1.一种提高遗传算法的时间效率的方法，其特征在于，包括：
获取第一种群和第一种群的适应度矩阵及适应度平均值，并进入遗传算法的迭代搜索过程；
将第一种群通过遗传算法计算产生第二种群；
将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值；所述机器学习回归模型是根据初始种群的适应度矩阵选取的机器学习算法构建的，用于对种群的适应度预测；
判断第三种群是否为最优解，如果不是最优解，则视第三种群为新的第一种群获取其适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程，直至得到最优解。
2.根据权利要求1所述的方法，其特征在于，所述获取第一种群和第一种群的适应度矩阵及适应度平均值的步骤包括：
随机产生初始种群作为第一种群；
根据预设的适应度评估函数对第一种群进行适应度评估，并计算得到第一种群适应度矩阵及适应度平均值。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的适应度评估函数对所述初始种群进行适应度评估，并计算得到初始种群适应度矩阵及种群适应度平均值的步骤之后还包括：
根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型，所述机器学习回归模型用于对种群的适应度预测。
4.根据权利要求3所述的方法，其特征在于，所述根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型的步骤包括：
通过五折的交叉验证的方法进行机器学习算法的验证手段，从机器学习算法中选择精度最高的机器学习算法作为构建关于适应度值的模型的算法，构建出关于适应度预测的机器学习回归模型。
5.根据权利要求1-4所述的方法，其特征在于，所述将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群的步骤包括：
将第二种群通过机器学习回归模型进行适应度预测，并将适应度低于所述适应度平均值的个体通过遗传算法产生新的个体，再将新的个体通过所述机器学习回归模型进行适应度预测，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值。
6.一种提高遗传算法的时间效率的装置，其特征在于，包括：
获取模块，用于获取第一种群和第一种群的适应度矩阵及适应度平均值，并进入遗传算法的迭代搜索过程；以及获取第三种群的适应度矩阵及适应度平均值，并进入下一个遗传算法的迭代搜索过程；
第二种群产生模块，用于将第一种群通过遗传算法计算产生第二种群；
第三种群产生模块，用于将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值；所述机器学习回归模型是根据初始种群选取的机器学习算法构建的，用于对种群的适应度预测；
判断模块，用于第三种群是否为最优解。
7.根据权利要求6所述的装置，其特征在于，所述获取模块包括：
初始种群产生单元，用于随机产生初始种群作为第一种群；
适应度评估单元，用于根据预设的适应度评估函数对第一种群进行适应度评估，并计算得到第一种群适应度矩阵及适应度平均值。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
机器学习回归模型构建模块，用于根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型，所述机器学习回归模型用于对种群的适应度预测。
9.根据权利要求8所述的装置，其特征在于，所述第三种群产生模块包括：
适应度预测单元，用于将第二种群通过机器学习回归模型进行适应度预测；
新个体产生单元，用于将适应度低于所述适应度平均值的个体通过遗传算法产生新的个体；
其中，所述适应度预测单元还用于将新个体产生单元产生的新的个体通过所述机器学习回归模型进行适应度预测。
10.一种用户设备，其特征在于，包括权利要求6～9任意一项所述的提高遗传算法的时间效率的装置。