【技术实现步骤摘要】
本专利技术涉及高熵合金，具体为一种可迁移元学习算法框架。
技术介绍
1、高熵合金(heas)作为一类由五种或五种以上主要元素组成的新型材料，因其高强度、高硬度、优异的耐腐蚀性和高热稳定性，在航空航天、电子、医疗等多个领域展现出广泛的应用前景。然而，heas的相组成(包括固溶体、金属间化合物、非晶态以及混合相)对其材料性能具有显著影响，准确预测heas的相成为材料设计者的关键任务。
2、传统上，预测高熵合金相的方法包括试错法、相图(calphad)法、密度泛函理论(dft)和第一性原理计算，以及参数化方法。然而，这些方法各自存在显著的局限性。试错法成本高、周期长、效率低；calphad法难以应用于多主元合金；dft和第一性原理计算量大且效率低；参数化方法则严重依赖经验知识，限制了其应用范围。
3、近年来，机器学习因其高效和强大的学习能力，在材料领域得到了广泛应用，并取得了一定的成果。然而，基于同一数据集的不同机器学习算法之间的准确率可能存在显著差异，为材料设计者选择合适的算法带来了挑战。元学习作为一种推荐合适算法的方法，虽然在一定程度上能够减轻设计者的工作量，但现有的元学习优化算法并未充分利用相似历史问题的最优解集信息，限制了其性能的进一步提升。
4、在优化算法方面，粒子群优化(pso)、鲸鱼优化算法(woa)和海象优化器(wo)等群体智能优化算法虽各具优势，但也存在收敛速度慢或未考虑种群平均适应度值变化等问题。特别是在海象优化器的迁徙阶段，仅考虑迭代次数而忽略了种群平均适应度值在多次迭代中几乎
5、此外，在迁移学习过程中，聚类算法起着至关重要的作用。然而，经典的k-means方法无法识别非球形簇且需要提前给出簇中心数量，而快速搜索和发现密度峰值(dpc)的聚类算法虽然能够识别非球形簇并具有高效性和鲁棒性，但往往忽略密度相对较低的簇中心且无法消除不同簇之间的密度差异。这些问题限制了聚类算法在迁移学习中的应用效果。
技术实现思路
1、本专利技术的目的在于提供一种可迁移元学习算法框架，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种可迁移元学习算法框架：包括基于自适应迁徙海象优化器的元学习、平衡相对dpc算法和迁移策略；
3、所述基于自适应迁徙海象优化器的元学习用于推荐最优集成模型预测heas的相，所述平衡相对dpc算法用于将源域和目标域中的样本分别聚类成若干个分布相似的聚类簇，所述迁移策略用于通过将相似历史问题的最优解信息迁移到目标域，提高种群在搜索过程中的搜索速度和效率。
4、优选的，所述自适应迁徙海象优化器算法的实现步骤包括：
5、步骤1：初始化种群；
6、步骤2：通过计算获得种群的适应度值fit_value，则种群的平均适应度值为
7、步骤3：在计算和d_signal；如果则tn＝tn+1；如果则tn＝0；当tn>ε，进行迁徙海象；否则，当|d_signal|≥1时进行迁徙海象；其中，tn表示种群平均适应度值几乎不发生变化的次数；
8、步骤4：在时，如果|d_signal|≥1，则进行迁徙海象；
9、步骤5：如果|d_signal|＜1，进入繁殖阶段；计算s_signal的值，如果s_signal＞0.5，则海象选择栖息行为；否则，海象选择觅食行为；
10、步骤6：如果t＝t，输出最优解，否则，返回到步骤2。
11、优选的，s_signal值的计算公式为：其中，a＝2×α和是危险因素，α＝1-t/t随着迭代次数t先从1减小到0，t为最大迭代次数、和是(0,1)范围内的随机数。
12、优选的，当|d_signal|≥1时，海象群体将迁移到更适合种群生存的地区，海象位置更新公式为：其中，是海象移动的步长，是(0,1)范围内的随机数；是第i个海象在第j维的新位置，和是从种群中随机选择的义务警员的位置，是迁徙步长控制因子。
13、优选的，所述平衡相对dpc算法的实现步骤包括：
14、步骤1：对于数据集x中的任意一点xi，计算点xi的互邻域mhi；
15、步骤2：计算点xi的局部密度ρ；
16、步骤3：通过点xi的平衡相对密度brd；
17、步骤4：设置候选聚类中心为ct＝{ct1,ct2,…,ctg}；
18、步骤5：计算点xi的相对距离δ；
19、步骤6：对于任意cti，其作为聚类中心的可信度通过计算获取；
20、步骤7：分配非聚类中心的样本点；
21、步骤8：输出最终聚类结果。
22、优选的，任意一点xi的局部密度的计算公式为：其中，dmax是集合x中点之间的最大距离。
23、优选的，通过平衡相对dpc算法得到源域样本簇sc＝{sc1,sc2,l,sck′}和目标域样本簇tc＝{tc1,tc2,l,tck′}；
24、采用最大均值差异mmd方法为目标域中的每个簇寻找源域中最匹配的簇；通过计算找到sc中mmd值最小的最匹配聚类，计算目标域中所有样本聚类的平均mmd，最后将mmd平均值的倒数作为源域和目标域样本之间的整体相似度sid，sid值越大，源域与目标域的相似度越大，mmd表示为：
25、
26、优选的，通过mmd在源域中寻找与目标问题最匹配的历史问题，迁移历史问题的最优解集生成新的海象来替换目标域种群中的部分海象；为了增加种群多样性，避免负迁移，初始种群的替换比例根据历史问题与目标问题之间的sid值自动设定，计算公式为：rat＝γmin+(γmax-γmin)×sid，其中γmax＝0.5和γmin＝0.1分别是迁移策略初始化的海象比例的上限和下限，以控制rat的值。
27、与现有技术相比，本专利技术的有益效果是：
28、提高预测准确率：本专利技术通过结合基于自适应迁徙海象优化器的元学习、平衡相对dpc算法和迁移策略，能够更准确地预测高熵合金(heas)的相。自适应迁徙海象优化器模型能够根据种群平均适应度值的变化自适应调整迁徙策略，提高算法的收敛速度和优化效果，从而增强相预测的准确性。
29、增强模型鲁棒性：平衡相对dpc算法能够识别非球形簇并考虑不同簇之间的密度差异，使得聚类结果更加鲁棒。这一特性有助于模型在处理复杂、多变的高熵合金数据时保持稳定的预测性能。
30、缩短材料开发周期：迁移策略允许模型利用相似历史问题的最优解集信息，从而加速新问题的求解过程。这一特点能够显著缩短高熵合金新材料的开发周期，降低研发成本。
31、提升计算效率：自适应迁徙海象优化器模型和迁移策略的结合，优化了算法的计算流程，减少了不必要的计算负担。这使得模型在保持高精度预测的同时，能够更快地给出预测结果，提高材料设计的效率。
本文档来自技高网...【技术保护点】
1.一种可迁移元学习算法框架，其特征在于：
2.根据权利要求1所述的一种可迁移元学习算法框架，其特征在于，所述自适应迁徙海象优化器的实现步骤包括：
3.根据权利要求2所述的一种可迁移元学习算法框架，其特征在于，S_signal值的计算公式为：其中，A＝2×α和是危险因素，α＝1-t/T随着迭代次数t先从1减小到0，T为最大迭代次数、和是(0,1)范围内的随机数。
4.根据权利要求3所述的一种可迁移元学习算法框架，其特征在于：当|D_signal|≥1时，海象群体将迁移到更适合种群生存的地区，海象位置更新公式为：其中，是海象移动的步长，是(0,1)范围内的随机数；是第i个海象在第j维的新位置，和是从种群中随机选择的义务警员的位置，是迁徙步长控制因子。
5.根据权利要求1所述的一种可迁移元学习算法框架，其特征在于，所述平衡相对DPC算法的实现步骤包括：
6.根据权利要求5所述的一种可迁移元学习算法框架，其特征在于：任意一点xi的局部密度的计算公式为：其中，dmax是集合X中点之间的最大距离。
7.根据权利要求6所
8.根据权利要求7所述的一种可迁移元学习算法框架，其特征在于：通过MMD在源域中寻找与目标问题最匹配的历史问题，迁移历史问题的最优解集生成新的海象来替换目标域种群中的部分海象；为了增加种群多样性，避免负迁移，初始种群的替换比例根据历史问题与目标问题之间的Sid值自动设定，计算公式为：rat＝γmin+(γmax-γmin)×Sid，其中γmax＝0.5和γmin＝0.1分别是迁移策略初始化的海象比例的上限和下限，以控制rat的值。
...【技术特征摘要】
1.一种可迁移元学习算法框架，其特征在于：
2.根据权利要求1所述的一种可迁移元学习算法框架，其特征在于，所述自适应迁徙海象优化器的实现步骤包括：
3.根据权利要求2所述的一种可迁移元学习算法框架，其特征在于，s_signal值的计算公式为：其中，a＝2×α和是危险因素，α＝1-t/t随着迭代次数t先从1减小到0，t为最大迭代次数、和是(0,1)范围内的随机数。
4.根据权利要求3所述的一种可迁移元学习算法框架，其特征在于：当|d_signal|≥1时，海象群体将迁移到更适合种群生存的地区，海象位置更新公式为：其中，是海象移动的步长，是(0,1)范围内的随机数；是第i个海象在第j维的新位置，和是从种群中随机选择的义务警员的位置，是迁徙步长控制因子。
5.根据权利要求1所述的一种可迁移元学习算法框架，其特征在于，所述平衡相对dpc算法的实现步骤包括：...
【专利技术属性】
技术研发人员：白梅娟，周敏敏，侯帅，李昊瞳，陈浩哲，张璐，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。