1.一种基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，包括以下步骤：
s1、初始化种群参数；
s2、初始化种群；
s3、计算种群每个个体的适应度；
s4、对种群中的个体执行选择操作，个体适应度越大，选择该个体的概率就越大；
s5、对种群中的个体进行交叉操作；
s6、对种群的个体进行变异操作；
s7、算法终止判断，如果满足条件则终止算法，输出最优适应度和对应参数，否则返回步骤s2。
2.如权利要求1所述的基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，所述步骤s2的具体步骤为：
步骤s21：计算第i条染色体population[i]用二进制表示时实际所需要的长度chromosome_length[i]，并把其中最大的长度记为max_cd；
上式中，mmi[i]表示第i条染色体的十进制取值下限，mma[i]表示第i条染色体的十进制取值上限；m为染色体的小数点精度；
步骤s22：按照从低位到高位的顺序对种群中每个个体的染色体进行二进制化，如果第i条染色体的长度chromosome_length[i]小于最大的染色体长度max_cd，用二进制初始化第i条染色体的chromosome_length[i]个低位，并用0填充max_cd-chromosome_length[i]个高位；否则直接初始化全部基因位；
步骤s23：接着用步骤s21，步骤s22初始化所有个体。
3.如权利要求1所述的基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，步骤s3的具体步骤为：
步骤s31：将第i条染色体的每个取值解码为十进制，并转换到第i条染色体对应优化参数的十进制区间：
上式中，population_decimalism[i][j]表示第i个染色体第j个取值解码后的十进制数；value[i][j]表示第i条染色体第j个可能取值转换区间后的十进制取值；
步骤s32：计算所有个体的适应度f：
f[j]＝w*value[j]+b
f[j]为第j个个体的适应度，w为模型参数的权重参数，b为模型的偏置参数；
步骤s33：最好适应度fitness_best的更新，如果f[j]大于种群当前最好的适应度fitness_best，说明第j组染色体的适应度更好，用f[j]替换种群当前的最优适应度fitness_best，并替换f[j]对应的第j组染色体的取值。
4.如权利要求1所述的基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，所述步骤s4的具体步骤为：
步骤s41：首先计算出群体的适应度总和f＝∑f[j]；
步骤s42：其次计算出第j组染色体的选择概率
步骤s43：计算出第j组染色体的累积概率
步骤s44：再产生一个0到1之间的随机数r；
步骤s45：若r<q[1]，选择第一组染色体；若q[j-1]<r<q[j]，选择第j组染色体；
步骤s46：重复步骤s44、步骤s45共population_size次，随后将选择到的染色体组作为新种群，淘汰没选择到的染色体组，以此模拟自然选择过程。
5.如权利要求1所述的基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，所述步骤s5的具体步骤为：
步骤s51：对群体中同一条染色体的不同取值进行随机两两配对；
步骤s52：产生0到1之间的随机数r[i]，表示第i对染色体的交叉概率；
步骤s53：若r[i]>pc，表示第i对染色体会进行交叉；否则返回步骤s52计算下一对染色体的交叉概率；
步骤s54：产生随机的基因交叉位置；
步骤s55：在第j个基因位切断第i对染色体，并按照染色体长度保持不变的原则对第i对染色体进行部分基因交换，产生一对新个体；把新产生的个体加入群体，删除原先的第i对染色体，模拟种群中新旧个体的繁衍更新。
6.如权利要求1所述的基于遗传算法的辛烷值损失模型参数优化方法，其特征在于，所述步骤s6的具体步骤为：
步骤s61：产生0到1之间的随机数r[i][j]，表示第i个个体第j条染色体的变异概率；
步骤s62：若r[i][j]>pm，表示第i个个体第j条染色体会产生变异；否则返回步骤s61计算下一条染色体的变异概率；
步骤s63：产生[0，chromosome_length[i]]之间的随机数l，表示染色体变异的基因位点；
步骤s64：对第i条染色体第j个取值的第l个基因位点进行取反操作，将变异的个体加入群体，并删除原先的染色体。