1.基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s1中，基于可靠性的设计优化（rbdo），其数学公式可以表示为：
3.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s2中，初始设计点所在的样本空间及其分布定义为源域，优化设计点所在样本空间及其分布定义为目标域，源域训练样本定义为从源域中收集的个源域样本点，其中，、；在源域训练样本的基础上构建前馈神经网络（fnn），表示为：
4.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s3中，假设初始设计点的均值为，首先在源域根据输入变量的pdf随机采样出个源域训练样本，通过约束函数计算出个源域训练样本的真实响应，即：
5.根据权利要求4所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s4中，根据s3采样出的个源域训练样本及其真实响应，构建标准的前馈神经网络（fnn）如下：
6.根据权利要求5所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s5中，采用s4中构建好的标准的前馈神经网络（fnn）对个源域mcs样本的响应进行预测，即：
7.根据权利要求6所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s6中，获取失效概率的敏感性信息，并确定一阶打分函数为：
8.根据权利要求7所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s7中，使用s6中的一阶打分函数对s6得到的目标域分布信息进行随机敏感性分析，并检查是否收敛；如果收敛则优化设计结束，提前计算优化参数；否则更新设计，根据目标域的分布产生个mcs样本。
9.根据权利要求8所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s8中，领域对抗神经网络darnn模型的构建为：
10.根据权利要求8所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法，其特征在于，在s8中，根据个源域mcs样本及其预测响应和个目标域mcs样本训练所搭建的darnn模型，并直接预测出个目标域mcs样本的响应，