第十一届 MathorCup B题优秀论文1.pdfVIP

队伍编号 21010080056 题号 B 基于机器学习的团簇能量预测及结构全局寻优方法 摘 要 团簇是由多个分子或原子聚集在一起的微观结构，研究团簇的全局最优结构（即能 量最低）对于发现新型材料的结构和性能具有重要意义。传统的理论研究方法存在计算 时间长、计算效果差等问题，而机器学习作为一个极具前景的多学科交叉领域，能够有 效提高模型学习与计算的效率。因此本文针对三维团簇的能量预测和结构寻优问题，采 用了多种机器学习方法进行研究。 针对问题 1，我们首先分析了传统金属团簇能量模型，将不同模型得到的能量值与 样本能量值进行相关性分析，构建了含有变异因子的Sutton −Chen 能量预测模型。在此基 础上改进传统PSO 算法，引入自适应惯性权重，能够自适应调整粒子群的全局与局部搜 索能力，解决了传统算法收敛速度慢、容易陷入局部最优的问题。结果表明，金团簇Au20 的全局最低能量值为-1557.8251，全局最优结构为具有对称性的正四面体。 针对问题 2 ，我们构建了多条件约束的金团簇Au32 异构体生成方法，给出了产生团 簇异构体的原子结构对称性和原子间距约束条件，结合AWPSO 算法，对异构体的绝对 位置信息进行相对距离化与向量化处理，并完成了全局最优能量的预测及结构的三维重 构。结果表明，金团簇Au32 全局最低能量值为-2544.3431 ，全局最优结构为类笼型结构。 Au 由于异构体各原子之间满足一定的约束关系，因此预测得到的金团簇 最优结构较为 32 稳定。 针对问题 3 ，传统模型无法很好地表征硼团簇的能量，为此我们采用机器学习方法 对硼团簇能量及空间结构间的关系进行学习，提出了基于库伦矩阵本征谱的能量预测模 型。结合AWPSO 算法改进其适应度函数，设计了基于神经网络适应度函数的AWPSO B − 全局寻优算法。结果表明，硼团簇 的最低能量值为-114305.0794，全局最优结构为带 45 有一定曲率的类平面结构，中间有一六边形空位。 针对问题4 ，我们改进了问题2 的寻优方法，结合库伦矩阵本征谱，提出了多条件 B − 约束的NN-AWPSO 模型。结果表明，硼团簇 的最低能量值为-101954.52，全局最优 40 结构为类平面结构，中间存在两个六边形空位，每个原子均可与临近原子构成类正六边 B − 形结构，相较于 该结构对称性与稳定性较高。 45 最后，我们对模型进行了灵敏度分析不断改变学习因子的数值，发现模型预测出的 能量值波动幅度较低，具有较强的稳定性，证明了建立模型的可靠性、有效性及鲁棒性， 并进行了模型的评价与推广。 关键词：团簇能量预测；结构全局寻优；AWPSO 算法；机器学习 目录 第1 章 问题重述 1 1.1 问题背景 1 1.2 问题描述 1 第2 章 思路分析 1 2.1 问题1 的思路分析 1 2.2 问题2 的思路分析 2 2.3 问题3 的思路分析 2 2.4 问题4 的思路分析 2 第3 章 符号说明与基本假设 3 3.1 符号说明 3 3.2 基本假设 3 第4 章 问题1 的建模与求解 4 4.1 问题1 分析 4 4.2 传统团簇势能模型的分析和选择 4 4.2.1 基于分子相互关系的传统团簇势