本论文工作的目的，在于尝试将现代最优化方法之一的遗传算法用于电化学阻抗谱数据的拟合处理。对于电化学阻抗谱的参数解析来说，它所面对的是多维、高精度要求的数值优化问题。采用传统优化方法(如Gauss-Newton法)时往往需要提供优良的参数初始估计，而且为了保证拟合结果的合理性需要对拟合参数引入约束条件，但这些在传统优化方法中并非容易实现或不能自动实现。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，它使用群体搜索技术，通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。虽然遗传算法已经被广泛地应用于很多学科，包括许多的化学理论研究和实践中，但是根据文献资料来看，它在电化学尤其是电化学阻抗谱数据拟合处理中的应用还很少。因此，对遗传算法在电化学阻抗谱数据拟合处理中的应用进行尝试是有必要的。 本论文主要包括四个部分： 1．传统优化方法的选择。本章源引有关文献资料分析、比较了几种常见的传统优化方法的运行效率和收敛性，得出一个结论：Gauss-Newton法能够最快地收敛，具有最高的运行效率。如果能给予优良的参数初始估计，Gauss-Newton法应该成为最佳的选择。 2．遗传算法分析。从三个方面对遗传算法进行了分析：遗传算法概要、编码方式与遗传算子的选择、遗传算法运行参数的确定。本论文采用浮点数编码方法，采用基本遗传算法的算子： 比例选择算子、算术交叉算子和均匀变异算子，初步确定了遗 传算法运行参数。 3．用于电化学阻抗谱数据处理的混合遗传算法的构建。本章分析 了混合算法的结合方式，提出了一个混合遗传算法的逻辑示意 图，详细描述了该混合算法，并通过算例考察了所构建混合遗。 传算法的运行效率和运行结果。 ． 4．用于电化学阻抗谱数据拟合处理的单纯遗传算法。为了进一步 探寻只利用目标函数的取值信息，而无须构造Jacobi矩阵也无 须引入其它梯度向量的算法，本章讨论了利用单独的遗传算法 对电化学阻抗谱数据进行拟合处理的情况，给出了一个仅利用 遗传算法进行数据拟合处理的算法描述。通过对算例的运行结果的考察，可以得出以下结论。1．遗传算法是一种借鉴生物遗传进化概念、规律而建立起来的新型的最 优化方法，它以随机性为基础，开辟了最优化的新途径。由于它不依 赖于所研究问题的种类和特性，因而具有较高的鲁棒性。其强大的随 机搜索能力为该算法的全局收敛提供了较高的保障。2．电化学阻抗数据拟合处理中的数学模型往往是高度非线性的，需要利 用非线性回归方法进行处理，如经典的G刚四Jq6wl：oll法等，此类传 统优化方法具有较高的收敛速度和较好的收敛性，其中，GaUSS N——法的收敛速度最快，而且常常收敛于全局最优解，但是必须 为GaUSS－W迭代提供优良的初始参数估计值。3．初始参数估计值的提供，部分可以借助于实验经验，可以通过预选少 量数据点通过“找圆”“找线”而解决。但是这些方法随意性太强， 而且还需要对所研究体系具有较多的经验，所以需要寻求一种方法为 GaUSSjN6wi：oll迭代自动提供优良的参数初始估计。而且电化学阻抗数 据拟合中，为了确保拟合结果的合理性往往需要引入参数约束条件， 11 这在常规的最优化方法中并不容易实现。遗传算法以随机性原则为基 础的特点，为解诀上面问题提供了可能。 4．混合遗传算法的基本思想是，令遗传算法与传统优化方法相结合，其 中，遗传算法为传统优化方法提供优良的初始参数估计。本论文中采’用的传统优化方法是ro法。在一定的约柬条件下随机生 成初始群体，然后经过选择、交叉、变异等遗传操作，使群体中的个｝ 体不断地得到优化，从而达到为GaUSSJqtwloll迭代自动提供优良的 参数初始估计的目的。 5．本论文中的算例结果表明，所构建的混合遗传算法能够自动地产生比 较优良的初始参数估计，其中的Gauss－W迭代能够很快地收 敛。根据有关的文献报道，Gallssiry CR4Oll迭代的收敛结果往往是全局 最优值。因而可以说，构建混合遗传算法用于电化学阻抗谱数据的拟 合处理是可行的。本论文中的混合遗传算法具有较高的运行效率，其 运行结果具有很高的精度，可以说是一个成功的尝试。 6．因为混合遗传算法中仍然采?