1.基于遗传算法的石英坩埚材料配比优化方法，其特征在于，包括以下步骤：步骤1：收集不同石英砂和铝石英砂配比下的坩埚强度和耐高温性能数据，每一组数据包括配比数据和性能数据，配比数据为石英砂和铝石英砂比例，性能数据为对应比例下的坩埚强度和耐高温性能数据；

步骤2：基于收集的数据进行数据清洗和数据标准化，再将标准化后的数据划分为训练集和测试集；

步骤3：采用回归模型分别建立不同石英砂和铝石英砂配比下的坩埚强度回归模型和耐高温性能回归模型；

步骤4：采用训练集数据对建立的坩埚强度回归模型和耐高温性能回归模型进行训练，采用测试集评估训练后的模型的预测精度，若精度符合要求，则输出训练好的坩埚强度回归模型和耐高温性能回归模型，若精度不符合要求则继续训练模型，直至精度符合要求为止；

步骤5：将训练好的坩埚强度回归模型和耐高温性能回归模型作为遗传算法的适应度函数，基于遗传算法迭代求解最优的配比。

2.根据权利要求1所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，所述步骤3中提到的坩埚强度回归模型和耐高温性能回归模型如下：坩埚强度回归模型：

式中：x1和x2分别表示石英砂和铝石英砂的比例，满足x1+x2＝1；β0为坩埚强度回归模型的偏置项，β1和β2分别表示石英砂和铝石英砂对坩埚强度的线性影响；β3和β4表示二次项系数，表示配比的平方项对坩埚强度的非线性影响；β5表示交互项系数，表示石英砂和铝石英砂之间的相互作用；

耐高温性能回归模型：

式中：γ0，γ1，...，γ5表示耐高温性能回归模型的系数；γ0表示耐高温性能回归模型的偏置项；γ1和γ2分别表示石英砂和铝石英砂对耐高温性能的线性影响；γ3和γ4表示二次项系数，为匹配的平方项对耐高温性能的非线性影响；γ5表示耐高温性能回归模型的交互项系数，为石英砂和铝石英砂之间的相互作用；

所述坩埚强度回归模型和耐高温性能回归模型分别建立有目标函数，并采用Adam优化器对模型参数进行优化。

3.根据权利要求2所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，所述坩埚强度回归模型的目标函数如下：式中：表示模型第i次预测的坩埚强度；表示第i个样本的石英砂配比；表示第i个样本的铝石英砂配比；表示第i个样本所对应的真实坩埚强度；N表示样本数量；LS表示关于坩埚强度的优化目标函数；

所述耐高温性能回归模型的目标函数如下：

式中：LT表示关于坩埚耐高温性能的目标函数；表示模型第i次预测的坩埚耐高温性能；表示第i个样本所对应的真实坩埚耐高温性能。

4.根据权利要求3所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，采用所述Adam优化器对模型参数进行优化的具体步骤如下：一阶矩估计和二阶矩估计：

mt＝α1mt-1+(1-α1)gt；

式中：gt表示当前时刻t的梯度；mt-1表示上一时刻的动量，即一阶矩估计；vt-1表示上一时刻的二阶矩估计；α1和α2表示超参数；

偏差修正：

式中：表示修正后的动量估计；表示修正后的二阶矩估计；

更新参数：采用修正后的和来更新每个参数θt：

式中：θt+1表示更新后的模型参数；θt表示更新前的模型参数；η表示学习率；∈表示一个防止分母为零的常数；

其中学习率η每隔预定的epoch，进行更新：

ηt+1＝ηt×γ；

式中：γ为衰减因子；ηt+1表示更新后的学习率；ηt表示更新前的学习率。

5.根据权利要求1所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，所述遗传算法的适应度函数以及约束条件如下：适应度函数：

F(x1，x2)＝w1·S(x1，x2)+w2·T(x1，x2)；

式中：S(x1，x2)表示坩埚强度回归模型的输出；T(x1，x2)表示耐高温性能回归模型的输出；w1表示强度的权重系数；w2表示耐高温性能的权重系数；其中w1+w2＝1；

约束条件：

石英砂和铝石英砂的比例约束：

x1+x2＝1；

0

坩埚强度约束：

S(x1，x2)≥min_strength；

式中：min_strength表示预设的坩埚最低强度要求；

坩埚耐高温性能约束：

T(x1，x2)≥min_temperature；

式中：min_temperature表示预设的坩埚最低高温性能约束。

6.根据权利要求5所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，基于遗传算法迭代求解最优的配比的具体步骤如下：初始化种群：设种群规模为N，表示具备N个个体，随机生成每个个体的配比x1和x2，其中随机生成的每个个体的配比满足石英砂和铝石英砂的比例约束；

选择操作：根据适应度函数计算每个个体的适应度F(x1，x2)，按照适应度计算选择概率，再通过随机选择操作根据计算出的概率选择个体，其中概率计算如下：式中：Fpenalized，i表示个体i的惩罚后的适应度；N表示种群大小；Pi表示个体i被选择的概率；

交叉操作：采用单点交叉方式基于预设的交叉概率执行交叉操作，对于两个父代个体和随机选择一个交叉点k，并交换父代在交叉点之后的基因，得到两个交叉后的子代和变异操作：基于预定的变异概率控制变异发生的频率，改变个体中的基因，得到新的个体；

约束修正：在所述交叉、变异操作中，每个生成的个体需要满足石英砂和铝石英砂的比例约束、坩埚强度约束以及坩埚耐高温性能约束；

若不满足石英砂和铝石英砂的比例约束则通过归一化进行调整：基于此得到调整后的石英砂和铝石英砂的比例；

若不满足坩埚强度约束，则对适应度施加惩罚，具体惩罚如下：Fpenalized(x1，x2)＝F(x1，x2)-λ1·max(0，min_strength-S(x1，x2))；

式中：λ1表示惩罚系数；Fpenalized(x1，x2)表示基于惩罚调整后的适应度函数值；

若不满足坩埚耐高温性能约束，则对适应施加惩罚，具体如下：Fpenalized(x1，x2)＝F(x1，x2)-λ2·max(0，min_temperature-T(x1，x2))；

式中：λ2表示惩罚系数；

终止：在每一次迭代中，通过选择、交叉、变异以及约束条件，不断生成新的个体并进行适应度评估，直至达到预定的条件后停止迭代，将得到的符合约束条件且适应度最高的值作为最优解。

7.根据权利要求6所述的基于遗传算法的石英坩埚材料配比优化方法，其特征在于，在所述遗传算法中引入精英保留策略，根据每一次迭代的适应度从大到小排序，基于精英保留比例选择适应度值靠前的个体进入下一次迭代；

其中精英保留比例基于适应度变化量进行动态调整，具体如下：式中：表示第t次迭代的最优个体的适应度值；表示第t-1次迭代的最优个体适应度值；ΔF表示两次相邻迭代的适应度变化量；

基于计算的适应度变化量与预先设定的适应度阈值进行比较，若适应度变化量小于适应度阈值，则增加精英个体的比例：pelite′＝min(pelite+δ，1)；

式中：pelite′修改后的精英保留比例；δ表示预定义的调整量；min(pelite+δ，1)用于保证调整后的精英保留比例不超过100％；pelite表示修改前的精英保留比例；

若适应度变化量大于阈值，则减少精英保留比例：

pelite′＝max(pelite-δ，pmin)；

式中：pmin表示预先设定的最小精英比例。