1.一种基于元学习的盾构掘进优化方法，其特征在于，包括：获取盾构机掘进参数和地质参数；根据盾构机掘进参数和地质参数生成训练任务集和评估任务集；构建元学习模型；利用训练任务集对元学习模型进行模型训练，得到基础元学习模型；利用评估任务集对基础元学习模型进行性能评估，得到评估结果，并根据评估结果对基础元学习模型进行性能优化，得到优化元学习模型；利用优化元学习模型对主隧道与服务隧道之间的映射关系进行分析，得到优化常压刀盘盾构机掘进参数；所述利用优化元学习模型对主隧道与服务隧道之间的映射关系进行分析，得到优化常压刀盘盾构机掘进参数，包括：获取实时带压刀盘盾构机掘进参数；获取实时主隧道地质参数和实时服务隧道地质参数；将实时带压刀盘盾构机掘进参数、实时主隧道地质参数和实时服务隧道地质参数输入优化元学习模型，并利用优化元学习模型进行主隧道及服务隧道之间的映射分析，以得到优化常压刀盘盾构机掘进参数。
2.根据权利要求1所述的基于元学习的盾构掘进优化方法，其特征在于，所述获取盾构机掘进参数和地质参数，包括：从常压刀盘盾构机获取常压刀盘盾构机掘进参数；从带压刀盘盾构机获取带压刀盘盾构机掘进参数；对常压刀盘盾构机掘进参数和带压刀盘盾构机掘进参数进行数据整合，得到盾构机掘进参数；从服务隧道获取服务隧道地质参数；从主隧道获取主隧道地质参数；对服务隧道地质参数和主隧道地质参数进行数据整合，得到地质参数。
3.根据权利要求1所述的基于元学习的盾构掘进优化方法，其特征在于，所述根据盾构机掘进参数和地质参数生成训练任务集和评估任务集，包括：根据地质参数生成多个任务框架；将盾构机掘进参数分配到不同的任务框架中，得到多个训练任务；根据预设的划分标准对所有训练任务进行划分，得到训练任务集和评估任务集。
4.根据权利要求1所述的基于元学习的盾构掘进优化方法，其特征在于，所述利用训练任务集对元学习模型进行模型训练，得到基础元学习模型，包括：利用训练任务集对元学习模型进行内循环训练，以获得多个临时元学习模型；对所有临时元学习模型进行外循环训练，以得到基础元学习模型。
5.根据权利要求4所述的基于元学习的盾构掘进优化方法，其特征在于，所述利用训练任务集对元学习模型进行内循环训练，以获得多个临时元学习模型，包括：根据元学习模型建立多个临时训练模型；针对每一个临时训练模型，从临时训练集中提取出对应的训练任务；将不同的训练任务输入与其对应临时训练模型，并进行梯度计算，以获得多个更新参数；利用不同的更新参数优化其对应的临时训练模型，以得到多个临时元学习模型。
6.根据权利要求4所述的基于元学习的盾构掘进优化方法，其特征在于，所述对所有临时元学习模型进行外循环训练，以得到基础元学习模型，包括：对所有临时元学习模型进行损失分析，得到任务损失集；根据任务损失集计算元学习模型初始参数的元梯度，得到梯度数据；根据预设的优化算法和梯度数据对元学习模型进行优化分析，得到基础元学习模型。
7.一种基于元学习的盾构掘进优化装置，其特征在于，包括：数据获取模块，用于获取常压刀盘盾构机掘进参数、带压刀盘盾构机掘进参数和地质参数；任务划分模块，用于根据常压刀盘盾构机掘进参数、带压刀盘盾构机掘进参数和地质参数生成训练任务集和评估任务集；模型构建模块，用于构建元学习模型；模型训练模块，用于利用训练任务集对元学习模型框架进行模型训练，得到基础元学习模型；模型优化模块，用于利用评估任务集对基础元学习模型进行性能评估，得到评估结果，并根据评估结果对基础元学习模型进行性能优化，得到优化元学习模型；参数映射模块，用于利用优化元学习模型对主隧道与服务隧道之间的映射关系进行分析，得到优化常压刀盘盾构机掘进参数；所述利用优化元学习模型对主隧道与服务隧道之间的映射关系进行分析，得到优化常压刀盘盾构机掘进参数，包括：获取实时带压刀盘盾构机掘进参数；获取实时主隧道地质参数和实时服务隧道地质参数；将实时带压刀盘盾构机掘进参数、实时主隧道地质参数和实时服务隧道地质参数输入优化元学习模型，并利用优化元学习模型进行主隧道及服务隧道之间的映射分析，以得到优化常压刀盘盾构机掘进参数。
8.一种基于元学习的盾构掘进优化设备，其特征在于，所述基于元学习的盾构掘进优化设备包括：存储器和至少一个处理器，所述存储器中存储有指令；至少一个所述处理器调用所述存储器中的所述指令，以使得所述基于元学习的盾构掘进优化设备执行如权利要求1-6中任一项所述的基于元学习的盾构掘进优化方法的各个步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述基于元学习的盾构掘进优化方法的各个步骤。
