所述第一信息、第二信息和第三信息中的1个物化性质及其数值，分别根据公式(1)～(9)进行运算，共得到该物化性质对应的9个运算结果，1个运算结果记为1个合金特征值；

公式(1)：

公式(2)：

公式(3)：

公式(4)：MAX.X＝max(xi)；

公式(5)：MIN.X＝min(xi)；

公式(6)：Range.X＝max(xi)‑min(xi)；

公式(7)：

公式(8)：

公式(9)：

其中，X表示高熵合金样本中的n个元素i的物化性质均值；δX表示高熵合金样本中的n个元素i的物化性质的数值与其物化性质均值的差值；D.X表示高熵合金样本中的n个元素i的物化性质与其物化性质均值的差值；MAX.X表示高熵合金样本中的元素i的物化性质的数值的最大值；MIN.X表示高熵合金样本中的元素i的物化性质的数值的最小值；Range.X表示高熵合金样本中的元素i的物化性质的变化范围；MAXC.X表示高熵合金样本中的元素i的物化性质的数值的最大值与元素i的摩尔百分含量的乘积；MINC.X表示高熵合金样本中的元素i的物化性质的数值的最小值与元素i的摩尔百分含量的乘积；RangeC.X表示高熵合金样本的元素i的物化性质的波动范围；

n表示所述组成高熵合金样本的元素i的总个数；i和j分别表示高熵合金样本中的任意

2个元素；ci和cj分别表示i和j的摩尔百分含量；xi和xj分别表示i和j的物化性质的数值；

max

max(xi)和min(xi)分别表示高熵合金样本中元素i的物化性质的最大值和最小值；ci 和minci 分别表示max(xi)和min(xi)的对应元素i的摩尔百分含量；

重复本步骤的方法得到N物化性质个物化性质的9×N物化性质个合金特征值和9×N物化性质个合金特征标签，共得到9×N物化性质个合金特征；

S12.从9×N物化性质个合金特征中，随机抽取M个合金特征组成1个特征组合；

S13.重复步骤S12直至取完M个合金特征的所有排列组合形式，每次抽取的合金特征的数量相同；所得 个特征组合构成特征集合；

S2.重复步骤S1，得到若干个高熵合金样本的数据；

从所得的所有高熵合金数据样本的数据中，随机抽取若干个高熵合金样本的数据作为训练数据，其余高熵合金样本的数据作为搜索数据，记为1次随机划分，所得到的训练数据和搜索数据组成1个训练数据‑搜索数据组合；

重复N随机划分次随机划分，共得到N随机划分个不同的训练数据‑搜索数据组合；

S3.根据步骤S2所得的N随机划分个不同的训练数据‑搜索数据组合，获得高研发效率特征组合，包括以下步骤：S31.随机取出1个训练数据‑搜索数据组合，以其中的训练数据作为第一训练集，以其中的搜索数据作为第一测试集；

从所述第一训练集中的每个高熵合金样本的数据获取1个特征组合，各特征组合的组合标签相同；以得到的特征组合中的合金特征值作为输入值，以高熵合金样本的屈服强度值作为输出值，对克里金模型进行训练，得到组合标签与屈服强度值的回归模型，记为第一回归模型；

S32.针对所述第一测试集中的每一个高熵合金样本的数据获取一个特征组合，各特征组合的组合标签相同，且与步骤S31中所述的组合标签相同；

以得到的特征组合中的合金特征值作为输入数据，输入S31中所得的第一回归模型，得到第一测试集中各高熵合金样本针对该组合标签的输出值，包括各高熵合金样本的屈服强度值均值和屈服强度值方差；

步骤S2所得所有高熵合金样本的屈服强度值的最大值记为μ*，利用μ*以及第一测试集中各高熵合金样本的屈服强度值均值和屈服强度值方差，根据公式(10)计算得到第一测试集中各高熵合金样本的强度期望提升值，公式(10)：

其中，EI表示第一测试集中的高熵合金样本的强度期望提升值；μ表示第一测试集中的高熵合金样本的屈服强度值均值；μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值；σ表示第一测试集中的高熵合金样本的屈服强度值方差；表示概率密度函数，Φ表示概率分布函数；

S33.在所述第一测试集中，强度期望提升值最大的高熵合金样本的屈服强度值不为μ*，则将强度期望提升值最大的高熵合金样本的数据转移至第一训练集中，得到新的第一训练集和新的第一测试集；

利用新的第一训练集，按照步骤S31重新训练得到新的第一回归模型，并按照步骤S32得到新的强度期望提升值；直至第一测试集中强度期望提升值最大的高熵合金样本的屈服强度值为μ*；统计训练得到第一回归模型的次数，作为该组合标签的循环迭代次数；

S34.针对该训练数据‑搜索数据组合中的每个组合标签对应的特征组合，重复步骤S31～S33，直至获得全部组合标签对应循环迭代次数，根据公式(11)计算得到各组合标签在该训练数据‑搜索数据组合中的研发效率，公式(11)：ηi＝1‑Ti/Zi；

其中，i表示第i个组合标签；η表示组合标签的研发效率；T表示组合标签在该训练数据‑搜索数据组合中的循环迭代次数；Z为该训练数据‑搜索数据组合中初始的搜索数据中的高熵合金样本的总个数；

S35.重复执行步骤S31～S34，直至得到 个组合标签在步骤S2所得的N随机划分个训练数据‑搜索数据组合中的研发效率；

S36.针对每个训练数据‑搜索数据组合，将所有组合标签按照研发效率的大小进行排序，删除研发效率小于阈值的组合标签，保留研发效率在阈值以上的组合标签；所述阈值记为η0，η0∈[75％，95％]；

S37.统计步骤S2所得所有训练数据‑搜索数据组合中，被保留的组合标签的出现次数，根据公式(12)～(14)计算得到各特征组合的高强高熵合金研发效用，公式(12)：

公式(13)：Pi＝Li/N随机划分；

公式(14)：

k

其中，i表示第i个组合标签；ηi 表示组合标签在第k个训练数据‑搜索数据组合中的研发效率； 表示组合标签的平均研发效率；Li表示组合标签的出现次数；Pi表示组合标签在N随机划分个训练数据‑搜索数据组合中的出现频率；Ui表示组合标签对应的高强高熵合金研发效用；

所得高强高熵合金研发效用最大的组合标签，即为高研发效率标签；

S4.以步骤S1所得的所有高熵合金数据样本的数据作为第二训练集；针对每个高熵合金样本的数据，获取1个特征组合，该特征组合的组合标签与步骤S3所得高研发效率标签相同；

将所得各合金样本的特征组合的合金特征值作为输入值，以各合金样本的高熵合金样本的屈服强度值作为输出值，训练克里金模型，得到第二回归模型；

S5.构建得到广域合金空间，包括如下步骤：

S51.从N候选个不同的元素中，随机抽取一部分元素作为M候选个候选成分，得到1个候选成分组合，重复抽取，直至抽完候选合金的所有排列组合形式，得到 个候选成分组合，对每个候选成分组合中的各候选成分的摩尔百分含量进行随机赋值一次，即得到1个候选合金；重复随机赋值，得到不同的候选合金；

S52.获取步骤S51所得每一个候选合金的数据，所述候选合金的数据包括第六信息～第九信息，其中所述第六信息为组成候选合金的元素，第七信息为候选合金中各元素的摩尔百分含量，第八信息为候选合金中各元素的N物化性质个物化性质及其数值，第九信息为候选合金的特征值；

其中，获取所述候选合金的特征值的方法包括以下步骤：

利用第六信息和第七信息，以及第八信息中的物化性质及其数值，根据步骤S3所得高研发效率标签中的物化性质及对应公式，得到的计算结果，记为该候选合金的特征值；

S6.以广域合金空间作为第二测试集；针对所述第二测试集中的每个候选合金的数据，将各候选合金的特征值输入第二回归模型，得到各候选合金针对高研发效率标签的输出值，包括各候选合金的屈服强度值均值和屈服强度值方差；

S7.针对广域合金空间中的每个候选合金，利用μ*以及步骤S6所得各候选合金的屈服强度值均值和屈服强度值方差，根据公式(10)进行计算，得到各候选合金的强度期望提升值，公式(10)：

其中，EI表示候选合金的强度期望提升值；μ表示候选合金的屈服强度值均值，μ*表示步骤S2所得所有高熵合金样本的屈服强度值的最大值，σ表示候选合金的屈服强度值方差；

表示概率密度函数，Φ表示概率分布函数；

所得强度期望提升值最大的候选合金即为设计得到的高强度高熵合金。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述组成高熵合金样本的元素包括铝、钴、铬、铜、铁、镍、锰、硅、钒、钛、铌、锆、铪、钽、钼和/或钨。

3.根据权利要求1所述的方法，其特征在于，步骤S1中，所述物化性质包括密度、熔点、沸点、结合能、内聚能、功函数、Pauling电负性、Allen电负性、价电子浓度、核外自由电子浓度、剪切模量、弹性模量、体积模量、第一电离能、第二电离能、第三电离能、原子配位数、原子化焓、蒸发焓、熔化焓、化学势、原子体积、原子半径、价电子距离、核心电子距离、原子序数、元素周期数、元素族数、相对原子质量和/或有效核电荷数。

4.根据权利要求1所述的方法，其特征在于，步骤S1中，所述高熵合金样本的屈服强度值包括高熵合金样本的室温屈服强度值。

5.根据权利要求1所述的方法，其特征在于，步骤S1中，获取所述高熵合金样本的特征集合的方法中，从N物化性质个合金特征中，随机抽取2～4个合金特征组成1个特征组合。

6.根据权利要求1所述的方法，其特征在于，步骤S2中，随机按比例抽取高熵合金样本的数据作为训练数据；所述比例为90％、80％、70％、60％、50％、40％、30％、20％和10％中的任意一种。

7.根据权利要求1所述的方法，其特征在于，步骤S51中，从铝、钴、铬、铜、铁、镍、锰、硅、钒、钛、铌、锆、铪、钽、钼和钨中，随机抽取5个～6个元素组成1个候选成分组合。

8.根据权利要求1所述的方法，其特征在于，步骤S51中，所述候选成分组合中各元素的摩尔百分含量的赋值范围为8％～32％。

9.权利要求1～8任一所述方法在制备高强度高熵合金中的应用。

10.一种设计高强度高熵合金的系统，其特征在于，包括获取模块、存储模块和处理模块，所述获取模块用于获取高熵合金样本的数据；所述存储模块存储有可被所述处理模块执行的程序指令；所述处理模块用于执行所述程序指令以实现权利要求1～8任一所述的方法设计得到高强度高熵合金。