1.一種PDC鉆頭鉆進參數多目標優化方法，其特征在于，包括：

構造PDC鉆頭鉆進參數優化的多目標函數；

確定所述PDC鉆頭鉆進參數優化的多目標函數的約束條件，根據約束條件建立PDC鉆頭鉆進參數多目標優化模型；

根據所述PDC鉆頭鉆進參數多目標優化模型確定PDC鉆頭鉆進參數，以實現PDC鉆頭鉆進參數多目標優化。

2.如權利要求1所述的方法，其特征在于，所述構造PDC鉆頭鉆進參數優化的多目標函數的步驟包括：

根據鉆井實際情況，基于三個目標函數：進尺、鉆速和每米鉆井成本，利用多目標優化理論構造鉆進參數優化的多目標函數。

3.如權利要求2所述的方法，其特征在于，所述鉆進參數優化的多目標函數為：

max?F(X)＝α₁f₁(X)+α₂f₂(X)-α₃f₃(X)

其中，f₁(X)為進尺目標，單位為m；f₂(X)為機械鉆速目標，單位為m/h；f₃(X)為每米鉆井成本目標，單位為元/m；α₁、α₂、α₃為反映決策者意愿的各目標函數的權重，Σi=13αi=1.]]>

4.如權利要求1所述的方法，其特征在于，所述約束條件包括：鉆壓約束條件、轉速約束條件、鉆頭磨損量約束條件、進尺約束條件、機械鉆速約束條件和鉆井成本約束條件。

5.如權利要求1所述的方法，其特征在于，所述根據所述PDC鉆頭鉆進參數多目標優化模型確定PDC鉆頭鉆進參數的步驟包括：

根據所述約束條件，隨機生成初始群體P(t)，其中，t為當前進化代數，t∈[0?t_max]，t取零時，為初始群體,t_max為最大進化代數；

根據所述PDC鉆頭鉆進參數優化的多目標函數獲取P(t)中個體的適應度；

根據遺傳算法終止準則，判斷是否滿足終止條件，如果t＞t_max，則輸出優化的PDC鉆頭鉆進參數；否則，則根據所述適應度進行選擇操作來獲取優勝個體；

對所述優勝個體進行交叉操作；

對交叉操作后的個體進行變異操作產生群體P(t)，其中，t＝t+1；

對群體P(t)重復進行群體中個體適應度獲取、選擇操作、交叉操作、變異操作直至滿足所述終止條件，輸出優化的PDC鉆頭鉆進參數。

6.如權利要求5所述的方法，其特征在于，所述選擇操作方法為輪盤式選擇方法。

7.如權利要求5所述的方法，其特征在于，所述變異操作為自適應變異操作。

8.一種PDC鉆頭鉆進參數多目標優化裝置，其特征在于，包括：

多目標函數建立單元，用于構造PDC鉆頭鉆進參數優化的多目標函數；

優化模型建立單元，用于確定所述PDC鉆頭鉆進參數優化的多目標函數的約束條件，根據約束條件建立PDC鉆頭鉆進參數多目標優化模型；

優化單元，用于根據所述PDC鉆頭鉆進參數多目標優化模型確定PDC鉆頭鉆進參數，以實現PDC鉆頭鉆進參數多目標優化。

9.如權利要求8所述的裝置，其特征在于，所述多目標函數建立單元進一步用于根據鉆井實際情況，基于三個目標函數：進尺、鉆速和每米鉆井成本，利用多目標優化理論構造鉆進參數優化的多目標函數。