?20170318工作總結：今天使用 C/C++ 語言編程，實現了粒子群算法（PSO）, 遺傳算法（GA）, 模擬退火算法（SA），盆地跳躍算法（BH）對團簇結構的全局優化。Wales 和Doye科學家說為了驗證不同全局優化算法的準確性，可以對 LJ團簇中的 LJ38 和 LJ75進行優化，因為它們的勢能面（PES）非常復雜。最穩定結構的優化實質是對勢能函數的全局優化，在勢能面上尋找鞍點。今天采用遺傳算法（GA）優化在服務器上運行了一個多小時，而模擬退火算法（SA）只用了3分鐘左右，粒子群算法（PSO）和盆地跳躍算法（Basin Hopping）居中。為了使優化的結果更加接近劍橋數據庫中的結果，需要增加迭代次數，提高計算的精度，但同時也要考慮到運行時間。今天總結完畢，不算特別順利，遇到一些困難。另外今天是母親的生日，子曰：“父母之年，一則以喜，一則以憂。”今天雖然不能陪在母親身邊，但是我想盡各種辦法讓母親度過了一個快樂的生日，也算彌補了自己的遺憾。再次祝愿母親生日快樂！身體健康，萬事如意！

編者注：

粒子群優化算法(PSO)是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于對鳥群捕食的行為研究 。該算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。

遺傳算法（Genetic Algorithm）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。

模擬退火算法從某一較高初溫出發，伴隨溫度參數的不斷下降,結合概率突跳特性在解空間中隨機尋找目標函數的全局最優解，即在局部最優解能概率性地跳出并最終趨于全局最優。模擬退火算法是一種通用的優化算法，理論上算法具有概率的全局優化性能,目前已在工程中得到了廣泛應用，諸如VLSI、生產調度、控制工程、機器學習、神經網絡、信號處理等領域。

盆地跳躍法尋找勢函數最低點

?

總結

以上是生活随笔為你收集整理的学长毕业日记 :本科毕业论文写成博士论文的神操作20170318的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。