[发明专利]一种基于Memetic算法的氩原子团簇结构优化技术

摘要

本发明公开了一种基于Memetic算法的氩原子团簇结构优化技术，结合了群体算法搜索的广度优点和局部搜索算法的深度优点，以Lennard-Jones势能为优化算法的评价函数，通过个体间的交叉和变异增加了粒子的多样性，利用个体的择优选取和局部搜索来提高优化搜索效率，综合考虑计算复杂度、快速收敛性、全局性等方面性能，以获得原子团簇的全局最优稳定结构。

主权项

一种基于Memetic算法的氩原子团簇结构优化技术，其特征是所述方法包括如下步骤：步骤1：编码。根据原子团簇中原子位置变量的解空间，将可行解数据表示成搜索空间的浮点型串结构数据，这些串结构数据不同组合构成不同可行解。步骤2：产生初始群体。确定氩原子团簇的原子个数n，搜索种群规模M，解空间维数大小D=3n，杂交概率p_c，变异概率p_v，随机产生M个初始个体，进化代数变量k=1，最大进化代数K_max。步骤3：交叉。按照杂交概率p_c在M个个体中任意选取两个进行杂交运算，产生新一代群体的两个新个体。步骤4：变异。在杂交运算杂生的新群体中，按照变异概率p_v从中选取若干个体，进行变异操作。步骤5：计算适应度函数。对变异后的新群体按照Lennard‑Jones势能分别计算每个个体的适应度函数，其公式为：$E_m=4\mathrm{\ϵ}\underset{i\<j}{\overset{n}{\mathrm{\Σ}}}[{\left(\frac{\mathrm{\σ}}{r_{\mathrm{ij}}}\right)}^{12}-{\left(\frac{\mathrm{\σ}}{r_{\mathrm{ij}}}\right)}^6],m=1,\·\·\·,m$其中，r_ij表示第m个个体的原子i与原子j间的欧几里德距离；ε代表势阱深度，通常可取为1；σ代表碰撞(势能为零)时的原子核间距离，取步骤6：选择。从当前群体中选择M个优良(适应度高)的个体，选择概率与其适应度成正比，舍弃适应度低的个体。步骤7：局部搜索。对种群中的所有个体采用拟牛顿法进行局部搜索。步骤8：如果满足停止条件或达到最大迭代次数(k＝K_max)，则寻优结束，所得到的全局最优值，即为氩原子团簇中原子的最优结构分布；否则，k:＝k+1，转步骤3。