|
|||||
|
|
| 基于遗传算法优化的XGBoost在超导体数据集上的应用 | |
| 引用本文： | 王振宇,何丽丽.基于遗传算法优化的XGBoost在超导体数据集上的应用[J].中国科技信息,2023(15):70-72+75. |
| 作者姓名： | 王振宇 何丽丽 |
| 作者单位： | 佳木斯大学 |
| 基金项目： | 黑龙江省高等教育教学改革研究项目SJGY20210873； |
| 摘 要： | <正>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。 |