1.一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于，所述印染定型机能耗优化方法包括以下步骤：
步骤1、获取数据，过程如下：
获取n组定型机生产运行时的下述数据：一号定型机前端湿度、一号定型机尾端湿度、一号定型机燃气表压力、一号定型机车速、一号定型机排风平均转速、一号定型机烘房平均温度、环境温度、平均门幅、一号定型机耗电量、一号定型机燃气使用量、一号定型机耗水量，以及布料类别、耗电量、耗水量、燃气使用量和订单量，其中，n是大于0的自然数；
步骤2、构建综合能耗模型，设定优化目标函数；
步骤3、使用梯度提升决策树算法进行建模
输入参数如下：
uf：一号定型机前端湿度；
ue：一号定型机尾端湿度；
pgas：一号定型机燃气表压力；
sc：一号定型机车速；
savg：一号定型机排风平均转速；
tavg：一号定型机烘房平均温度；
tenv：环境温度；
tgas：一号定型机燃气表温度；
ctype：布料类别；
tp：流程耗时；
输出参数：
p：定型机综合能耗；
步骤4、使用遗传算法对得到的梯度提升决策树进行处理，寻优得到适应度值最大的控制变量值，过程如下：
(4.1)变量参数选定：
选定变量：uf、ue、pgas、tenv、tgas、ctype、tp；
控制变量：sc、savg、tavg、tgas；
输出变量：p；
求解精度：保留一位小数；
(4.2)将控制变量编码成二进制数，所有控制变量串联成一条染色体，每条染色体占37个二进制位，其中：10个二进制位表示sc的编码，13个二进制位表示savg的编码，9个二进制位表示tavg的编码，5个二进制位表示tgas的编码；
(4.3)当输入一组选定变量的值，即uf、ue、pgas、tenv、tgas、ctype、tp变量值时，进行控制变量的二进制编码，得到所有可能的控制变量的值，并从所有可能的控制变量的值中随机选取m组uf、ue、pgas、tenv、tgas、ctype、tp、sc、savg、tavg、tgas的值；m是大于0的自然数；设置p为适应度值，即每一组的控制变量都对应一个适应度值；
对步骤3得到的梯度提升决策树进行处理，把uf、ue、pgas、tenv、tgas、ctype、tp、sc、savg、tavg、tgas代入，得到p；
进行m次代入，得到m组uf、ue、pgas、tenv、tgas、ctype、tp、sc、savg、tavg、tgas、p数据；
使用遗传算法在得到的m组uf、ue、pgas、tenv、tgas、ctype、tp、sc、savg、tavg、tgas、p数据中，找出适应度值最大的控制变量值，方法如下：
i)染色体的选择：
采用轮盘赌选择法，设pi为个体i被选择的概率，fi为个体i的适应度值，则有
其中，所述个体i是指一组uf、ue、pgas、tenv、tgas、ctype、tp、sc、savg、tavg、tgas、p数据；所述j是指第j个个体；所述n是指第n个个体；
ii)染色体的交叉：
把两个父代控制变量染色体部分结构进行替换重组形成新的个体，交叉算子根据交叉率将种群中的两个个体随机的交换某些基因，能够产生新的基因；
本遗传算法选择交叉概率为0.6，平均为60％的染色体进行交pos位点前后二进制进行交叉；
iii)染色体的变异：
根据变异概率选择变异位点，将二进制位改变；
本遗传算法对1％基因进行变异；
步骤5、把得到的控制变量值设置为定型机生产的工艺参数，使定型机的综合能耗最小。
2.根据权利要求1所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤1中，采集的定型机数据是5000组，即n取5000。
3.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤2中，综合能耗模型的构建过程为：
①从印染样本数据中抽取能耗相关数据：耗电量e、燃气消耗量g、耗水量w以及订单量数据米数m；
②通过综合单位产量能耗公式
③即
4.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤3中，所述梯度提升决策树模型为：
其中，ptypei为第i个订单的定型机能耗类别预测值，t为回归数的数量，j为叶子节点的数量，p表示定型机能耗类别预测模型，fp1，0(xi，p)为定型机能耗类别预测初始化的回归树，fp1，t(xi，p)t∈{1，t}代表定型机能耗类别预测模型第t棵回归树，j∈{1，j}代表第j个叶子节点，cp1，t，j代表定型机能耗类别预测模型第t棵回归树的第j个叶子节点的残差值，rp，t，j为定型机能耗类别预测模型第t棵回归树的第j个叶子节点，i(xi，p∈rp，t，j)即xi，p属于定型机能耗类别预测模型第t棵回归树的第j个叶子节点时等于1，否则为0；
将xi，pi∈{order}依次输入定型机能耗类别预测模型回归树t训练回归树模型以拟合cp1，t，j：
最终将所有定型机能耗类别预测模型回归树模型以上述公式组合得到最终定型机能耗类别预测模型：
其中cp1，t，j为cp1，t，j训练后最佳的值。
5.根据权利要求1或2所述的一种基于梯度提升决策树和遗传算法的印染定型机能耗优化方法，其特征在于：所述步骤4中，从所有可能的控制变量的值中，随机选取10000组的值，即m取10000。