CN104181141B - 基于遗传算法的发光材料组合试样库数据分析方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的发光材料组合试样库数据分析方法，主要解决现有技术中不能实现预测出最优发光材料的具体组分问题。本发明包括：1.建立发光材料组合试样库、2.数据采集和预处理、3.建立发光强度优化模型、4.求解优化模型、5.解码、6.计算最优解、7.输出结果。本发明通过对发光材料组合试样库数据的分析，并充分利用组合试样库试样组成与所测数据之间的联系，可以得到最优发光强度材料的预测组分。利用遗传算法求解优化模型，通过选择、交叉、变异操作，得到发光强度优化模型的解是全局最优解而不是局部最优解，从而解决了传统优化方法陷入局部最优解的缺陷。

Description

基于遗传算法的发光材料组合试样库数据分析方法

技术领域

本发明属于电子技术领域，更进一步涉及电子技术领域中的一种基于遗传算法的发光材料组合试样库数据分析方法。本发明可用于对组合试样库的数据进行分析并预测发光性能最优材料的具体组分。

背景技术

组合化学是一门将化学合成、计算机辅助分子设计、自动合成和高通量筛选评价技术结成的科学，其创立和发展始于新药研究的需要。20世纪90年代后期，组合化学的研究正逐渐用于新材料的研制。利用组合化学技术研究发光材料，是采用平行合成方法制备材料试样库，但同时也需要需要对大量试样的组成、工艺和性能进行优化和筛选。而传统的数据分析只能对当前所测的试样进行分析，得出的最优性能仅限于当前所测试样的组成，也未能发展出用于预测材料组成相关的可靠分析方法。

上海交通大学和上海特创磁电科技有限公司所拥有的专利技术“热敏锰锌铁氧体材料组合合成和高通量筛选方法”(专利号CN02136874.0，授权公开号CN1401610A)公开了一种热敏锰锌铁氧体材料组合合成和高通量筛选方法。该方法确定靶标为-40℃-+160℃温度范围内，磁导率μ>2000、μ-T特性优异的实用化热敏锰锌铁氧体系磁性材料，通过不同的材料配方和制备工艺，建立样品材料库。该方法采用由计算机控制的μ-T特性测试系统分析得到库表征，建立样品成分-制备工艺-物理性能的数据库，采集分类后进行材料初选，再作进一步分析研究并加以优化，筛选出先导材料，然后再针对市场需求的各个温度段的热敏锰锌铁氧体系磁性材料系列进行规模化试制。该方法具有组合合成与高通量筛选技术的普遍特征，可以大大缩短研制新材料的周期，获得大量性能优异的材料。但是，该专利技术仍然存在的不足是：该方法并不能适用于任何材料体系，也不是针对发光材料的筛选技术，更不能实现预测材料组成成分的功能，该方法只能对所测试样进行优化和筛选，得到其中的最优组分，而不能通过对已知的实验数据的分析预测出最优发光材料的具体组分，制约了组合化学方法在发光材料研究方面的应用。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于遗传算法的发光材料组合试样库数据分析方法,通过对所测试样库数据的分析，并充分利用所测数据与试样性能之间的联系，再通过遗传算法算法的进化计算，可以预测出性能最优材料的组分成分。

为了实现上述目的，本发明的具体思路是，在北京大学拥有的专利技术“荧光光谱仪外设组合试样库发光性能的测试方法及装置”(专利号CN200410096495.9，授权公开号CN1605857A)的基础上新增了一个基于遗传算法的组合试样库数据分析方法，此方法将遗传算法与组合试样库相结合，实现了对发光性能最优材料组分的预测。

为实现上述目的，本发明包括如下步骤：

(1)建立发光材料组合试样库：

(1a)利用固相法，分别合成氯磷酸钡、氯磷酸锶和氯磷酸钙；

(1b)以氯磷酸钡、氯磷酸锶和氯磷酸钙为原料，按照氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形中的试样点,计算组合试样原料配比，用电子天平进行称量配料，将称量的配料，经过高温煅烧，合成组合试样；

(1c)利用氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形中的试样点合成的试样，建立发光材料组合试样库；

(1d)将发光材料组合试样库中选取的试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比作为试样的组分。

(2)数据采集和预处理：

(2a)利用单片机和模-数转换器件构成的光谱信号采集系统，从荧光光谱仪中采集发光材料组合试样库试样的组分对应的发光强度；

(2b)利用插值拟合方法，对采集的发光材料组合试样库试样的组分和发光强度进行预处理；

(2c)将预处理后的采集的发光材料组合试样库试样的组分和发光强度输入到矩阵中。

(3)按照下式，建立发光强度的优化模型：

Max H(X)＝H(x₁,x₂,x₃)

S.t.x₁+x₂+x₃＝1

0＜x₁,x₂,x₃＜1

其中，Max表示对发光材料组合试样库试样的发光强度进行最大值操作，H(X)表示发光材料组合试样库试样的发光强度，X表示发光材料组合试样库试样的组分，x₁、x₂、x₃分别表示发光材料组合试样库试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比；S.t.表示对发光材料组合试样库试样组分进行约束操作。

(4)求解优化模型：

(4a)设置遗传算法的参数，其中，终止条件为适应度F满足|F-1|＜0.01、初始种群数为66个、变异率为0.8、交叉率为0.05；

(4b)用遗传算法对发光材料组合试样库中试样的组分按二进制进行编码，并随机产生一个初始群体；

(4c)对初始群体中每个个体进行选择、交叉、变异操作后，产生新一代群体；

(4d)将新一代群体中个体按二进制进行解码，得到新一代群体中发光材料试样的组分；

(4e)按照下式，计算新一代群体中每个个体的适应度：

$F=\frac{H\left(X\right)-H_{\min }\left(X\right)}{H_{\max }\left(X\right)-H_{\min }\left(X\right)}$

其中，F表示新一代群体中个体的适应度，H(X)表示发光材料组合试样库中试样的发光强度，X表示发光材料组合试样库试样的组分，H_min(X)表示新一代群体中发光材料的最小发光强度，H_max(X)表示新一代群体中发光材料试样的最大发光强度；

(4f)判断新一代群体中个体的适应度是否满足所设置遗传算法终止条件；如果是，则执行步骤(5)；否则，执行步骤(4c)。

(5)解码：

将新一代群体中适应度满足所设置遗传算法终止条件的个体按二进制进行解码，得到发光材料试样的预测组分。

(6)计算最优解：

按照步骤(3)中的优化模型，计算出发光材料试样的预测组分的发光强度，将预测组分的发光强度，作为发光强度优化模型的最优解。

(7)输出结果：

输出发光强度优化模型的最优解和发光材料试样的预测组分。

本发明与现有技术相比具有以下优点：

第一，本发明在建立发光强度优化模型中，充分利用发光材料组合试样库中试样的发光强度和组分信息，在求解发光强度优化模型中，利用遗传算法进行求解。克服了现有技术中仅根据很少的发光材料试样的数据来发光强度优化模型的局部最优解的局限性，使得本发明提高了全局最优解的效率。

第二，本发明将遗传算法与组合试样库相结合，实现了对发光性能最优材料组分的预测。克服了现有技术中仅在已知试样库内搜索最优发光材料，而未能通过对试样库内试样的发光性能的分析的不足，使得本发明能更好的用于发现新的发光材料。

第三，本发明采用插值拟合，并在拟合过程中采用发光强度求平均和归一化，将发光材料试样库试样的发光强度归一化，不是直接对发光材料试样库试样的发光强度进行拟合，这种插值拟合方法易于得到拟合结果，同时能够保证拟合度。克服了现有技术中只关注拟合结果，而忽略拟合度的不足，使得本发明的拟合结果与实际之间的误差更小。

附图说明

图1为本发明的流程图；

图2为本发明的发光材料组合试样库的氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形示意图。

具体实施方式：

下面结合附图对本发明作进一步的描述。

参照附图1，本发明的具体步骤如下。

步骤1，建立发光材料组合试样库。

第一步，利用固相法，分别合成氯磷酸钡、氯磷酸锶和氯磷酸钙。

第二步，以氯磷酸钡、氯磷酸锶和氯磷酸钙为原料，参考图2建立的浓度三角形中的试样点，计算组合试样原料配比，用电子天平进行称量配料，将称量的配料，经过高温煅烧，合成组合试样；

参考图2，浓度三角形的顶点A表示试样中氯磷酸钡的摩尔百分比为1.0，氯磷酸钙的摩尔百分比为0；浓度三角形的顶点B表示试样中氯磷酸钙的摩尔百分比为1.0，氯磷酸锶的摩尔百分比为0；浓度三角形的顶点A表示试样中氯磷酸锶的摩尔百分比为1.0,氯磷酸钡的摩尔百分比为0；浓度三角形的边AB上的点表示试样中氯磷酸钡和氯磷酸钙两种原料，浓度三角形的边BC上的点表示试样中只有氯磷酸钙和氯磷酸锶两种原料，浓度三角形的边BC上的点表示试样中只有氯磷酸锶和氯磷酸钡两种原料；在浓度三角形内部的点表示试样中有氯磷酸钡、氯磷酸锶和氯磷酸钙三种原料；从A点到B点氯磷酸钡的摩尔百分比依次为1.0、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1、0，氯磷酸钙的摩尔百分比依次为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0，从B点到C点氯磷酸钙的摩尔百分比依次为1.0、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1、0，氯磷酸锶的摩尔百分比依次为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0，从C点到A点氯磷酸锶的摩尔百分比依次为1.0、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1、0，氯磷酸钙的摩尔百分比依次为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。

第三步，利用氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形中的试样点合成的试样，建立发光材料组合试样库。

第四步，将发光材料组合试样库中选取的试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比作为试样的组分。

步骤2，数据采集和预处理。

利用单片机和模-数转换器件构成的光谱信号采集系统，从荧光光谱仪器中采集发光材料组合试样库试样的组分和发光强度。

利用插值拟合方法，对采集的发光材料组合试样库试样的组分和发光强度进行预处理。

插值拟合方法的具体步骤如下：

对采集的待测发光材料组合试样库每个试样的发光强度数据求平均值，得到的每个试样的平均发光强度数据。

按照下式，对采集的待测发光材料组合试样库试样的平均发光强度进行归一化：

$x^{\′}=\frac{x-a}{b-a}$

其中，x'表示归一化后试样的发光强度，x表示试样的平均发光强度，a表示试样平均发光强度的最小值，b表示试样平均发光强度的最大值。

将采集的待测发光材料组合试样库试样的组分和强度归一化后的发光强度作为初始点，将0＜x₁,x₂,x₃＜1和x₁+x₂+x₃＝1作为约束条件，其中x₁、x₂、x₃分别表示氯磷酸钡、氯磷酸锶和氯磷酸钙对应的试样组分，采用满足约束条件并逐步逼近初始点要求的插值拟合算法，在满足约束条件区域内对初始点进行插值拟合，得到采集的待测发光材料组合试样库试样的组分和归一化后的发光强度之间的关系。

将预处理后的采集的发光材料组合试样库试样的组分和发光强度输入到矩阵中。

步骤3，按照下式，建立发光强度的优化模型：

Max H(X)＝H(x₁,x₂,x₃)

S.t.x₁+x₂+x₃＝1

0＜x₁,x₂,x₃＜1

其中，Max表示对发光材料组合试样库试样的发光强度进行最大值操作，H(X)表示发光材料组合试样库试样的发光强度，x₁、x₂、x₃分别表示发光材料组合试样库试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比；S.t.表示对发光材料组合试样库试样组分进行约束操作。

步骤4，求解优化模型。

(4a)设置遗传算法的参数，其中，终止条件为适应度F满足|F-1|＜0.01、初始种群数为66个、变异率为0.8、交叉率为0.05；

(4b)用遗传算法对发光材料组合试样库中试样的组分按二进制进行编码，并随机产生一个初始群体；

(4c)对初始群体中每个个体进行选择、交叉、变异操作后，产生新一代群体；

(4d)将新一代群体中个体按二进制进行解码，得到新一代群体中发光材料试样的组分；

(4e)按照下式，计算新一代群体中每个个体的适应度：

$F=\frac{H\left(X\right)-H_{\min }\left(X\right)}{H_{\max }\left(X\right)-H_{\min }\left(X\right)}$

其中，F表示新一代群体中个体的适应度，H(X)表示发光材料组合试样库中试样的发光强度，X表示发光材料组合试样库试样的组分，H_min(X)表示新一代群体中发光材料的最小发光强度，H_max(X)表示新一代群体中发光材料试样的最大发光强度；

(4f)判断新一代群体中个体的适应度是否满足所设置遗传算法终止条件；如果是，则执行步骤(5)；否则，执行步骤(4c)。

步骤5，解码。

将新一代群体中适应度满足所设置遗传算法终止条件的个体按二进制进行解码，得到发光材料试样的预测组分。

步骤6，计算最优解。

按照步骤3中的优化模型，计算出发光材料试样的预测组分的发光强度，将预测组分的发光强度，作为发光强度优化模型的最优解。

步骤7，输出结果。

输出发光强度优化模型的最优解和发光材料试样的预测组分。

Claims (2)

1.一种基于遗传算法的发光材料组合试样库数据分析方法，包括以下具体步骤：

(1)建立发光材料组合试样库：

(1a)利用固相法，分别合成氯磷酸钡、氯磷酸锶和氯磷酸钙；

(1b)以氯磷酸钡、氯磷酸锶和氯磷酸钙为原料，按照氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形中的试样点,计算组合试样原料配比，用电子天平进行称量配料，将称量的配料，经过高温煅烧，合成组合试样；

(1c)利用氯磷酸钡、氯磷酸锶和氯磷酸钙的浓度三角形中的试样点合成的试样，建立发光材料组合试样库；

(1d)将发光材料组合试样库中选取的试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比作为试样的组分；

(2)数据采集和预处理：

(2a)利用单片机和模-数转换器件构成的光谱信号采集系统，从荧光光谱仪中采集发光材料组合试样库试样的组分对应的发光强度；

(2b)利用插值拟合方法，对采集的发光材料组合试样库试样的组分和发光强度进行预处理；

(2c)将预处理后的采集的发光材料组合试样库试样的组分和发光强度输入到矩阵中；

(3)按照下式，建立发光强度的优化模型：

Max H(X)＝H(x₁,x₂,x₃)

S.t.0<x₁,x₂,x₃<1,

x₁+x₂+x₃＝1

其中，Max表示对发光材料组合试样库试样的发光强度进行最大值操作，H(X)表示发光材料组合试样库试样的发光强度，X表示发光材料组合试样库试样的组分，x₁、x₂、x₃分别表示发光材料组合试样库试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比；S.t.表示对发光材料组合试样库试样组分进行约束操作；

(4)求解优化模型：

(4a)设置遗传算法的参数，其中，终止条件为适应度F满足|F-1|<0.01、初始种群数为66个、变异率为0.8、交叉率为0.05；

(4b)用遗传算法对发光材料组合试样库中试样的组分按二进制进行编码，并随机产生一个初始群体；

(4c)对初始群体中每个个体进行选择、交叉、变异操作后，产生新一代群体；

(4d)将新一代群体中个体按二进制进行解码，得到新一代群体中发光材料试样的组分；

(4e)按照下式，计算新一代群体中每个个体的适应度：

$F=\frac{H\left(X\right)-H_{\min }\left(X\right)}{H_{max}\left(X\right)-H_{\min }\left(X\right)}$

其中，F表示新一代群体中个体的适应度，H(X)表示发光材料组合试样库中试样的发光强度，X表示发光材料组合试样库试样的组分，H_min(X)表示新一代群体中发光材料的最小发光强度，H_max(X)表示新一代群体中发光材料试样的最大发光强度；

(4f)判断新一代群体中个体的适应度是否满足所设置遗传算法终止条件；如果是，则执行步骤(5)；否则，执行步骤(4c)；

(5)解码：

将新一代群体中适应度满足所设置遗传算法终止条件的个体按二进制进行解码，得到发光材料试样的预测组分；

(6)计算最优解：

按照步骤(3)中的优化模型，计算出发光材料试样的预测组分的发光强度，将预测组分的发光强度，作为发光强度优化模型的最优解；

(7)输出结果：

输出发光强度优化模型的最优解和发光材料试样的预测组分。

2.根据权利要求1所述基于遗传算法的发光材料组合试样库数据分析方法，其特征在于，步骤(2b)中所述插值拟合方法的具体步骤如下：

第一步，对采集的发光材料组合试样库每个试样的发光强度数据求平均值，得到的每个试样的平均发光强度数据；

第二步，按照下式，对采集的发光材料组合试样库试样的平均发光强度进行归一化：

$x^{\&prime;}=\frac{x-a}{b-a}$

其中，x'表示归一化后试样的发光强度，x表示试样的平均发光强度，a表示试样平均发光强度的最小值，b表示试样平均发光强度的最大值；

第三步，将采集的发光材料组合试样库试样的组分和强度归一化后的发光强度作为初始点，将0<x₁,x₂,x₃<1和x₁+x₂+x₃＝1作为约束条件，其中x₁、x₂、x₃分别发光材料组合试样库试样中氯磷酸钡、氯磷酸锶和氯磷酸钙的摩尔百分比，采用满足约束条件并逐步逼近初始点要求的插值拟合算法，在满足约束条件区域内对初始点进行插值拟合，得到采集的发光材料组合试样库试样的组分和归一化后的发光强度之间的关系。