CN109658990A - 一种发光粉合成比例的优化方法 - Google Patents
一种发光粉合成比例的优化方法 Download PDFInfo
- Publication number
- CN109658990A CN109658990A CN201811368585.7A CN201811368585A CN109658990A CN 109658990 A CN109658990 A CN 109658990A CN 201811368585 A CN201811368585 A CN 201811368585A CN 109658990 A CN109658990 A CN 109658990A
- Authority
- CN
- China
- Prior art keywords
- luminescent powder
- primary
- information
- particle
- information coding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Luminescent Compositions (AREA)
Abstract
本发明涉及一种发光粉合成比例的优化方法,包括以下步骤:S01:建立算法库,所述算法库包括遗传算法、粒子群算法和模拟退火算法;S02:从所述算法库选择目标算法,并根据所述目标算法设置参数;S03:依次获取n个初代发光粉数据,每一个所述初代发光粉数据为一个发光粉粒子中的每一种元素的组成比例及所述发光粉粒子的量子产率,其中n为正整数;S04:根据所述初代发光粉数据,利用所述目标算法,计算得到发光粉合成比例。本发明提出的发光粉合成比例的优化方法提供多种优化算法来指导发光粉合成工作,通过提前设置程序并完成代码编写,既解决了传统指导发光粉合成工作中算法单一的问题,又解决了传统算法中需要自行设计程序及代码编写的问题。
Description
技术领域
本发明涉及发光粉合成技术领域,尤其涉及一种发光粉合成比例的优化方法。
背景技术
稀土发光材料合成的主要任务之一是合成具有高量子产率的稀土发光材料,由于发光粉粒子中各元素合成比例的不同,发光粉粒子的量子产率也不相同,为达到设定的量子产率,就需要将发光粉粒子中的各元素进行重新组合。
在文献“A search for new red and green phosphors using a computationalevolutionary optimization process”中,证明了使用启发式算法指导发光粉合成的可行性。在使用启发式算法指导发光粉合成的过程中,通过输入现有的发光粉粒子的合成比例信息,经过算法内部程序的运算,推导出优化后的发光粉粒子的合成比例。
但是,采用启发式算法时,不仅需要一定的化学相关的知识,同时需要自行进行程序设计与代码编写,因此,使用启发式算法指导发光粉合成门槛较高,操作难度大,因此,怎样可以方便有效得到发光粉合成过程中各元素比例信息成为一个重要的研究课题。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种发光粉合成比例的优化方法,具体的实施方式如下:
本发明实施例提供了一种发光粉合成比例的优化方法,包括以下步骤:
S01:建立算法库,所述算法库包括遗传算法、粒子群算法和模拟退火算法;
S02:从所述算法库选择目标算法,并根据所述目标算法设置参数;
S03:依次获取n个初代发光粉数据,每一个所述初代发光粉数据为一个发光粉粒子中的每一种元素的组成比例及所述发光粉粒子的量子产率,其中n为正整数;
S04:根据所述初代发光粉数据,利用所述目标算法,计算得到发光粉合成比例。
在一个具体的实施例中,所述步骤S03之后还包括:
根据所述初代发光粉数据对发光粉粒子进行编码,生成n个初代信息编码;
以量子产率作为适应度,选取适应度最高的发光粉粒子,并标记所述适应度最高的发光粉粒子的初代信息编码为初代最优编码。
在一个具体的实施例中,所述步骤S02包括:
S211:选取所述遗传算法作为所述目标算法;
S212:根据所述遗传算法,设置精英主义概率r。
在一个具体的实施例中,所述步骤S04包括:
S411:根据轮盘赌选择方法,从n个所述初代信息编码中随机选择2个初代信息编码,标记为父本信息编码;
S412:对2个所述父本信息编码进行单点交叉操作,生成2个交叉信息编码;
S413:对2个所述交叉信息编码进行单点突变操作,生成2个突变信息编码;
S414:对2个所述突变信息编码进行归一化操作,得到2个子代信息编码;
S415:循环执行步骤S411~步骤S414,直至得到n个子代信息编码;
S416:根据所述精英主义概率r,判断是否对所述n个子代信息编码进行替换作业;
若是,则从n个所述子代信息编码中随机选择一个子代信息编码作为替换信息编码,并使用所述初代最优编码替换所述替换信息编码,生成子代信息编码列表;
若否,则将所述n个子代信息编码标记为子代信息编码列表;
S417:根据所述子代信息编码列表,得到n个发光粉合成比例。
在一个具体的实施例中,所述步骤S02包括:
S221:选取所述粒子群算法作为所述目标算法;
S222:根据所述粒子群算法,设置粒子群参数,所述粒子群参数包括惯性因子ω、第一加速因子c1及第二加速因子c2,所述惯性因子ω、所述第一加速因子c1及所述第二加速因子c2均为正数。
在一个具体的实施例中,所述步骤S04包括:
S421:根据所述初代发光粉数据,对每个发光粉粒子进行位置信息编码,获取初代位置编码;
S422:根据所述初代位置编码,计算所述发光粉粒子的初代位移PSV0;
S423:根据所述位移PSV0、所述惯性因子ω、所述第一加速因子c1及所述第二加速因子c2,计算所述发光粉粒子的初代移速V0;
S424:根据所述移速V0,生成第一子代位置编码;
S425:对n个所述初代位置编码,依次执行步骤S421~步骤S424,得到n个第一子代位置编码;
S426:对n个所述第一子代位置编码进行归一化操作,得到n个子代位置编码;
S427:根据n个所述子代位置编码,得到n个发光粉合成比例。
在一个具体的实施例中,所述步骤S02包括:
S231:选取所述模拟退火算法作为所述目标算法;
S232:根据所述模拟退火算法,设置模拟退火参数,所述模拟退火参数包括初始温度T、降温系数δ和扰动倍率z。
在一个具体的实施例中,所述步骤S04包括:
S431:根据所述初代信息编码和所述扰动倍率z,进行随机扰动操作,得到所述发光粉粒子的第一子代信息编码;
S432:根据所述第一子代信息编码,得到所述发光粉粒子的第一合成比例信息;
S433:根据所述第一合成比例信息,获取所述发光粉粒子的第一量子产率;
S434:根据所述第一量子产率、所述初始温度T和所述降温系数δ,得到适应度变化值dE,利用metropolis接收准则,根据所述适应度变化值dE,对所述第一子代信息编码进行筛选操作,得到所述发光粉粒子的子代信息编码;
S435:对n个发光粉粒子的初代信息编码,依次执行步骤S431~步骤S434,得到n个子代信息编码;
S436:根据n个所述子代信息编码,得到n个发光粉合成比例。
在一个具体的实施例中,所述步骤S232还包括设置和声记忆库取值概率HMCR、音调微调概率PAR。
在一个具体的实施例中,所述步骤S431为:
S4311:根据所述和声记忆库取值概率HMCR、所述音调微调概率PAR和所述发光粉粒子的初代信息编码,生成所述发光粉粒子的修正信息编码;
S4312:对所述修正信息编码进行归一化操作,得到第一子代信息编码。
本发明的有益效果为:
1、本发明提出的发光粉合成比例的优化方法提供了多种优化算法来指导发光粉合成工作,通过提前设置好程序并完成代码编码,既解决了传统指导发光粉合成工作之中算法过于单一的技术问题,又解决了传统算法中需要自行设计程序及进行代码编写、调试的技术问题;
2、本发明提出了一种基于全局和声搜索的模拟退火算法,在传统模拟算法的基础上加入了全局和声搜索算法的技术思想,解决了传统模拟退火算法中,进行随机扰动操作时,编码值的改变结果不一定是朝着优化的方向进行的问题。
附图说明
图1为本发明提出的发光粉合成比例的优化方法的流程示意图;
图2为本发明提出的根据遗传算法来进行发光粉合成比例的优化方法的流程示意图;
图3为本发明提出的根据粒子群算法来进行发光粉合成比例的优化方法的流程示意图;
图4为本发明提出的根据模拟退火算法来进行发光粉合成比例的优化方法的流程示意图;
图5为本发明提出的全局和声搜索的流程示意图。
具体实施方式
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种发光粉合成比例的优化方法。
需要说明的是,在本发明提出的发光粉合成比例的优化方法中,每种算法中,每个发光粉粒子的算法步骤都是相同的,所以在本发明提出的实施例中,以第i个发光粉粒子的计算过程为例,不再对其余所有发光粉粒子的计算过程做过多叙述,且在本发明的实施例中,各种编码均为数值输入后产生的计算机编码,所以编码与数字一一对应,为方便表述,在本发明的所有实施例中提到的类似编码为正数的表述,均表示该编码对应的数字为正数。
具体的实施方式如下:
实施例一
如图1所示,图1为本发明提出的发光粉合成比例的优化方法的流程示意图,本发明实施例提出了一种发光粉合成比例的优化方法,包括以下步骤:
S01:建立算法库,算法库包括遗传算法、粒子群算法和模拟退火算法,在算法库中设置好这几种算法的运行程序,运行时可以直接进行调用,避免了传统用户在利用算法进行计算时,还需要自行设计程序以及进行代码编写调试的麻烦;
S02:从算法库中选择目标算法,并根据目标算法设置参数;
S03:依次获取n个初代发光粉数据,每一个初代发光粉数据为一个发光粉粒子中的每一种元素的组成比例及发光粉粒子的量子产率,其中n为大于等于1的整数;
S04:根据初代发光粉数据,利用目标算法,计算得到发光粉合成比例。
本发明实施例提出的发光粉合成比例的优化方法的具体工作原理为:
提前设置好不同的算法程序,用户在使用时根据运算精度要求、工作量要求以及计算机设备等各种因素,选择一个具体的算法并设置相应的算法参数;
具体的为:
选择遗传算法,设置精英主义概率r;
选择粒子群算法,设置惯性因子ω、第一加速因子c1及第二加速因子c2;
选择模拟退火算法,设置初始温度T、降温系数δ和扰动倍率z,还可以根据需要设置和声记忆库取值概率HMCR、音调微调概率PAR;
然后输入现有的发光粉粒子的数据,现有的发光粉粒子的数据包括已知的发光粉粒子、组成这些发光粉粒子的每一种元素的组成比例及该发光粉粒子的量子产率,根据这些数据,执行相应算法,根据内置的算法程序,算法程序会运算出一批优化后的发光粉粒子的合成比例,与现有的算法相比,本发明提出的发光粉合成比例的优化方法避免了传统发光粉合成比例过程中,算法单一和需要自行设计程序及代码编写的麻烦,提高了计算效率。
进一步的,步骤S03之后还包括:
根据初代发光粉数据对发光粉粒子进行编码,生成n个初代信息编码;
具体的,输入的n个发光粉粒子的初代数据为现有的发光粉粒子的数据,每个发光粉粒子的组成元素的组成比例都与其他发光粉粒子不同,即每个信息编码与每个发光粉粒子的合成比例是一一对应的,根据组成发光粉粒子的一个固定的元素比例数据可以得到一个固定的信息编码,同理,根据一个发光粉粒子的信息编码可以得到一个固定的组成发光粉粒子的元素的合成比例数据,根据现有的发光粉粒子数据生成的编码为初代信息编码,按发光粉粒子的输入顺序依次将每个发光粉粒子的初代信息编码命名为A01~A0n,第i个发光粉粒子的初代信息编码为A0i,其中,在A0i中,第一部分中包含标记A,A为信息编码标记,第二部分包含数字0,0代表该编码未经过算法迭代运算,第三部分包含数字i,i代表该初代信息编码为按顺序输入的第i个发光粉粒子的初代信息编码;
以量子产率作为适应度,选取适应度最高的发光粉粒子,并标记适应度最高的发光粉粒子的初代信息编码为初代最优编码,适应度与量子产率成线性正相关,将初代最优编码定义为A0max;
同理,不仅每个发光粉粒子按输入的顺序构成了与输入顺序对应的编码,每个发光粉粒子的每个组成元素的比例信息也按输入的顺序生成一个编码,每个发光粉粒子均由m种组成元素合成,则有
A0={A01,A02,...,A0n},
A0i={A0i1,A0i2,…,A0im},
A0max={A0max1,A0max2,…,A0maxm},
A0i∈A0,A0max∈A0,i≤n,
其中,n、m以及i均为正整数,A0为n个发光粉粒子的初代信息编码A01~A0n构成的集合,A0i1~A0im为第i个发光粉粒子的m种组成元素的比例信息按输入顺序生成初代元素信息编码,发光粉粒子的初代信息编码为其各元素的比例组成的集合,即A0i为A0i1~A0im构成的集合,依次类推,可以得到其他发光粉粒子的初代元素信息编码,例如一个发光粉粒子由6种稀土元素A、B、C、D、E和F化合而成,其中各元素之间的质量比例为A:B:C:D:E:F=0.12:0.28:0.2:0.02:0.28:0.1,则输入时按照A、B、C、D、E和F的顺序输入,根据该发光粉粒子的数据生成的初代信息编码A0i为一个6维集合,其中第一维数据为根据A元素的比例值0.12生成的编码,其余数据也与对应的比例值对应。
实施例二
本实施例中提供了根据遗传算法来进行发光粉合成比例的优化方法,其过程包括:
在实施例一的基础上,步骤S02具体为:
S211:选取遗传算法作为所述目标算法;
S212:根据选取的遗传算法,设置精英主义概率r;
优选的,本实施例中,r=70%。
如图2所示,图2为本发明提出的根据遗传算法来进行发光粉合成比例的优化方法的流程示意图,进一步的,步骤S04具体为:
S411:根据轮盘赌选择方法,从n个初代信息编码中随机选择2个初代信息编码,标记为父本信息编码,例如从A0中随机选择A01和A02,并将这两个初代信息编码标记为父本信息编码;
S412:对2个父本信息编码进行单点交叉操作,生成2个交叉信息编码,即随机选择一个交叉点位置x,将A01和A02中第x位置以后的编码进行交叉替换,得到交叉信息编码A01’和A02’;
具体的,例如当交叉点位置x为A01中第x个初代元素信息编码之后的位置,交叉前,有
A01={A011,A012,…,A01x,A01x+1,…,A01m},
A02={A021,A022,…,A02x,A02x+1,…,A02m},
交叉后,变为
A01’={A011,A012,…,A01x,A02x+1,…,A02m},
A02’={A021,A022,…,A02x,A01x+1,…,A01m};
S413:对2个交叉信息编码进行单点突变操作,生成2个突变信息编码,即随机选择一个突变点位置y,将A01’和A02’中第y位置上编码进行突变,因此得到突变信息编码A01’y和A02’y;
S414:对2个突变信息编码进行归一化操作,得到2个子代信息编码A11和A12,这里提出的归一化操作方法为Min-Max Normalization方法,在上述步骤中得到编码A01’、A02’、A01’y和A02’y均可能存在每个编码中对应的的各元素比例值之和不再为1的问题,即不能成为组成一个发光粉粒子,这时候根据Min-Max Normalization方法,得到一个正确的元素合成比例信息;
S415:循环执行步骤S411~步骤S414,直至得到n个子代信息编码A11~A1n,其中每个子代信息编码中第二个数字1代表发光粉粒子的信息编码经过一次完整的迭代过程,生成一个新的发光粉粒子的信息;
S416:根据精英主义概率r,判断是否对n个子代信息编码进行替换作业;
若是,则从n个子代信息编码中随机选择一个子代信息编码作为替换信息编码,并使用初代最优编码A0max替换该替换信息编码,生成子代信息编码列表A1;
若否,则将n个子代信息编码标记为子代信息编码列表A1其中A1为A11~A1n组成的集合;
具体的,每次判断的时候,会自动运行一个随机程序a=rand(0,1),比较a与r的大小,若a<r,则执行替换作业,若a>r,则不执行替换作业;
S417:根据子代信息编码列表,得到n个发光粉合成比例。
实施例三
本实施例中提供了根据粒子群算法来进行发光粉合成比例的优化方法,其过程包括:
在实施例一的基础上,步骤S02具体为:
S221:选取粒子群算法作为所述目标算法;
S222:根据粒子群算法,设置粒子群参数,粒子群参数包括惯性因子ω、第一加速因子c1及第二加速因子c2,惯性因子ω、第一加速因子c1及第二加速因子c2均为正数;
优选的,本实施例中,ω=0.4,c1=c2=2。
如图3所示,图3为本发明提出的根据粒子群算法来进行发光粉合成比例的优化方法的流程示意图,进一步的,步骤S04包括:
S421:根据初代发光粉数据,对每个发光粉粒子进行位置信息编码,获取初代位置编码;
具体的,对发光粉粒子的位置信息编码的过程与生成发光粉粒子的信息编码的过程相同,即发光粉粒子的位置编码与信息编码其实是对同样的发光粉粒子的不同编码形式,一个发光粉粒子的位置编码与信息编码是一一对应的,同样的也可以根据一个位置编码得到一个固定的组成发光粉粒子的元素的合成比例信息;
按输入顺序,生成n个发光粉粒子的初代位置编码P01~P0n,第i个发光粉粒子的初代位置编码为P0i,其中,在P0i中,第一部分中包含标记P,P为位置编码标记,第二部分包含数字0,0代表该编码未经过算法迭代运算,第三部分包含数字i,i代表该初代位置编码为按顺序输入的第i个发光粉粒子的初代位置编码;
继续以量子产率作为适应度,此时,标记适应度最高的发光粉粒子的初代位置编码为初代最优位置编码,将初代最优位置编码定义为P0max,有
P0={P01,P02,...,P0n},
P0i={P0i1,P0i2,…,P0im},
P0max={P0max1,P0max2,…,P0maxm},
P0i∈P0,P0max∈P0,i≤n,
其中,n、m以及i均为正整数,P0为n个发光粉粒子的初代位置编码P01~P0n构成的集合,n个发光粉粒子的位置编码组成的集合为一个粒子群,则P0为初代粒子群,P0i1~P0im为第i个发光粉粒子的m种组成元素的比例信息按一定顺序生成初代元素位置编码,发光粉粒子的初代位置编码为其各元素的比例信息组成的集合,即P0i为P0i1~P0im构成的集合,且有P0i1+P0i2+…+P0im=1,依次类推,可以得到其他发光粉粒子的初代元素位置编码;
S422:根据发光粉粒子的初代位置编码,计算发光粉粒子的初代位移PSV0;
具体的,计算位移PSVx的公式为:
在公式(1)中,x表示发光粉粒子的迭代次数,PSVx即为迭代x次后的粒子群的位移,粒子群的位移即为n个发光粉粒子的位移组成的集合,每个发光粉粒子的位移即为组成发光粉粒子的每个组成元素的位移的集合,具体的,即为经过迭代x次后,发光粉粒子的新的位置编码Pxi与迭代计算x-1次后,发光粉粒子的位置编码的差值,例如x=5时,PSV5i表示第i个发光粉粒子的初代位置编码经过5次迭代后的位置编码P5i与该初代位置编码经过4次迭代后的位置编码P4i的差值;当x=1时,PSV1i表示第i个发光粉粒子的初代位置编码经过1次迭代后的位置编码P1i与该初代位置编码的差值;
具体的,当x=0时,即当粒子群为初代粒子群P0时,并不存在一个经过迭代计算前的粒子群位置,此时,算法程序会产生一个虚拟粒子群P0’,该虚拟粒子群包括n个发光粉粒子的虚拟位置编码P01’~P0n’,P01’~P0n’与P01~P0n对应存在,具体对应关系为:
P0i’=rand(0,P0i),
即第i个发光粉粒子的虚拟位置编码为小于该发光粉粒子的初代位置编码的随机正数,有
P0’={P01’,P02’,...,P0n’},
P0i’={P0i’1,P0i’2,…,P0i’m},
P0i∈P0,i≤n,
对应的,P0i’1~P0i’m为小于对应的P0i1~P0im的随机正数;
所以,发光粉粒子的初带位移PSV0的具体计算过程为:
S423:根据位移PSV、惯性因子ω、第一加速因子c1及第二加速因子c2,计算发光粉粒子的初代移速V0;
具体的,计算移速的Vx的公式为:
公式(2)中,x的意义与公式(1)中x的意义相同,这里不再赘述,
r1=rand(0,1)、r2=rand(0,1),r1和r2为程序在每次计算移速Vx前随机生成的两个小于1的正数;
第i个发光粉粒子在x次迭代计算过程中,包括初代位置编码在内,共产生x+1个位置编码,其中适应度最高的位置编码即为PBxi,即PBxi为第i个发光粉粒子经过的最佳位置,对于初代粒子群P0来说,PB0i即为第i个发光粉粒子的初代位置编码P0i;
初代粒子群P0经过一次迭代运算后生产第一子代粒子群P1,在第一子代粒子群P1中,适应度最高的位置编码为P1max,比较P1max与P0max,适应度更高的即为GP1,GP1应用在第二次迭代计算公式中,同理,每次迭代运算后生成的粒子群均存在一个适应度最高的位置编码Pxmax,比较Pxmax与GP(x-1),适应度更高的为GPx,GPx应用在下一次迭代运算的计算公式中,即经过x次迭代,整个过程生成n*x个位置编码,其中适应度最高的位置编码即为GPx,故将GPx定义为粒子群经过的全局最佳位置,对于初代粒子群P0来说,GP0=P0max,所以,初代移速V0的具体计算过程为:
S424:根据初代移速V0,生成第一子代位置编码;
具体的,在公式(3)中,生成的第i个发光粉粒子的移速Vxi也是一个m维集合,集合中每一维元素为对应的发光粉粒子组成元素的元素位置编码的移速,所以Vxi与Pxi均为m维集合,则有发光粉粒子的更新公式为:
其中,y为正整数,Pxiy与Vxiy分别代表集合Pxi与Vxi中第y个元素,更新公式(3)运行前,先随机生成的三个正数R1、R2和R3,R1、R2和R3满足关系:0<R1<R2<R3<1,且R1+R2+R3=1;
对于初代粒子群P0来说,公式(3)具体为:
S425:对n个初代位置编码,依次执行步骤S421~步骤S424,得到n个第一子代位置编码;
S426:对n个第一子代位置编码进行归一化操作,得到n个子代位置编码,这里提到的归一化操作方法也为实施例二中提出的Min-Max Normalization方法;
S427:根据n个子代位置编码,得到n个发光粉合成比例,步骤S421~步骤S427为一次完整的迭代过程。
实施例四
本实施例中提供了根据模拟退火算法来进行发光粉合成比例的优化方法,其过程包括:
在实施例一的基础上,步骤S02具体为:
S231:选取模拟退火算法作为所述目标算法;
S232:根据模拟退火算法,设置模拟退火参数,模拟退火参数包括初始温度T、降温系数δ和扰动倍率z。
优选的,扰动倍率z的取值范围为0~2。
如图4所示,图4为本发明提出的根据模拟退火算法来进行发光粉合成比例的优化方法的流程示意图,进一步的,步骤S04包括:
S431:根据初代信息编码和扰动倍率z,进行随机扰动操作,得到所发光粉粒子的第一子代信息编码;
具体的,对初代信息编码A01={A011,A012,…,A01m},随机确定一个扰动位置,例如A011所在的位置,对扰动位置上的元素信息编码按照扰动倍率z扰动,变为A01i z,即初代信息编码A01经过扰动,变为A01z={A01i z,A012,…,A01m};
S432:根据第一子代信息编码,得到发光粉粒子的第一合成比例信息,例如根据A01z得到一个新的发光粉合成比例信息;
S433:根据第一合成比例信息,获取发光粉粒子的第一量子产率;
S434:根据第一量子产率、初始温度T和降温系数δ,得到适应度变化值dE,利用metropolis接收准则,根据适应度变化值dE,对第一子代信息编码进行筛选操作,得到发光粉粒子的子代信息编码;
具体的,初代信息编码A0i对应的适应度为Ei,经过扰动后生成的第一子代信息编码对应的适应度为Eiz,适应度的变化值为dE=Eiz-Ei,根据metropolis接收准则,得到筛选概率v=edE/(T*δ^(u-1)),其中u为程序完整迭代运行次数,默认u=1,此时分为两种情况:
1、dE>0,即适应度增加,则令第一子代信息编码为子代信息编码;
2、dE≤0,此时并不是直接放弃第一子代信息编码,程序此时会随机生成a=rand(0,1),判断v与a的大小,若v<a,则放弃第一子代信息编码,选择初代信息编码为子代信息编码;若v>a,则仍令第一子代信息编码为子代信息编码;
S435:对n个发光粉粒子的初代信息编码,依次执行步骤S431~步骤S434,得到n个子代信息编码;
S436:根据n个所述子代信息编码,得到n个发光粉合成比例,步骤S431~步骤S436为一次完整的迭代过程。
实施例五
本实施例提供了根据基于全局和声搜索的模拟退火算法来进行发光粉合成比例的优化方法,其过程包括:
在实施例四的基础上,步骤S232还包括设置和声记忆库取值概率HMCR、音调微调概率PAR,以n个发光粉粒子的信息编码为和声,初代信息编码即为初代和声。
如图5所示,图5为本发明提出的全局和声搜索的流程示意图,进一步的,步骤S431为:
S4311:根据和声记忆库取值概率HMCR、音调微调概率PAR和发光粉粒子的初代信息编码,生成发光粉粒子的修正信息编码;
具体的,对初代和声进行操作,生成修正信息编码的公式为:
其中,公式(7)中,A0iy为第i个发光粉粒子的初代和声AOi中第y个组成元素的初代元素和声,r1、r2和r3均为程序运行前生成的小于1的随机正数,HNi为初代和声AOi经过运算后生成的修正和声,即初代信息编码A0i运算后的修正信息编码,HNiy为第i个发光粉粒子中第y个组成元素的修正元素和声,即对应的修正元素信息编码,对每一个粒子的初代和声都运行公式(7),则生成HN,HN为n个修正和声组成的集合,需要注意的是,当r1小于等于和声记忆库取值概率HMCR且r2大于音调微调概率PAR时,则令HNiy等于A0max中随机一个维度上的元素编码,而不一定是对应的A0maxy;
S4312:对修正信息编码进行归一化操作,得到第一子代信息编码,采取的归一化操作方法为实施例二中提出的Min-Max Normalization方法。
综上所述,本文中应用了具体的优选实施方式对本发明提供的一种发光粉合成比例的优化方法进行了阐述,以上实施例的说明只是用于帮助理解本发明的方案及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制,本发明的保护范围应以所附的权利要求书为准。
Claims (10)
1.一种发光粉合成比例的优化方法,其特征在于,包括以下步骤:
S01:建立算法库,所述算法库包括遗传算法、粒子群算法和模拟退火算法;
S02:从所述算法库选择目标算法,并根据所述目标算法设置参数;
S03:依次获取n个初代发光粉数据,每一个所述初代发光粉数据为一个发光粉粒子中的每一种元素的组成比例及所述发光粉粒子的量子产率,其中n为正整数;
S04:根据所述初代发光粉数据,利用所述目标算法,计算得到发光粉合成比例。
2.根据权利要求1所述的发光粉合成比例的优化方法,其特征在于,所述步骤S03之后还包括:
根据所述初代发光粉数据对发光粉粒子进行编码,生成n个初代信息编码;
以量子产率作为适应度,选取适应度最高的发光粉粒子,并标记所述适应度最高的发光粉粒子的初代信息编码为初代最优编码。
3.根据权利要求2所述的发光粉合成比例的优化方法,其特征在于,所述步骤S02包括:
S211:选取所述遗传算法作为所述目标算法;
S212:根据所述遗传算法,设置精英主义概率r。
4.根据权利要求3所述的发光粉合成比例的优化方法,其特征在于,所述步骤S04包括:
S411:根据轮盘赌选择方法,从n个所述初代信息编码中随机选择2个初代信息编码,标记为父本信息编码;
S412:对2个所述父本信息编码进行单点交叉操作,生成2个交叉信息编码;
S413:对2个所述交叉信息编码进行单点突变操作,生成2个突变信息编码;
S414:对2个所述突变信息编码进行归一化操作,得到2个子代信息编码;
S415:循环执行步骤S411~步骤S414,直至得到n个子代信息编码;
S416:根据所述精英主义概率r,判断是否对所述n个子代信息编码进行替换作业;
若是,则从n个所述子代信息编码中随机选择一个子代信息编码作为替换信息编码,并使用所述初代最优编码替换所述替换信息编码,生成子代信息编码列表;
若否,则将所述n个子代信息编码标记为子代信息编码列表;
S417:根据所述子代信息编码列表,得到n个发光粉合成比例。
5.根据权利要求1所述的发光粉合成比例的优化方法,其特征在于,所述步骤S02包括:
S221:选取所述粒子群算法作为所述目标算法;
S222:根据所述粒子群算法,设置粒子群参数,所述粒子群参数包括惯性因子ω、第一加速因子c1及第二加速因子c2,所述惯性因子ω、所述第一加速因子c1及所述第二加速因子c2均为正数。
6.根据权利要求5所述的发光粉合成比例的优化方法,其特征在于,所述步骤S04包括:
S421:根据所述初代发光粉数据,对每个发光粉粒子进行位置信息编码,获取初代位置编码;
S422:根据所述初代位置编码,计算所述发光粉粒子的初代位移PSV0;
S423:根据所述位移PSV0、所述惯性因子ω、所述第一加速因子c1及所述第二加速因子c2,计算所述发光粉粒子的初代移速V0;
S424:根据所述移速V0,生成第一子代位置编码;
S425:对n个所述初代位置编码,依次执行步骤S421~步骤S424,得到n个第一子代位置编码;
S426:对n个所述第一子代位置编码进行归一化操作,得到n个子代位置编码;
S427:根据n个所述子代位置编码,得到n个发光粉合成比例。
7.根据权利要求2所述的发光粉合成比例的优化方法,其特征在于,所述步骤S02包括:
S231:选取所述模拟退火算法作为所述目标算法;
S232:根据所述模拟退火算法,设置模拟退火参数,所述模拟退火参数包括初始温度T、降温系数δ和扰动倍率z。
8.根据权利要求7所述的发光粉合成比例的优化方法,其特征在于,所述步骤S04包括:
S431:根据所述初代信息编码和所述扰动倍率z,进行随机扰动操作,得到所述发光粉粒子的第一子代信息编码;
S432:根据所述第一子代信息编码,得到所述发光粉粒子的第一合成比例信息;
S433:根据所述第一合成比例信息,获取所述发光粉粒子的第一量子产率;
S434:根据所述第一量子产率、所述初始温度T和所述降温系数δ,得到适应度变化值dE,利用metropolis接收准则,根据所述适应度变化值dE,对所述第一子代信息编码进行筛选操作,得到所述发光粉粒子的子代信息编码;
S435:对n个发光粉粒子的初代信息编码,依次执行步骤S431~步骤S434,得到n个子代信息编码;
S436:根据n个所述子代信息编码,得到n个发光粉合成比例。
9.根据权利要求8所述的发光粉合成比例的优化方法,其特征在于,所述步骤S232还包括设置和声记忆库取值概率HMCR、音调微调概率PAR。
10.根据权利要求9所述的发光粉合成比例的优化方法,其特征在于,所述步骤S431为:
S4311:根据所述和声记忆库取值概率HMCR、所述音调微调概率PAR和所述发光粉粒子的初代信息编码,生成所述发光粉粒子的修正信息编码;
S4312:对所述修正信息编码进行归一化操作,得到第一子代信息编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368585.7A CN109658990B (zh) | 2018-11-16 | 2018-11-16 | 一种发光粉合成比例的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368585.7A CN109658990B (zh) | 2018-11-16 | 2018-11-16 | 一种发光粉合成比例的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658990A true CN109658990A (zh) | 2019-04-19 |
CN109658990B CN109658990B (zh) | 2020-08-11 |
Family
ID=66112046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811368585.7A Active CN109658990B (zh) | 2018-11-16 | 2018-11-16 | 一种发光粉合成比例的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658990B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799741A (zh) * | 2012-07-30 | 2012-11-28 | 中国海洋大学 | 基于遗传算法的初烤烟配方打叶优化设计方法 |
CN103198207A (zh) * | 2012-01-09 | 2013-07-10 | 霍尼韦尔国际公司 | 诊断算法参数优化 |
CN105373845A (zh) * | 2015-10-14 | 2016-03-02 | 南京理工大学 | 制造企业车间的混合智能调度优化方法 |
CN106777442A (zh) * | 2015-11-20 | 2017-05-31 | 南京理工大学 | 一种永磁无刷直流电机齿槽转矩优化设计方法 |
-
2018
- 2018-11-16 CN CN201811368585.7A patent/CN109658990B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198207A (zh) * | 2012-01-09 | 2013-07-10 | 霍尼韦尔国际公司 | 诊断算法参数优化 |
CN102799741A (zh) * | 2012-07-30 | 2012-11-28 | 中国海洋大学 | 基于遗传算法的初烤烟配方打叶优化设计方法 |
CN105373845A (zh) * | 2015-10-14 | 2016-03-02 | 南京理工大学 | 制造企业车间的混合智能调度优化方法 |
CN106777442A (zh) * | 2015-11-20 | 2017-05-31 | 南京理工大学 | 一种永磁无刷直流电机齿槽转矩优化设计方法 |
Non-Patent Citations (3)
Title |
---|
ASSIF ASSAD: "A Hybrid Harmony search and Simulated Annealing algorithm for continuous optimization", 《INFORMATION SCIENCE》 * |
KYUNG HYUN SON: "Discovery of Novel Phosphors for use in light emitting diodes using heuristics optimization-assisted combinatorial chemistry", 《JOURNAL OF MATERIALS CHEMISTRY》 * |
RUICHAN LV: "Optimization of Red Luminescent Intensity in EU3+-Doped Lanthanide Phosphors Using Genetic Algorithm", 《ACS BIOMATERIALS SCIENCE&ENGINEERING》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109658990B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400180B (zh) | 一种基于特征集划分和集成学习的软件缺陷预测方法 | |
Harman et al. | A theoretical & empirical analysis of evolutionary testing and hill climbing for structural test data generation | |
Fontana et al. | Physical aspects of evolutionary optimization and adaptation | |
Sofianopoulou | Manufacturing cells design with alternative process plans and/or replicate machines | |
Shahookar et al. | A genetic approach to standard cell placement using meta-genetic parameter optimization | |
US9015145B2 (en) | Method and apparatus for automatic configuration of meta-heuristic algorithms in a problem solving environment | |
Klopman et al. | Computer simulation of physical-chemical properties of organic molecules. 1. Molecular system identification | |
Ronald | Robust encodings in genetic algorithms: A survey of encoding issues | |
Cohoon et al. | Evolutionary algorithms for the physical design of VLSI circuits | |
Werner | A survey of genetic algorithms for shop scheduling problems | |
CN108873835A (zh) | 一种半导体集成电路制造中光刻工艺的优化调度方法 | |
CN106055920B (zh) | 一种基于阶段性多策略副本交换的蛋白质结构预测方法 | |
Bäck | A user’s guide to genesys 1.0 | |
CN109934306A (zh) | 基于随机游走的多标签属性值划分方法和装置 | |
CN108427643B (zh) | 基于多种群遗传算法的二进制程序模糊测试方法 | |
Storato et al. | K2mem: discovering discriminative k-mers from sequencing data for metagenomic reads classification | |
CN114253232B (zh) | 一种生产线中加工工位的配置方法及系统 | |
CN109658990A (zh) | 一种发光粉合成比例的优化方法 | |
US8170962B2 (en) | Method and apparatus for an algorithm development environment for solving a class of real-life combinatorial optimization problems | |
Michalewicz et al. | GAs: What are they? | |
Ashlock et al. | Greedy closure evolutionary algorithms | |
Kant | The selection of efficient implementations for a high-level language | |
Calégari | Parallelization of population-based evolutionary algorithms for combinatorial optimization problems | |
CN110221838A (zh) | 一种基于遗传算法和有向无环图进行程序自动设计优化的方法 | |
Sobeyko et al. | A comparison of heuristics to solve a single machine batching problem with unequal ready times of the jobs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |