《计算方法心得体会.doc》由会员分享，可在线阅读，更多相关《计算方法心得体会.doc（12页珍藏版）》请在金锄头文库上搜索。
1、计算方法心得体会篇一：计算材料心得体会湖南工业大学课 程 设 计资 料 袋学院（系、部） 学年第学期 课程名称计算材料学 指导教师 雷军辉 职称讲师学生姓名 余晓燕专业班级 应用物理081班学号 0841120XX35题 目计算BN的弹性常数成 绩 起止日期 20XX年 12月 4日 20XX年 12 月 12 日目录清单湖南工业大学1课程设计任务书20XX20XX 学年第 1 学期学院（系、部）专业班级课 程 名 称： 计算材料学一、 设计题目： 计算BN的弹性常数指导教师（签字）： 年月 日 系（教研室）主任（签字）： 年月 日2（计算材料）设计说明书计算BN的弹性常数起止日期：20XX
2、年 12月 4日 至 20XX 年 12月 12日学班学成生姓名 级 号 绩余晓燕 081 0841120XX35指导教师理学院（部） 20XX年 12 月 12 日3计算BN的弹性常数背景 ：近年来，随着材料、物理、计算机和数学等学科的发展，应用计算的方法研究材料的结构、能量和性能已成为一门迅速发展的新兴学科-计算材料学。这种方法不仅能进行材料的计算模拟，而且能进行材料的计算机设计和相关性能的预测。随着计算机技术的飞速发展，第一性原理计算的方法在材料的结构和性能等方面的研究已取得了巨大的成功，第一性原理的方法是基于量子力学理论，从电子运动的层次研究材料的结构和相关性能。目前，CASTEP软件
3、的主要功能是对半导体、非线性光学材料、金属氧化物、玻璃、陶瓷等固体材料，对电子工业、航空航天以及石化、化工等工业领域有着非常重要的战略意义。对这些材料而言，其电子的结构与性质，以及表面和界面的性质与行为都非常重要。CASTEP的量子力学方法，为深入了解固体材料的这些性质并进而设计新的材料，提供了强有力的工具。基于密度泛函平面波赝势方法的CASTEP软件可以对许多体系包括像半导体、陶瓷、金属、矿石、沸石等进行第一性原理量子力学计算。典型的功能包括研究表面化学、能带结构、态密度、热学性质和光学性质。它也能够研究体系电荷密度的空间分布和体系波函数。CASTEP还可以用来计算晶体的弹性模量和相关的机械
4、性能，如泊松系数等。半导体和其他固体材料的许多性能由电子性质决定，而电子性质又由原子结构决定，特别是缺陷在改变电子结构上的作用对半导体性质尤为重要。分子模拟，特别是量子物理技术，可用来预测原子和电子结构及分析缺陷对材料性能的影响。CASTEP能有效的研究存在点缺陷、空位、替代杂质、位错等的半导体和其它材料中的的性能。除此以外，它还可以被用来计算固体的振动性质，如声子色散关系、声子态密度等。这些计算结果可以用来分析表面吸附的振动性质，可以解释实验中的振动谱，可以研究在高温高压下的相稳定性等等。总的来说，它可以实现如下的功能： 1.计算体系的总能； 2.进行结构优化； 3.执行动力学任务：在设置的
5、温度和关联参数下，研究体系中原子的运动行为； 4.计算周期体系的弹性常数； 5.化学反应的过度态搜索。除此之外，计算一些晶体的性质，如能带结构、态密度、声子色散关系、声子态密度、光学性质、应力等。下面介绍一下密度泛函理论、交换关联泛函近似、赝势方法和K-S方程迭代解法。一、基础理论：1. Hohenberg-Kohn 定理和密度泛函理论 ：4密度泛函理论是用量子力学的理论求解多电子体系基态能量方法，其核心是用电子密度函数取代波函数作为研究的基本量，由Hohenberg 和Kohn 在1964 年创建1,2。根据量子力量的相关知识，大量电子和原子核相互作用的多粒子体系，在非相对论前提下，系统粒子
6、运动的波函数可以由以下定态薛定谔方程来描述：哈密顿量 仅考虑电子-电子作用、电子-原子核作用、原子核-原子核作用以及各个粒子的动能，对其它外场的情况可忽略。因此其哈密顿量可以写成如下形式：其中。对于上述方程，是无法直接求解的，必须对多粒子系统的电子能级计算采用一些简化和近似。在实际的多粒子体系中，原子核的质量远远大约电子， 但是运动速度比电子小的多。因此考虑粒子运动时，将原子核的运动和电子的运动分开，考虑核的运动时忽略其电子分布，考虑电子运动时假定原子核处于相对静止的状态，这就是绝热近似3。通过近似，可以独立的处理原子核运动和电子的运动，因此可以将薛定谔方程写成电子运动方程和原子核运动方程。其
7、电子运动方程是：原子核的运动方程：通过绝热近似，得到了多电子的薛定谔方程，但不能实际求解，要求解上述方程， 必须将多电子问题简化为单电子问题。单电子近似理论的源于 和 在1927 年的工作，就是用粒子数密度表示多粒子的基态系统的能量。 和 根据的均匀电子气的理论提出著名的Hohenberg-Kohn 定理1，这个定理包含如下内容：不计自旋的情况下，将粒子数密度函数在粒子数不变的情况下，能量泛函表示成全同费米子系统的基态能量的唯一泛函；对正确的粒子数密度取等于基态能量的极小值。因此，对于基态非间并多粒子系统，不考虑自旋的条件下，其哈密顿算符为5篇二：计算智能学习心得体会计算智能学习心得体会本学期
8、我们水利水电专业开了“计算智能概论”这门课，有我们学院的金菊良教授给我们授课，据说这门课相当难理解，我们课下做了充分的准备，借了计算智能和人工智能相关方面的书籍，并提前了解了一点相关知识，我感觉看着有点先进，给我们以往学的课程有很大区别，是一种全新的概念和理论，里面的遗传算法、模糊集理论、神经网络更是闻所未闻，由于课前读了一些书籍，我以为课堂上应该能容易理解一点，想不到课堂上听着还是相当玄奥，遗传算法还好一点，因为高中学过生物遗传，遗传算法还能理解一点。像模糊集理论神经网络便不知所云了。虽然金老师讲课生动形象，幽默风趣，而且举了好多实际的例子，但有一些理论有点偏难。计算智能并不是一个新的术语，
9、早在1988年加拿大的一种刊物便以CI为名。1992年，美国学者在论文计算智能中讨论了神经网络、模式识别与智能之间的关系，并将留能分为生物智能、人工智能和计算智能三个层次。1993年，Bob Marks写了一篇关于计算留能和人工留能区别的文章，并在文中给出了对CI的理解。1994年的国际计算智能会议的命名就部分地源于Bob的文章，这次IEEE会议特国际神经网络学会发起的神经网络、模糊系统和进化计算三个年度性会议合为一体，并出版了名为计算智能的论文集。此后，CI这个术语就开始被频繁地使用，同时也出现了许多关于CI的解释。1992年，James C .Bezdek提出，CI是依靠生产者提供的数字、
10、数据材料进行加工处理，而不是依赖于知识；而AIglJ必须用知识进行处理1994年，James在F1orida，Orlando，IEEE WCCI会议上再次阐述他的观点，即智能有三个层次：生物智能，是由人脑的物理化学过程反映出来的，人脑是有机物，它是智能的基础。人工智能，是非生物的，人造的，常用符号来表示，AI的是人类知识的精华。（3）计算智能，是由数学方法和计算机实现的，CI的是数值计算的传感器。虽然有好多计算智能理论还不太清楚，但是我对新知识还是相当渴望的，因为我本身比较爱学习，且喜欢读书。我感觉学到了许多知识：计算智能是一门经验科学，它研究自然的或人工的智能行为形成之原理以“推理即计算”为
11、基本假设，开发某种理论、说明某项智能可以算法化，从而可以用机器模拟和实现；寻求和接受自然智能之启迪，但不企图完全仿制人类智能，其中心工程目标是研究设计和建立智能计算系统的方法。由于我们只有16课时，所以我们学的面并不广，金老师主要教了一些计算智能方面的经典理论，我们所学的计算智能所涉及的领域主要包括以下三方面：遗传算法、人工神经网络方法和模糊集理论。遗传算法最早由美国Michigan大学John H. Holland教授提出。按照生物进化过程中的自然选择（selection）、父代杂交（crossover）和子代变异（mutation）的自然进化（natural evolution）方式，编制
12、的计算机程序，能够解决许多复杂的优化问题，这类新的优化方法称之为遗传算法（genetic algorithm，GA）7。GA模拟生物进化过程中的主要特征有：（1）生物个体的染色体（chromosomes）的结构特征，即基因码序列（series of genetic code）决定了该个体对其生存环境的适应能力。（2）自然选择在生物群体（population）进化过程中起着主导作用，它决定了群体中那些适应能力（adaptability）强的个体能够生存下来并传宗接代，体现了“优胜劣汰”的进化规律。（3）个体繁殖（杂交）是通过父代个体间交换基因材料来实现的，生成的子代个体的染色体特征可能与父代的相
13、似，也可能与父代的有显著差异，从而有可能改变个体适应环境的能力。（4）变异使子代个体的染色体有别于其父代个体的染色体，从而也改变了子代个体对其环境的适应能力。（5）生物的进化过程，从微观上看是生物个体的染色体特征不断改善的过程，从宏观上看则是生物个体的适应能力不断提高的过程。作为利用自然选择和群体遗传机制进行高维非线性空间寻优的一类通用方法，遗传算法（GA）不一定能寻得最优（optimal）点，但是它可以找到更优（superior）点，这种思路与人类行为中成功的标志是相似的。例如不必要求某个围棋高手是最优的，要战胜对手只需他（她）比其对手更强即可。因此，GA可能会暂时停留在某些非最优点上，直到
14、变异发生使它迁移到另一更优点上。遗传算法随编码方式、遗传操作算子的不同而表现为不同形式，因此难以象传统的共轭梯度法那样从形式上给以明确定义，它的识别标志在于它是否具有模拟生物的自然选择和群体遗传机理这一内在特征。目前国内外普遍应用的实施方案是标准遗传算法（Simple Genetic Algorithm，SGA）。 BP神经网络BP神经网络是用反向传播学习算法（back-propagation algorithm，BP算法）训练的一种多层前馈型非线性映射网络，网络中各神经元接受前一级的输入，并输出到下一级，网络中没有反馈联接。BP神经网络通常可以分为不同的层（级），第j层的输入仅与第j1层的输
15、出联接。由于输入层节点和输出层节点可与外界相连，直接接受环境的影响，所以称为可见层，而其它中间层则称为隐层（hidden layer）。决定一个BP神经网络性质的要素有三个：网络结构、神经元作用函数和学习算法，对这三个要素的研究构成了丰富多彩的内容，尤其是后者被研究得最多。BP算法是目前应用最为广泛且较成功的一种算法，它解决了多层前馈网络的学习问题，从而使该网络在各方面获得了广泛应用。它利用梯度搜索技术（gradient search technique）使代价函数（cost function）最小化。BP算法把一组样本的输入输出问题归纳为一非线性优化问题，它使用了最优化方法中最常用的负梯度下降算法。用迭代运算求解网络权重和阈值对应于网络的学习记忆过程，加入隐层节点使得优化问题的可调参数增加，从而可得到更精确的解。模糊集理论模糊集理论（又称模糊数学，fuzzy mathematics）就是应用模糊集这一模拟人脑模糊思维的数学工具，来描述、分析、识别、分类、判断、推理、决策和控制各种模糊事物所形成的一门现代应用数学分支学科。经典数学仅考虑现实世界的数量而抛弃现实世界的质量，而模
