并行自适应遗传算法在材料学大数据处理中的应用研究

摘要

大数据处理技术是近几年来被热议的话题，它被广泛地应用于物理，天文，金融及其他科学研究领域。近年来，大数据处理技术在材料科学领域也得到了有效的应用，自2011年日本福岛核电站爆炸事故之后，科学家尝试利用SiC材料作为下一代核聚变反应堆的包壳材料，本课题的主要工作是利用改进的遗传算法对用于SiC材料大数据处理的关键势能函数进行优化，使得针对SiC材料的大数据计算结果更为准确。
　　作为改进型遗传算法提出的理论基础，本文首先介绍了遗传算法的基本原理和主要流程，对常见的编码方式，适应度函数构造方式以及交叉变异方式做了详细介绍。鉴于自适应遗传算法具备的诸多优点，本文选用自适应遗传算法作为初始的改进框架，并详细分析了传统自适应遗传算法的基本原理和优缺点。
　　为了进一步遏制自适应遗传算法存在的局部最优化和早熟收敛问题，本文将一种适用于实数编码的新型交叉方式引入传统的自适应遗传算法，并对自适应遗传算法的调节公式加以改进，提出一种基于算数交叉的自适应遗传算法，新型算法在优化效果方面比传统自适应遗传算法有较大提高。Tersoff势能函数是SiC材料大数据处理的核心函数，在Tersoff势能函数中，需要优化的参数有30个之多，为了使优化能够达到预期效果，就必须使用大规模种群，同时增加迭代的次数，这就带来了算法执行时间过长，效率低下的弊端。为了解决这一问题，本文将并行计算的思想引入到基于算数交叉的自适应遗传算法中，提出了一种基于算数交叉的并行自适应遗传算法，并利用这一算法对Tersoff势能函数进行了优化，然后利用改进后的势能函数在曙光5000A超级计算机上进行了大数据计算，并对计算结果进行评估，证明了优化结果的正确性和算法的有效性。同时，对比了几种遗传算法的收敛代数，运行时间等数据，说明了新型遗传算法的改进效果。最后，本文利用基于算数交叉的并行自适应遗传算法开发了一种用于SiC-He材料大数据计算的势能函数，并针对辐照损伤条件下SiC材料的关键特性进行了分子动力学大数据计算和分析，证明了新型遗传算法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题的研究背景与意义

1.2 国内外研究现状

1.2.1 遗传算法发展现状

1.2.2 材料学领域大数据处理发展现状

1.3 本文研究内容

1.4 本文组织结构

第2章 基础理论

2.1 遗传算法简介

2.1.1 遗传算法流程图

2.1.2 遗传算法主要环节

2.2 材料学大数据处理基础理论

2.2.1 分子动力学方法

2.2.2 第一性原理方法

2.3 本章小结

第3章 基于算数交叉的并行自适应遗传算法

3.1 基于实数编码的遗传算法

3.1.1 二进制编码的缺陷

3.1.2 实数编码的优势

3.1.3 交叉方式

3.1.4 变异方式

3.2 基于算数交叉的自适应遗传算法

3.2.1 自适应遗传算法简介

3.2.2 自适应遗传算法改进

3.3 自适应遗传算法的并行实现

3.3.1 AP-AGA算法并行化原理

3.3.2 AP-AGA算法串并行通信接口实现

3.3.3 并行参数设置

3.4 本章小结

第4章 并行自适应遗传算法与材料学大数据处理

4.1 基于AP-AGA算法的势能函数优化

4.1.1 待优化参数

4.1.2 适用于Tersoff势能函数的适应度函数

4.1.3 实验分析

4.2 基于AP-AGA算法的SiC-He势能函数开发

4.2.1 适用于SiC-He势能函数的适应度函数

4.2.2 SiC-He势能函数的开发

4.3 本章小结

结论

参考文献

攻读硕士期间发表的论文和取得的科研成果

致谢