基于遗传算法优化的XGBoost在超导体数据集上的应用  

作　　者：王振宇 何丽丽[1] 

机构地区：[1]佳木斯大学

出　　处：《中国科技信息》2023年第15期70-72,75,共4页China Science and Technology Information

基　　金：黑龙江省高等教育教学改革研究项目SJGY20210873;佳木斯大学教育教学改革研究项目2021JY1-46。

摘　　要：近年来,人工智能(AI)尤其是机器学习(ML)和深度学习(DL)的应用愈加广泛,同样也应用在了材料物理学中。具体想法是通过使用材料数据集中的信息,可以预测具有某些所需属性的新材料。尤其是在预测超导体材料的临界温度或者更普遍的属性。在Zhou等人的文献中,他们尝试从大型数据库的化合物中学到了原子的性能。经过这种方法的启发,本文对预测新的超导材料以及临界温度方面做出了类似的尝试。对于预测临界温度的模型我们提出了一种基于遗传算法优化的XGBoost的模型,因传统的遗传算法具有收敛速度慢,已陷入局部最优解等问题,我们对遗传算法的变异和交叉方法做出了改进,使其都一定程度上地解决了上述问题。

关 键 词：机器学习 大型数据库 遗传算法 材料物理学 深度学习 材料数据 临界温度 数据集 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] O511[自动化与计算机技术—控制科学与工程]