1.一种基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，包括：
在单模传输光纤的输入端输入信号光，并接收所述单模传输光纤中输出端的输出信号；
将所述输出信号进行优化，并将优化后的输出信号输入至拉曼放大器，获取优化参数组，对所述优化参数组进行计算，得到全局最优解和个体最优解；其中，所述优化参数组包括拉曼放大器的泵浦功率及泵浦波长。
2.根据权利要求1所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，将所述输出信号进行优化包括：
S1.设定粒子参数值，并初始化粒子的初始位置、初始速度，其中，所述粒子参数值包括：粒子数目、最大迭代次数、粒子速度范围、粒子位置范围、学习因子、阈值、最大连续次数，所述初始化粒子包括：泵浦功率和泵浦波长；
S2.将所述初始化粒子的泵浦功率和所述初始化粒子的泵浦波长，输入到所述拉曼放大器，获取第一优化参数组，对所述第一优化参数组进行计算，得到第一全局最优解和第一个体最优解；
S3.对所述第一全局最优解和上一次的迭代结果进行判断，并根据判断结果，对所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新，并基于所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新的次数判断是否满足所述最大迭代次数，若满足，将更新后的所述泵浦功率和更新后的所述泵浦波长输入到所述拉曼放大器，获取第二预测参数组，对所述第二预测参数组进行计算，输出第二全局最优解和第二个体最优解；若不满足，则将所述初始化粒子的泵浦功率和所述初始化粒子的泵浦波，替换成所述第二预测参数组的泵浦功率和所述第二预测参数组的泵浦波长，重复S2。
3.根据权利要求1所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，对所述优化参数组进行计算包括：
对所述优化参数组进行测量，得到输出功率，将所述输出功率进行计算，得到适应度值，通过对所述输出功率的标准差的大小进行判断，得到全局最优解和个体最优解；
所述输出功率进行计算的方法为：
其中，σ表示输出功率谱中所有信号功率的标准差，n表示输出功率谱中共有n个信号光，xi表示第i个信号的输出功率，表示所有信号功率的平均值。
4.根据权利要求2所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，对所述第一全局最优解和上一次的迭代结果进行判断包括：
判断所述第一全局最优解与其上一次的迭代结果之差是否小于预设阈值，若小于所述预设阈值，则总数count加1处理，并判断所述总数count是否小于连续次数N，若所述总数count不小于所述最大连续次数，则采用高斯扰动的方式对所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新，输出所述第二全局最优解和所述第二个体最优解，若所述总数count小于所述最大连续次数，则根据适应度将所述粒子分为优选区和疏离区，所述优选区使用柯西公式对所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新，所述疏离区采用传统PSO算法对所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新；
其中，所述总数count为所述第一全局最优解与上一次的迭代结果之差小于设定阈值的连续次数。
5.根据权利要求4所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，所述高斯扰动的方法如下式：
Gaussian(1,1)表示均值为1，方差为1的高斯函数随机值，f(Xi+1)为粒子在第i+1代的适应度值，f(Xi)为粒子在第i代的适应度值。
6.根据权利要求5所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，通过计算所述输出功率，得到粒子的第一适应度值，并通过所述高斯扰动的方法对所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行更新，得到第二优化参数组与第二适应度值，并判断所述第二适应度值是否小于所述第一适应度值，若是，则采用所述第二优化参数组的泵浦功率和所述第二优化参数组的泵浦波长进行下一次计算，若否，则采用所述第一优化参数组的泵浦功率和所述第一优化参数组的泵浦波长进行下一次计算。
7.根据权利要求6所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，根据适应度将所述粒子分为优选区和疏离区方法为：
对所述第一适应度值进行计算，得到所述第一适应度值的平均值，将所述第一适应度值小于所述平均值的区域作为优选区，将所述第一适应度值大于所述平均值的区域作为疏离区。
8.根据权利要求7所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，所述优选区中通过使用柯西公式对所述泵浦波长和所述泵浦功率进行更新方法为：
其中，C(0,1)是由柯西分布函数产生的随机数，xi表示优选区粒子在第i代的位置，tmax为最大迭代次数，t为当前迭代次数。
9.根据权利要求7所述的基于分区粒子群优化算法补偿功率倾斜的方法，其特征在于，所述疏离区采用传统PSO算法对所述泵浦波长和所述泵浦功率进行更新方法为：
Vi+1＝c1Vi+c2·rand()·(pbesti‑Vi)+c3·rand()·(gbesti‑Vi)
Xi+1＝Xi+Vi+1
其中，c1、c2和c3为学习因子，rand()表示0～1中的随机值，Xi表示疏离区粒子在第i代的位置，Vi表示疏离区粒子在第i代的更新速度，pbesti表示正在更新的粒子在第i代的个体最优解，gbesti表示所有粒子在第i代的全局最优解，Vi+1为疏离区粒子在第i+1代的更新速度。
10.一种基于分区粒子群优化算法补偿功率倾斜的装置，用于实现如权利要求1‑9任一项所述的补偿功率倾斜的分区粒子群优化方法，其特征在于，包括：
单模传输光纤、拉曼放大器和信号处理单元；
所述单模传输光纤用于接收信号光并输出信号；
所述信号处理单元用于对所述输出信号进行优化处理；
所述拉曼放大器用于对优化处理后的输出信号进行放大处理，得到优化参数组；
所述信号处理单元包括功率检测模块和优化控制模块；
所述功率检测模块用于检测单模传输光纤输出信号的功率谱，所述优化控制模块用于控制所述拉曼放大器的泵浦波长和泵浦功率，实现输出信号功率谱的平坦化。