1.一种智能化光固化3D打印模型优化方法，其特征在于，该方法包括以下步骤：
获取用户上传的3D打印模型文件；
解析模型文件中的几何信息，提取三角形网格结构、法向量信息及表面面积；
识别模型中曲面、拐角和边缘的关键特征区域，收集打印参数数据，并生成目标模型汇总文件；
根据目标模型汇总文件定义优化打印目标，基于生成对抗网络生成优化模型，通过判别器网络评估模型质量，分析多目标优化的结果，找到在不同目标之间的最优平衡点；
使用虚拟现实对优化后的模型和打印参数进行测试，根据模拟测试结果进行自适应修正，调整至最佳打印参数。
2.如权利要求1所述的智能化光固化3D打印模型优化方法，其特征在于，解析模型文件中的几何信息时，通过用户界面接收用户上传的3D打印模型文件，并将文件存储在服务器上；根据文件格式读取3D模型数据；其中，解析几何信息时，包括：
提取模型的顶点、边和面信息，得到三角形网格结构；
计算每个面以及三角形的法向量，得到法向量信息；
计算模型表面的总面积和三角形的面积，得到3D打印模型的表面面积。
3.如权利要求2所述的智能化光固化3D打印模型优化方法，其特征在于，所述3D打印模型文件的格式包括STL、OBJ格式，计算得到法向量信息时，三角形△ABC的法向量n通过向量交叉计算：
n=（AB×AC）
其中，AB和AC分别是从点A到B和C的向量；即：AB=B‑A；AC=C‑A；其中，A、B、C是三角形三个顶点的坐标，A（ ， ， ），B（ ， ， ），C（ ， ， ）；×表示向量叉积操作，计算结果为一个垂直于平面△ABC的法向量。
4.如权利要求3所述的智能化光固化3D打印模型优化方法，其特征在于，计算得到法向量信息时，三角形△ABC的面积S的计算公式为：
其中，为三角形△ABC的面积； 表示向量叉积AB×AC的模长，即三角形的两个边向量的叉积的大小，表示三角形平面上与两个边向量所形成的平行四边形的面积。
5.如权利要求4所述的智能化光固化3D打印模型优化方法，其特征在于，识别模型中曲面、拐角和边缘的关键特征区域，识别模型中曲面时，每个点P在曲面上的法向量n，使用曲率计算公式：
式中，为曲率，用于描述曲面上某点的弯曲程度，曲率越大，表示该点周围的表面弯曲越剧烈； 为该点在实际表面上的法向量； 表示该点法向量的估计值，由邻近点的法向量平均得到； 为两个法向量的差的模长，表示该点法向量与其估计值的差异；表示模型上邻近顶点间的距离，通过三维空间中的欧几里得距离计算。
6.如权利要求5所述的智能化光固化3D打印模型优化方法，其特征在于，识别模型中拐角的关键特征区域，拐角识别时，使用点的法向量计算角度，其中：
式中，为两个相邻面的夹角，用于识别模型中的拐角特征； 为反余弦函数，用于从法向量的点积中求出夹角的大小，结果为角度； 和 为相邻两个三角形面的法向量，分别表示这两个面在三维空间中的方向； 为两个法向量的点积，用于计算两个法向量之间的夹角；其中，点积的值的计算公式为：
式中， 是两个向量之间的夹角。
7.如权利要求6所述的智能化光固化3D打印模型优化方法，其特征在于，根据目标模型汇总文件定义的优化打印目标包括模型的强度、材料消耗量和打印时间；其中，优化目标设定的目标函数为：
式中， 、 和 为目标权重，、、分别是模型的强度、材料消耗量和打印时间。
8.如权利要求1‑7任一项所述的智能化光固化3D打印模型优化方法，其特征在于，基于生成对抗网络生成优化模型时，收集一组高质量的模型样本，包括优化前后的模型，作为训练数据；建立生成器网络和判别器网络，其中，生成器的输入为优化目标参数，输出为生成的3D模型；判别器的输入为生成模型和真实模型的对比，输出为对模型质量的评分；通过损失函数分别计算生成器损失和判别器损失；用真实模型和生成模型进行对抗训练，利用训练后的判别器对生成模型进行评估，输出质量评分，使用模型的质量评分和符合目标函数的结果进行综合评估。
9.如权利要求8所述的智能化光固化3D打印模型优化方法，其特征在于，分析多目标优化的结果，找到在不同目标之间的最优平衡点时，根据确定的模型的强度、材料消耗量和打印时间的多个优化目标，使用帕累托优化寻找最优平衡点；通过绘制目标函数的帕累托前沿确定不同目标之间的权衡关系，分析帕累托前沿，根据目标权重达到最优平衡点。
10.如权利要求9所述的智能化光固化3D打印模型优化方法，其特征在于，使用虚拟现实对优化后的模型和打印参数进行测试时，选择Unity作为VR平台，将优化后的3D模型导入VR环境，设置打印速度、材料类型、层厚的打印参数进行虚拟化模拟；根据测试结果调整打印参数，在虚拟环境中重新测试调整后的参数，重复测试和调整过程，直至找到最佳打印参数。