收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

CALYPSO结构预测方法的探索与改进

崔岩  
【摘要】:结构是深入理解物质物理和化学性质的基础,是凝聚态物理和材料设计等领域无法回避的重要研究问题。目前实验上常用的物质结构测定手段是X-射线衍射和中子散射,其技术发展较为完善。但仅通过实验测量来确定物质的结构往往面临诸多问题与挑战。例如,由于受实验设备及技术水平、待测样品的纯度、实验所测信号的强弱及环境等影响,可能无法正确解析物质结构。而理论结构预测通常具有高效准确的优势,成为确定物质结构的重要途径。此外,理论结构预测方法不仅可以辅助实验确定物质的结构,而且可以先于实验预测出具有潜在的优良性质的功能材料,对实验合成具有重要的指导意义。 在给定物质化学组分的情况下,从理论上预测物质的结构,是国际学术界近些年重点关注的热点问题。国内外多个研究组基于群体智能、遗传算法等全局优化算法发展了一些结构预测方法和软件。其中我们研究组基于粒子群优化算法研发的全局结构搜索软件卡里普索(CALYPSO),凭借其高效的搜索效率脱颖而出,成为众多结构预测软件中杰出典范,被国内外多个研究组广泛应用,备受关注,已成为结构预测领域最为重要的方法之一。本论文基于CALYPSO结构预测方法及程序框架,通过引入新的结构操作和算法来进一步提高CALYPSO程序搜索的效率。具体内容包括: 1.对于胞内包含原子数目较多的体系,由于完全随机产生的结构原子分布不均,导致产生物理上合理的初始结构通常效率不高。为了解决这一问题,本文通过将大体系结构划分为若干较小结构单元并利用对称性独立地产生各个小单元的结构,再通过不同的小单元组合得到大体系的结构。测试表明该方法的引入,明显改善了随机产生合理大体系结构效率,该方法产生的结构通过局域优化后更容易过渡到物理上更优的结构,从而提高了CALYPSO结构预测方法搜索到全局最优结构的效率。 2.全局粒子群优化算法跨越势垒能力强,收敛快,但由于整个种群在同一最优粒子的引导下,容易出现群集现象,从而导致算法易早熟,搜索精度低的问题;局域粒子群优化算法搜索精度高,但跨越势垒能力相对较弱,收敛慢。综合考虑全局与局域粒子群优化算法的各自优点,引入全局与局域相结合的联合算法(Unified PSO)。该算法充分利用全局与局域粒子群优化算法的各自优点,易于保持种群多样性且克服势垒能力强,兼具搜索精度高、算法收敛速度相对较快等优点。 3.人工蜂群算法(Artificial Bee Colony, ABC)是近年来新兴的群智能算法,Karaboga D成功将其应用于函数的数值优化问题。即便提出时间短,但ABC算法却被国内外众多学者广泛研究与发展,在仿真及组合优化等众多领域有着广泛而重要的应用。本文在卡里普索(CALYPSO)整体框架基础上,将人工蜂群(ABC)算法引入到结构预测领域。相关测试结果表明,ABC算法在结构预测方面具有出色的效率。


知网文化
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978