專利名稱：：基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及有機(jī)化學(xué)領(lǐng)域，尤其是一種有機(jī)化合特燃爆特性的預(yù)測(cè)方法，具體地說(shuō)是一種基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法，適用于根據(jù)有機(jī)化合物分子結(jié)構(gòu)信息對(duì)該化合物燃爆特性進(jìn)行預(yù)測(cè)。現(xiàn)代社會(huì)的一個(gè)重要特征就是新材料、新物質(zhì)層出不窮。目前已經(jīng)發(fā)現(xiàn)和合成的化學(xué)物質(zhì)有四千萬(wàn)種以上，其中常用的化學(xué)品就有七萬(wàn)多種，且每年還有數(shù)萬(wàn)種新的化學(xué)品問(wèn)世。在眾多的化學(xué)物質(zhì)中，有許多物質(zhì)具有易燃易爆等危險(xiǎn)特性，在生產(chǎn)、使用、貯存和運(yùn)輸過(guò)程中存在著發(fā)生火災(zāi)、爆炸事故的可能性，對(duì)人民生命財(cái)產(chǎn)安全造成重大的威脅?；瘜W(xué)物質(zhì)尤其是有機(jī)化學(xué)物質(zhì)，衡量其發(fā)生火災(zāi)爆炸難易程度的指標(biāo)主要包括閃點(diǎn)、自燃點(diǎn)、爆炸極限等燃爆特性，它們能夠表征有機(jī)物在生產(chǎn)、儲(chǔ)存和運(yùn)輸過(guò)程中的危險(xiǎn)程度，同時(shí)指導(dǎo)工程設(shè)計(jì)和危險(xiǎn)性評(píng)估等工作的開(kāi)展，因此對(duì)于安全理論研究和企業(yè)的安全生產(chǎn)都具有重要的理論意義和實(shí)用價(jià)值。然而，當(dāng)前研究者們對(duì)這些燃爆特性的研究還比較滯后，相關(guān)數(shù)據(jù)還比較缺乏。因此，掌握有機(jī)物的燃爆特性對(duì)于安全理論研究和化工安全生產(chǎn)都顯得尤為重要，具有重要的理論意義和實(shí)用價(jià)值。應(yīng)用實(shí)驗(yàn)方法獲取有機(jī)物的燃爆特性是最直觀有效的方法，但實(shí)驗(yàn)測(cè)定方法往往存在著試驗(yàn)設(shè)備要求高、工作量大、某些物質(zhì)實(shí)驗(yàn)測(cè)定困難等缺陷和不足。而且對(duì)于那些尚未合成的物質(zhì)以及易分解的反應(yīng)性化學(xué)物質(zhì)，也無(wú)法進(jìn)行實(shí)驗(yàn)測(cè)定。因此，單純地應(yīng)用實(shí)驗(yàn)研究來(lái)確定有機(jī)物的燃爆特性是不可取的，有必要借助理論計(jì)算方法對(duì)有機(jī)物的燃爆特性進(jìn)行估算或預(yù)測(cè)，以彌補(bǔ)實(shí)驗(yàn)方法的不足。當(dāng)前常用的有機(jī)物燃爆特性預(yù)測(cè)方法可以分為如下兩大類一是參數(shù)關(guān)聯(lián)法。該預(yù)測(cè)方法主要是將所關(guān)注的燃爆特性與其它理化參數(shù)(如沸點(diǎn)、臨界參數(shù)、等張比容等)進(jìn)行關(guān)聯(lián)，應(yīng)用回歸方法建立相應(yīng)的預(yù)測(cè)模型，實(shí)現(xiàn)根據(jù)其它理化參數(shù)預(yù)測(cè)燃爆特性的功能。該方法作為早期的預(yù)測(cè)方法，在實(shí)際應(yīng)用中存在著如下兩個(gè)重要的缺陷(1)這類方法的預(yù)測(cè)精度直接取決于所需理化參數(shù)的精度，其預(yù)測(cè)效果往往隨著其它參數(shù)精度的變化而變化，如果作為輸入?yún)?shù)的理化參數(shù)數(shù)據(jù)精度本身存在問(wèn)題，將直接影響到所得預(yù)測(cè)模型的預(yù)測(cè)效果與穩(wěn)定性。(2)這類方法的應(yīng)用需要使用到臨界壓力、等張比容等不常見(jiàn)的物化參數(shù)，而這些參數(shù)的實(shí)驗(yàn)數(shù)據(jù)往往本身就比較缺乏，因此其應(yīng)用范圍受到較大的限制。二是基團(tuán)貢獻(xiàn)法。該預(yù)測(cè)方法是一種根據(jù)分子中基團(tuán)的種類和數(shù)目預(yù)測(cè)燃爆特性的方法，其基本假設(shè)是"不同分子中同一基團(tuán)的貢獻(xiàn)完全相同，物質(zhì)的性質(zhì)可以看成是構(gòu)成它們的基團(tuán)對(duì)此性質(zhì)的貢獻(xiàn)的加和"?；蜇暙I(xiàn)法的特點(diǎn)是基團(tuán)劃分簡(jiǎn)單易行、使用簡(jiǎn)便，往往根據(jù)幾十個(gè)基團(tuán)貢獻(xiàn)的參數(shù)，就可預(yù)測(cè)包括這些基團(tuán)的大量物質(zhì)的性質(zhì)，因此已被廣泛應(yīng)用于有機(jī)物各類物理化學(xué)性質(zhì)的研究之中。然而，在實(shí)際應(yīng)用過(guò)程中，該方法也暴露出以下的不足(1)基團(tuán)貢獻(xiàn)法應(yīng)用范圍受研究體系的影響較大，如果某一基團(tuán)不在建模所選取的那組基團(tuán)范圍之內(nèi)，那么對(duì)于含有該基團(tuán)的化合物就無(wú)法應(yīng)用該模型進(jìn)行預(yù)測(cè)；(2)基團(tuán)貢獻(xiàn)法對(duì)同分異構(gòu)體的區(qū)分能力較差，應(yīng)用結(jié)構(gòu)基團(tuán)無(wú)法對(duì)"同分異構(gòu)"物質(zhì)加以區(qū)分。近年來(lái)，定量結(jié)構(gòu)一性質(zhì)相關(guān)性研究(QuantitativeStructure-PropertyRelationship,QSPR)逐漸成為基礎(chǔ)研究領(lǐng)域的熱點(diǎn)。它根據(jù)化合物性能與分子結(jié)構(gòu)密切相關(guān)的原理，尋求分子結(jié)構(gòu)與物質(zhì)性質(zhì)之間的內(nèi)在定量關(guān)系。其基本假設(shè)是有機(jī)物的性能與分子結(jié)構(gòu)密切相關(guān)，分子結(jié)構(gòu)不同，性能就不同。而分子結(jié)構(gòu)可以用反映分子結(jié)構(gòu)特征的各種參數(shù)來(lái)描述，即有機(jī)物的各類理化性質(zhì)可以用化學(xué)結(jié)構(gòu)的函數(shù)來(lái)表示。通過(guò)對(duì)分子結(jié)構(gòu)參數(shù)和所研究性質(zhì)的實(shí)驗(yàn)數(shù)據(jù)之間的內(nèi)在定量關(guān)系采用合適的統(tǒng)計(jì)建模方法進(jìn)行關(guān)聯(lián)，從而建立分子結(jié)構(gòu)參數(shù)與理化性質(zhì)之間的關(guān)系模型。一旦建立了可靠的定量結(jié)構(gòu)-性質(zhì)相關(guān)模型，僅需要分子的結(jié)構(gòu)信息，就可以用它來(lái)預(yù)測(cè)新的或尚未合成的有機(jī)物的各種性質(zhì)。目前，該研究方法已被廣泛應(yīng)用于有機(jī)物各類理化性質(zhì)及生物活性的預(yù)測(cè)研究之中。QSPR方法的優(yōu)越性主要體現(xiàn)在(l)無(wú)需其它經(jīng)驗(yàn)參數(shù)，僅根據(jù)分子結(jié)構(gòu)就能實(shí)現(xiàn)有機(jī)物燃爆特性的預(yù)測(cè)；(2)預(yù)測(cè)模型所使用的輸入?yún)?shù)相對(duì)較少(通常小于10個(gè))，從而保證了所建立模型的穩(wěn)定性；(3)—旦建立了穩(wěn)定可靠的預(yù)測(cè)模型，理論上能夠根據(jù)該模型對(duì)所有有機(jī)物進(jìn)行預(yù)測(cè)，適用范圍廣。QSPR研究的主要思路是首先根據(jù)分子結(jié)構(gòu)計(jì)算出大量反映分子結(jié)構(gòu)信息的結(jié)構(gòu)參數(shù)，如分子的拓?fù)鋮?shù)、組成參數(shù)、電性參數(shù)以及量子化學(xué)參數(shù)等；隨后運(yùn)用特征變量篩選方法從計(jì)算出的大量結(jié)構(gòu)參數(shù)中選取包含豐富結(jié)構(gòu)信息的特征參數(shù)作為分子描述符，最后針對(duì)所選用的描述符與所研究理化性質(zhì)之間的內(nèi)在定量關(guān)系，采用合適的統(tǒng)計(jì)建模方法進(jìn)行關(guān)聯(lián)，建立普適的其中，如何從眾多的結(jié)構(gòu)參數(shù)當(dāng)中應(yīng)用特征變量篩選方法選擇出與所研究的燃爆特性最密切相關(guān)的結(jié)構(gòu)參數(shù)，是QSPR研究非常關(guān)鍵的問(wèn)題。目前常用的特征變量篩選方法主要包括三類(1)傳統(tǒng)的基于多元線性回歸分析的變量篩選方法，如向前選擇變量法、向后刪除變量法、逐步回歸法等；(2)基于偏最小二乘(ParitialLeastSquares,PLS)的變量篩選法，包括修正PLS權(quán)重或系數(shù)以消除模型中無(wú)用變量的方法，以及按照一定方式選擇變量組合以得到較優(yōu)模型的方法，等；(3)基于搜索算法的變量篩選方法，如模擬退火法、遺傳算法(GenetieAlgorithms,GA)等搜索算法和多元線性回歸分析、PLS、人工神經(jīng)網(wǎng)絡(luò)等多種建模方法相結(jié)合的變量篩選方法。其中，第一類方法適用于變量間不存在多重共線性數(shù)據(jù)的變量篩選及模型優(yōu)化，其優(yōu)點(diǎn)是方法簡(jiǎn)單直觀，且能夠較快地得到相應(yīng)的解，缺點(diǎn)是它們不能遍歷所有的變量組合，也就不能保證尋找到變量空間里的最優(yōu)解。第二類方法與第一類方法類似，僅搜索變量空間的某些范圍，而不具備全局搜索能力，因此它們得到的常常是變量空間的局部最優(yōu)解，而非全局最優(yōu)解；此外，此類方法效果的好壞依賴于其臨界值的選取，而臨界值的選取往往取決于研究者的主觀選擇，因此上述一些方法具有一定的隨意性。遺傳算法是模擬生物在自然環(huán)境下的遺傳和進(jìn)化過(guò)程而形成的一種自適應(yīng)全局優(yōu)化概率搜索方法。它于1960年由Holalnd最早提出。根據(jù)達(dá)爾文關(guān)于自然界生物進(jìn)化的基本原理，優(yōu)勝劣汰，通過(guò)基因的交叉和突變產(chǎn)生更適應(yīng)環(huán)境的個(gè)體。利用這個(gè)原理來(lái)對(duì)實(shí)際問(wèn)題進(jìn)行尋優(yōu)，最后得到一個(gè)問(wèn)題的最優(yōu)答案。作為一個(gè)算法，它對(duì)需要解決的問(wèn)題的參量進(jìn)行編碼運(yùn)算，由于GA是沿多種路線進(jìn)行平行搜索的，一般不會(huì)陷入局部最優(yōu)的陷阱中，能夠在多個(gè)局部較優(yōu)中找到全局最優(yōu)解。由于GA算法具有相當(dāng)強(qiáng)的搜索能力，當(dāng)它們與多元線性回歸、PLS、人工神經(jīng)網(wǎng)絡(luò)等建模方法相結(jié)合后，在一定條件下它們能夠在有限的時(shí)間內(nèi)搜尋到變量空間的最佳模型。近年來(lái)GA得到大量研究者的關(guān)注和研究，并且在QSPR研究中得到較好的應(yīng)用。但據(jù)申請(qǐng)人所知，目前尚無(wú)一種利用遺傳算法預(yù)測(cè)有機(jī)化合物燃爆特性的方法可供使用。
發(fā)明內(nèi)容本發(fā)明的目的是針對(duì)目前對(duì)有機(jī)化合物燃爆特性主要依靠實(shí)驗(yàn)和預(yù)測(cè)獲得，而實(shí)驗(yàn)法存在成本高、周期長(zhǎng)、危險(xiǎn)性大的缺點(diǎn)，現(xiàn)有的預(yù)測(cè)方法又存在準(zhǔn)確性差，適用范圍小等問(wèn)題，發(fā)明一種預(yù)測(cè)效果好、適用范圍廣、僅需化合物分子結(jié)構(gòu)就能實(shí)現(xiàn)的基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法。本發(fā)明的技術(shù)方案是-一種基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法，其特征是它包括以下步驟(1)分子結(jié)構(gòu)的描述根據(jù)已知的有機(jī)化合物分子結(jié)構(gòu)，計(jì)算用于反映分子結(jié)構(gòu)信息的各類結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)分子結(jié)構(gòu)信息的參數(shù)化描述；(2)特征結(jié)構(gòu)的選取使用具有強(qiáng)大全局搜索功能的遺傳算法進(jìn)行特征變量篩選，從步驟(1)計(jì)算出的大量結(jié)構(gòu)參數(shù)中篩選出與所研究燃爆特性最為密切相關(guān)的、包含豐富結(jié)構(gòu)信息的一系列參數(shù)作為描述分子特征結(jié)構(gòu)的描述符；(3)預(yù)測(cè)模型的建立使用統(tǒng)計(jì)建模方法，對(duì)步驟(胃您用的描述符與所研究燃爆特性之間的內(nèi)在定量關(guān)系進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，得到已有有機(jī)化合物燃爆特性與關(guān)鍵分子結(jié)構(gòu)特征之間的定量系數(shù)關(guān)系；(4)燃爆特性計(jì)算針對(duì)需要預(yù)測(cè)相關(guān)燃爆特性的有機(jī)化合物的分子結(jié)構(gòu)，根據(jù)步驟(2)所篩選出的相關(guān)描述符，計(jì)算出相應(yīng)的關(guān)鍵分子結(jié)構(gòu)特征值，將其代入步驟(3)所建立的預(yù)測(cè)模型進(jìn)行計(jì)算，即可得到有機(jī)化合物的相關(guān)燃爆特性。步驟(1)中所述的有機(jī)物分子結(jié)構(gòu)指分子的三維拓?fù)浣Y(jié)構(gòu)，且這些結(jié)構(gòu)是采用構(gòu)象分析、分子力學(xué)等方法獲得的最優(yōu)化的構(gòu)象。步驟(1)中所述的各類結(jié)構(gòu)參數(shù)包括分子的拓?fù)鋮?shù)、組成參數(shù)、幾何參數(shù)、電性參數(shù)、電性拓?fù)鋮?shù)以及量子化學(xué)參數(shù)。步驟(2)中采用遺傳算法與偏最小二乘方法相結(jié)合進(jìn)行變量篩選。步驟(2)中所述的遺傳算法使用"留1/10法"交互驗(yàn)證的均方根誤差作為適應(yīng)度函數(shù)。所述的燃爆特性包括閃點(diǎn)、自燃點(diǎn)、爆炸極限、燃燒熱。詳述如下本發(fā)明的要點(diǎn)是在全面有效地提取分子結(jié)構(gòu)信息的基礎(chǔ)上，采用特征變量篩選技術(shù)和統(tǒng)計(jì)學(xué)習(xí)方法，通過(guò)對(duì)現(xiàn)有分子結(jié)構(gòu)和相關(guān)燃爆特性數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練而達(dá)到的。首先，要想實(shí)現(xiàn)僅根據(jù)有機(jī)物分子結(jié)構(gòu)就能實(shí)現(xiàn)其燃爆特性的預(yù)測(cè)，就必須有效地提取全面的分子結(jié)構(gòu)信息，實(shí)現(xiàn)分子結(jié)構(gòu)的參數(shù)化。本發(fā)明應(yīng)用分子模擬方法構(gòu)建正確的二維或三維分子結(jié)構(gòu)，采用分子力學(xué)、構(gòu)象分析等方法獲得最優(yōu)化的構(gòu)象，釆用拓?fù)鋵W(xué)方法、量子力學(xué)方法等計(jì)算用于反映分子各種結(jié)構(gòu)信息的結(jié)構(gòu)參數(shù)，以獲取分子的結(jié)構(gòu)信息，實(shí)現(xiàn)分子結(jié)構(gòu)的參數(shù)化描述。同時(shí)，QSPR模型的建立要求選擇與相關(guān)燃爆特性最密切相關(guān)的結(jié)構(gòu)參數(shù)作為表征分子結(jié)構(gòu)特征的分子描述符。為了描述分子的結(jié)構(gòu)特征，前人己經(jīng)提出大量可以用于QSPR研究的分子結(jié)構(gòu)參數(shù)，這些結(jié)構(gòu)參數(shù)可以反映分子的組成、拓?fù)湟约半娮咏Y(jié)構(gòu)等多方面的結(jié)構(gòu)信息。但如何從眾多的參數(shù)當(dāng)中選擇與所研究的燃爆特性最密切相關(guān)的結(jié)構(gòu)參數(shù)是QSPR研究非常關(guān)鍵的問(wèn)題。QSPR模型的好壞在很大程度上取決于所選擇的參數(shù)，從統(tǒng)計(jì)學(xué)角度出發(fā)，希望用盡可能少的變量來(lái)表征盡可能多的結(jié)構(gòu)信息，因?yàn)檫^(guò)多的變量不僅會(huì)增加計(jì)算量，還會(huì)導(dǎo)致所建立的預(yù)測(cè)模型不穩(wěn)定，使模型的預(yù)測(cè)結(jié)果變差。基于上述原因，本發(fā)明采用了基于遺傳算法和偏最小二乘(GA-PLS)的變量篩選方法，對(duì)計(jì)算出的大量分子結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化篩選，以剔出較差或是與所研究的性質(zhì)無(wú)關(guān)的參數(shù)，找出與所研究的燃爆特性最密切相關(guān)的結(jié)構(gòu)參數(shù)作為描述化合物分子結(jié)構(gòu)特征的分子描述符。在此基礎(chǔ)上，針對(duì)具體問(wèn)題，選用合適的統(tǒng)計(jì)建模方法對(duì)所篩選出的分子描述符與相關(guān)燃爆特性間的內(nèi)在定量關(guān)系進(jìn)行模擬，建立相應(yīng)的燃爆特性預(yù)測(cè)模型。GA-PLS算法結(jié)合了GA的全局優(yōu)化搜索能力和PLS有效地解決變量間多重共線性問(wèn)題的能力，能夠?qū)LS建模的預(yù)測(cè)變量進(jìn)行有效的篩選，其基本過(guò)程為(1)初始化群體。隨機(jī)產(chǎn)生一系列二進(jìn)制編碼的字符串，字符串的長(zhǎng)度等于預(yù)測(cè)變量的個(gè)數(shù)，字符串的每個(gè)字符對(duì)應(yīng)于一個(gè)預(yù)測(cè)變量，相應(yīng)字符為l或O表示該預(yù)測(cè)變量被模型選用與否，字符串中標(biāo)記為l的字符的數(shù)目就是相應(yīng)模型選用的預(yù)測(cè)變量的數(shù)目。本發(fā)明設(shè)定群體中個(gè)體的數(shù)目為30個(gè)。(2)個(gè)體適應(yīng)度評(píng)價(jià)。適應(yīng)度表征相應(yīng)個(gè)體所代表的模型性能的好壞，適應(yīng)度高的個(gè)體有較高的概率被保留，而被復(fù)制到下一代；而適應(yīng)度低的個(gè)體則有較高的概率被刪除。因此，個(gè)體適應(yīng)度評(píng)價(jià)是GA-PLS算法中一個(gè)關(guān)鍵步驟，它決定了GA-PLS算法的搜索方向，也就決定了該算法性能的好壞。本發(fā)明選用"留1/10法"交互驗(yàn)證的均方根誤差作為適應(yīng)度函數(shù)。"留1/10法"交互驗(yàn)證是指從訓(xùn)練集中每次篩除訓(xùn)練樣本數(shù)的1/10個(gè)化合物，用其余的化合物建模，來(lái)預(yù)測(cè)所篩除化合物的性質(zhì)，這樣得到一個(gè)交互驗(yàn)證的均方根誤差(RMS)來(lái)評(píng)價(jià)模型性能的好壞，其計(jì)算公式為<formula>formulaseeoriginaldocumentpage9</formula>(3)遺傳操作。根據(jù)適應(yīng)度的大小對(duì)群體進(jìn)行復(fù)制操作，將適應(yīng)度大的個(gè)體復(fù)制到下一代，小的則淘汰，從而實(shí)現(xiàn)"適者生存，優(yōu)勝劣汰"的操作，本發(fā)明采用比例選擇法進(jìn)行復(fù)制操作；交叉操作交換相互配對(duì)的兩個(gè)個(gè)體的部分基因，從而產(chǎn)生新的個(gè)體，它是GA-PLS算法產(chǎn)生新個(gè)體的主要手段，決定了該算法的全局搜索能力，本發(fā)明采用的是單點(diǎn)交叉法；變異操作通過(guò)改變個(gè)體字符串上某個(gè)或某些字符模擬生物的基因突變現(xiàn)象達(dá)到產(chǎn)生新個(gè)體的目的，它是GA-PLS算法產(chǎn)生新個(gè)體的輔助方法，決定了該算法的局部搜索能力，并且維持群體中個(gè)體的多樣性，本發(fā)明采用基本位變異進(jìn)行變異操作。作為本發(fā)明關(guān)鍵技術(shù)之一的遺傳算法的主要運(yùn)算過(guò)程為(如圖1):①初始化隨機(jī)生成m個(gè)個(gè)體組成初始群體P。，其中每個(gè)個(gè)體對(duì)應(yīng)于所研究問(wèn)題的一個(gè)可行解；設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器，t=0;設(shè)置最大進(jìn)化代數(shù)T;②個(gè)體評(píng)價(jià)計(jì)算群體P，中每個(gè)個(gè)體的適應(yīng)度；③執(zhí)行復(fù)制、交叉、變異等一系列遺傳操作；④終止判斷若t《T，則進(jìn)化代數(shù)加l，轉(zhuǎn)到第2步；否則終止迭代運(yùn)算，以進(jìn)化過(guò)程中得到的具有最大適應(yīng)度的個(gè)體作為最優(yōu)解輸出。(4)終止判斷。判斷算法是否達(dá)到最大迭代次數(shù)或者其它終止條件，確定算法繼續(xù)進(jìn)行迭代運(yùn)算或者終止并輸出結(jié)果。本發(fā)明采用最大進(jìn)化代數(shù)作為GA-PLS算法的終止條件。本發(fā)明的有益效果本發(fā)明預(yù)測(cè)效果好、適用范圍廣、僅需化合物分子結(jié)構(gòu)就能實(shí)現(xiàn)其相關(guān)燃爆特性，如閃點(diǎn)、自燃點(diǎn)、爆炸極限、燃燒熱等的預(yù)測(cè)。利用本發(fā)明的方法可以僅根據(jù)有機(jī)化合物分子結(jié)構(gòu)就能準(zhǔn)確、快速地預(yù)測(cè)出其燃爆特性，為生產(chǎn)、加工、儲(chǔ)存、運(yùn)輸?shù)忍峁┲苯拥臄?shù)據(jù)，而且可免去大量實(shí)驗(yàn)測(cè)定所帶來(lái)的不便和經(jīng)濟(jì)上的損失，特別是適用于那些實(shí)驗(yàn)難以進(jìn)行或不具備實(shí)驗(yàn)條件的單位使用，其經(jīng)濟(jì)性十分可觀。圖l為遺傳算法具體運(yùn)算步驟示意圖。圖2為MLR模型所得自燃點(diǎn)預(yù)測(cè)值與實(shí)驗(yàn)值的比較。圖3為SVM模型所得自燃點(diǎn)預(yù)測(cè)值與實(shí)驗(yàn)值的比較。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。如圖2、3所示。一種基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法，具體步驟可細(xì)分為以下八步(1)已有數(shù)據(jù)的采集、整理根據(jù)一定的統(tǒng)計(jì)標(biāo)準(zhǔn)和結(jié)構(gòu)標(biāo)準(zhǔn)選擇一系列有機(jī)化合物，構(gòu)成QSPR研究的樣本集?；衔镞x擇的條件是統(tǒng)計(jì)上的隨機(jī)性、結(jié)構(gòu)上的代表性和全面性，以及數(shù)據(jù)的可獲得性。針對(duì)樣本集中的系列化合物，收集所關(guān)注的燃爆特性數(shù)據(jù)。數(shù)據(jù)收集的途徑主要有3種各種權(quán)威性質(zhì)數(shù)據(jù)庫(kù)、各種手冊(cè)以及實(shí)驗(yàn)測(cè)定的結(jié)果。數(shù)據(jù)選擇的原則是必須可靠和標(biāo)準(zhǔn)化。本發(fā)明推薦使用的有聯(lián)合國(guó)環(huán)境規(guī)劃署(UNEP)、國(guó)際勞工組織(工LO)和世界衛(wèi)生組織(冊(cè)0)的合作機(jī)構(gòu)國(guó)際化學(xué)品安全規(guī)劃署(IPCS)與歐洲聯(lián)盟委員會(huì)(EU)合作編輯的《國(guó)際化學(xué)品安全卡》(ICSC)、美國(guó)阿克倫大學(xué)的危險(xiǎn)化學(xué)品數(shù)據(jù)庫(kù)、英國(guó)牛津大學(xué)的危險(xiǎn)化學(xué)品數(shù)據(jù)庫(kù)，以及美國(guó)化學(xué)工程師學(xué)會(huì)下屬的DIPPI^數(shù)據(jù)庫(kù)。(2)樣本集的劃分將樣本集隨機(jī)劃分為訓(xùn)練集和預(yù)測(cè)集兩個(gè)部分，其中訓(xùn)練集用于建立模型，預(yù)測(cè)集用于對(duì)所建模型進(jìn)行評(píng)價(jià)和驗(yàn)證。(3)分子結(jié)構(gòu)的輸入及優(yōu)化借助化學(xué)軟件HypercheiE進(jìn)行分子結(jié)構(gòu)的輸入，應(yīng)用分子模擬方法構(gòu)建正確的二維或三維分子結(jié)構(gòu)，采用分子力學(xué)(羅+優(yōu)化)、量子化學(xué)半經(jīng)驗(yàn)方法(AM1優(yōu)化)等方法獲得最優(yōu)化的構(gòu)象。(4)分子結(jié)構(gòu)描述符的計(jì)算采用拓?fù)鋵W(xué)方法、量子力學(xué)方法等計(jì)算用于反映分子各種結(jié)構(gòu)信息的結(jié)構(gòu)參數(shù)，如拓?fù)鋮?shù)、組成參數(shù)、電性參數(shù)以及量子化學(xué)參數(shù)等，以獲取分子的結(jié)構(gòu)信息，實(shí)現(xiàn)分子結(jié)構(gòu)的參數(shù)化描述。(5)特征變量篩選將遺傳算法與偏最小二乘方法相結(jié)合，建立高效、快速的優(yōu)化算法，進(jìn)行分子結(jié)構(gòu)特征的提取，從已計(jì)算出的眾多分子結(jié)構(gòu)參數(shù)中找出與所研究的性質(zhì)最密切相關(guān)的結(jié)構(gòu)參數(shù)作為模型的輸入?yún)?shù)。遺傳算法所選用的相關(guān)參數(shù)如表l所示_表l.<table>tableseeoriginaldocumentpage12</column></row><table>(6)預(yù)測(cè)模型的建立選用合適的統(tǒng)計(jì)建模方法對(duì)分子結(jié)構(gòu)參數(shù)與所研究性質(zhì)之間的內(nèi)在定量關(guān)系進(jìn)行模擬，尋求兩者之間存在的定量函數(shù)關(guān)系，建立相應(yīng)的預(yù)測(cè)模型。常用的統(tǒng)計(jì)建模方法包括多元線性回歸、偏最小二乘、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。建模時(shí)應(yīng)根據(jù)問(wèn)題的實(shí)際情況選用合適的統(tǒng)計(jì)建模方法。(7)模型的評(píng)價(jià)與驗(yàn)證對(duì)所建立的QSPR模型的可靠程度及模型的預(yù)測(cè)能力進(jìn)行評(píng)價(jià)和驗(yàn)證。評(píng)價(jià)主要針對(duì)幾個(gè)方面模型的擬合優(yōu)度、穩(wěn)健性和預(yù)測(cè)能力。本發(fā)明中，模型的擬合優(yōu)度采用復(fù)相關(guān)系數(shù)(r，即回歸系數(shù)的平方，代表模型所解釋的方差)來(lái)評(píng)價(jià)；模型的穩(wěn)健性采用"留一法"(Leave-one-out,L00)交互驗(yàn)證方法來(lái)進(jìn)行檢驗(yàn),"留一法"交互檢驗(yàn)是指從訓(xùn)練集中每次篩除一個(gè)化合物，用其余的化合物建模，來(lái)預(yù)測(cè)篩除化合物的性質(zhì)，這樣得到一個(gè)交互驗(yàn)證的<formula>formulaseeoriginaldocumentpage12</formula>(即")來(lái)評(píng)價(jià)模型穩(wěn)健性，其計(jì)算公式為-;模<formula>formulaseeoriginaldocumentpage12</formula>型預(yù)測(cè)能力的驗(yàn)證通過(guò)用所建立的模型來(lái)預(yù)測(cè)測(cè)試集化合物的相關(guān)性質(zhì)，然后計(jì)算相應(yīng)的均方根誤差(RMS)和平均絕對(duì)誤差(AAE)的方式進(jìn)行。只有具有統(tǒng)計(jì)上的顯著性、穩(wěn)健的和具有高度預(yù)測(cè)能力的模型才能夠進(jìn)行應(yīng)用。(8)預(yù)測(cè)模型的應(yīng)用利用所建模型的預(yù)測(cè)能力對(duì)其它未知化合物的相關(guān)燃爆特性進(jìn)行預(yù)測(cè)，為化工生產(chǎn)和工程設(shè)計(jì)等工作提供所缺失的燃爆特性數(shù)據(jù)。下面以自燃點(diǎn)(Auto-IgnitionTemperature,AIT)予頁(yè)測(cè)為例，對(duì)本發(fā)明做進(jìn)一步說(shuō)明。樣本集共包含446種有機(jī)化合物，其自燃點(diǎn)數(shù)據(jù)從以下3種公共來(lái)源獲得:美國(guó)阿克倫大學(xué)(http:〃u11.chemistry.uakron.edu/erd/)、英國(guó)牛津大學(xué)(http:〃ptcl.chem.ox.ac.uk/MSDS/)及《國(guó)際化學(xué)品安全卡》(ICSC)(http:〃www.inchem.org/pages/icsc.html)。該樣本集中的化合物涵蓋廣泛的化學(xué)多樣性空間，為建立健壯、有效的預(yù)測(cè)模型奠定了基礎(chǔ)。隨后，對(duì)樣本集進(jìn)行劃分，隨機(jī)選擇356種化合物作為訓(xùn)練集，用于變量篩選和建立預(yù)測(cè)模型；選擇剩余90種化合物作為外部預(yù)測(cè)集，用于對(duì)所建模型的可靠程度和預(yù)測(cè)能力進(jìn)行評(píng)價(jià)驗(yàn)證。隨后，根據(jù)樣本集中有機(jī)物的分子結(jié)構(gòu)，對(duì)其拓?fù)?、電性、量子化學(xué)等結(jié)構(gòu)參數(shù)進(jìn)行計(jì)算。在此基礎(chǔ)上，應(yīng)用建立的遺傳算法對(duì)所計(jì)算出的大量結(jié)構(gòu)參數(shù)進(jìn)行特征結(jié)構(gòu)的優(yōu)化篩選，選取"留1/10法"交互驗(yàn)證方式所得到的最小均方根誤差所對(duì)應(yīng)的那組參數(shù)作為最終的分子描述符，即模型的輸入?yún)?shù)。這些與有機(jī)物自燃點(diǎn)密切相關(guān)的結(jié)構(gòu)參數(shù)列于表2。_表2.遺傳算法篩選出的與自燃點(diǎn)密切相關(guān)的結(jié)構(gòu)參數(shù)序號(hào)結(jié)構(gòu)參數(shù)_^_1ZM2V依據(jù)價(jià)態(tài)頂點(diǎn)程度的第二Zagreb指標(biāo)2X4Av平均價(jià)電子連接性指數(shù)(chi-4)3GGI55階拓?fù)潆娦灾笖?shù)4MATS2mMoran自相關(guān)-lag2/按原子量加權(quán)<image>imageseeoriginaldocumentpage14</image>在應(yīng)用遺傳算法篩選出與自燃點(diǎn)最為密切相關(guān)的結(jié)構(gòu)參數(shù)之后，分別應(yīng)用多元線性回歸(MultipleLinearRegression,MLR)和支持向量機(jī)(S叩portVectorMachine,SVM)方法對(duì)有機(jī)物自燃點(diǎn)與上述結(jié)構(gòu)參數(shù)間的內(nèi)在定量關(guān)系進(jìn)行關(guān)聯(lián)，建立相應(yīng)的預(yù)測(cè)模型。多元線性回歸采用全回歸技術(shù)進(jìn)行分析，針對(duì)訓(xùn)練集中356種化合物自燃點(diǎn)數(shù)據(jù)與相應(yīng)9個(gè)結(jié)構(gòu)變量數(shù)據(jù)間的內(nèi)在關(guān)系，建立了如下的線性預(yù)測(cè)模型AIT二-983.727+1.659*ZM2V-296.596*X4Av-297.122*GGI5+1487.053*MATS2m-42.533*GATS2e-216.754*QNEG+137.581*RTe+-59.156*nR0R-74.495*0-058(1)該模型相關(guān)統(tǒng)計(jì)學(xué)參數(shù)見(jiàn)表3。應(yīng)用該模型對(duì)樣本集中所有446種化合物進(jìn)行回歸和預(yù)測(cè)，所得預(yù)測(cè)值與實(shí)驗(yàn)值的比較見(jiàn)附圖2，所得模型性能參數(shù)見(jiàn)表4。表3.MLR模型的統(tǒng)計(jì)學(xué)參數(shù)<table>tableseeoriginaldocumentpage14</column></row><table>RTe+137.58115.1609.075n麗-59.1565.045-11.7250-058-74.495_4.753_-15.673^38.53，7^256.021，/=356，p<0.0001支持向量機(jī)模擬采用徑向基核AXaa)^xp(-r〃x-^〃0作為核函數(shù)，將樣本數(shù)據(jù)線性映射到[-l，l]區(qū)間，進(jìn)行歸一化處理；針對(duì)訓(xùn)練集樣本，采用格點(diǎn)搜索方法確定模型最優(yōu)參數(shù)，格點(diǎn)搜索的搜索方向?yàn)?留1/10法"交互檢驗(yàn)的最小均方根誤差(脂SE);通過(guò)搜索，確定模型的最優(yōu)參數(shù)為懲罰系數(shù)01024，e-不敏感損失函數(shù)中的e=0.125，核函數(shù)的寬度Y=0.03125，相應(yīng)的支持向量數(shù)160。針對(duì)訓(xùn)練集樣本，應(yīng)用最優(yōu)參數(shù)建立相應(yīng)的非線性預(yù)測(cè)模型。應(yīng)用該模型對(duì)實(shí)驗(yàn)樣本進(jìn)行預(yù)測(cè)，所得預(yù)測(cè)值與實(shí)驗(yàn)值的比較見(jiàn)附圖3，所得模型性能參數(shù)見(jiàn)表4。表4.SVM和MLR兩種預(yù)測(cè)模型的性能參數(shù)比較<table>tableseeoriginaldocumentpage15</column></row><table>("-External"，H一^^^-^從表4可以看出，無(wú)論是對(duì)于訓(xùn)練集還是預(yù)測(cè)集，MLR模型和SVM模型的平均絕對(duì)誤差均接近于實(shí)驗(yàn)允許誤差(士3(TC)，這說(shuō)明我們的預(yù)測(cè)模型是成功的。同時(shí)，分別運(yùn)用MLR和SVM方法進(jìn)行建模，所得模型均效果良好，說(shuō)明我們使用GA-PLS篩選出的9個(gè)結(jié)構(gòu)參數(shù)能夠?qū)τ绊懽匀键c(diǎn)的重要結(jié)構(gòu)特征進(jìn)行有效的表征，而不是受特定建模方法的影響。此外，從表4還可以看出，兩種模型的預(yù)測(cè)性能和擬合性能均較為接近，這說(shuō)明本發(fā)明基于遺傳算法所建立的啟燃點(diǎn)預(yù)測(cè)模型還具有較強(qiáng)的泛化性能即預(yù)測(cè)穩(wěn)定性。對(duì)于類似的成功研究，文獻(xiàn)上尚未見(jiàn)報(bào)道。Mitchell等人曾基于模擬退火算法和神經(jīng)網(wǎng)絡(luò)方法進(jìn)行過(guò)類似的研究。但他們?cè)噲D建立一個(gè)適用于各類型有機(jī)物的普適模型的嘗試沒(méi)有獲得成功。隨后他們將有機(jī)物進(jìn)行劃分，分別針對(duì)不同類型的有機(jī)物分別建立了相應(yīng)的預(yù)測(cè)模型。該方法在實(shí)際應(yīng)用中較為繁瑣，且對(duì)那些大量的含有多官能團(tuán)結(jié)構(gòu)的物質(zhì)不適用。在已有的自燃點(diǎn)預(yù)測(cè)方法當(dāng)中，Suzuki和Tetteh等人均將自燃點(diǎn)與其它理化參數(shù)(表面張力、等張比容等)進(jìn)行關(guān)聯(lián)，分別應(yīng)用多元線性回歸和神經(jīng)網(wǎng)絡(luò)方法建立相應(yīng)的預(yù)測(cè)模型，實(shí)現(xiàn)根據(jù)其它理化參數(shù)預(yù)測(cè)燃爆特性的功能。這類方法的應(yīng)用需要使用到表面張力、等張比容等不常見(jiàn)的物化參數(shù)，而這些參數(shù)的實(shí)驗(yàn)數(shù)據(jù)往往本身就比較缺乏，因此應(yīng)用范圍受到較大的限制。Albahri和George則基于基團(tuán)貢獻(xiàn)法建立了相應(yīng)的自燃點(diǎn)預(yù)測(cè)模型，且模型應(yīng)用簡(jiǎn)便、預(yù)測(cè)精度良好。但是，該模型的應(yīng)用范圍受研究體系的影響較大，對(duì)于那些含有建模時(shí)所選取的那組基團(tuán)范圍以外的基團(tuán)的化合物，應(yīng)用該模型就無(wú)法進(jìn)行預(yù)測(cè)；同時(shí)，該方法對(duì)同分異構(gòu)體的區(qū)分能力較差，應(yīng)用結(jié)構(gòu)基團(tuán)無(wú)法對(duì)"同分異構(gòu)"物質(zhì)加以區(qū)分。由此可見(jiàn)，與已有的自燃點(diǎn)預(yù)測(cè)方法相比，我們基于遺傳算法的預(yù)測(cè)方法僅根據(jù)分子結(jié)構(gòu)就能實(shí)現(xiàn)自燃點(diǎn)的預(yù)測(cè)，且預(yù)測(cè)效果好(在實(shí)驗(yàn)誤差允許范圍之內(nèi))、泛化性能高、適用范圍廣，顯示了該方法在有機(jī)物燃爆特性預(yù)測(cè)方面具有很好的應(yīng)用效果。應(yīng)用本發(fā)明所建立的自燃點(diǎn)預(yù)測(cè)模型對(duì)未知化合物自燃點(diǎn)進(jìn)行預(yù)測(cè)的具體使用方法如下(1)線性預(yù)測(cè)模型即式(1)。預(yù)測(cè)時(shí)只需根據(jù)化合物的分子結(jié)構(gòu)，計(jì)算出該化合物與表2相對(duì)應(yīng)的9個(gè)結(jié)構(gòu)描述符的具體數(shù)值，然后代入式(1)進(jìn)行計(jì)算，即可得到該有機(jī)化合物的自燃點(diǎn)數(shù)值。(2)非線性預(yù)測(cè)模型只需輸入SVM的相關(guān)參數(shù)，即可建立相應(yīng)的非線性預(yù)測(cè)模型。預(yù)測(cè)時(shí)只需根據(jù)化合物的分子結(jié)構(gòu)，計(jì)算出該化合物與表2相對(duì)應(yīng)的9個(gè)結(jié)構(gòu)描述符的具體數(shù)值，然后作為所建SVM模型的輸入?yún)?shù)，進(jìn)行預(yù)測(cè)后即可得到該有機(jī)化合物的自燃點(diǎn)數(shù)值。本發(fā)明中發(fā)明者基于分子結(jié)構(gòu)和遺傳算法，發(fā)展了一套根據(jù)分子結(jié)構(gòu)預(yù)測(cè)有機(jī)物燃爆特性的新方法。根據(jù)結(jié)構(gòu)決定性質(zhì)的原理，從解析分子結(jié)構(gòu)角度出發(fā)，全面提取能夠描述分子結(jié)構(gòu)信息的結(jié)構(gòu)參數(shù)；將偏最小二乘和遺傳算法相結(jié)合，設(shè)計(jì)了相應(yīng)的特征變量篩選程序，從大量根據(jù)分子結(jié)構(gòu)計(jì)算出的結(jié)構(gòu)參數(shù)中，分別針對(duì)不同的燃爆特性篩選出與其密切相關(guān)的一組參數(shù)作為表征分子結(jié)構(gòu)的特征參數(shù)；選用合適的統(tǒng)計(jì)建模方法，對(duì)已有的燃爆特性實(shí)驗(yàn)數(shù)據(jù)與其分子結(jié)構(gòu)間的定量關(guān)系進(jìn)行模擬，在此基礎(chǔ)上建立起簡(jiǎn)便可靠的燃爆特性理論預(yù)測(cè)模型，實(shí)現(xiàn)根據(jù)分子結(jié)構(gòu)預(yù)測(cè)燃爆特性的功能，有效地解決有機(jī)物燃爆特性實(shí)驗(yàn)數(shù)據(jù)缺乏的問(wèn)題，因此在化工過(guò)程設(shè)計(jì)與化工流程模擬等工作中有著良好的應(yīng)用前景。運(yùn)用相同的方法可分別得出與有機(jī)化合物的閃點(diǎn)、爆炸極限和燃燒熱最為密切相關(guān)的結(jié)構(gòu)參數(shù)，如表5、6、7所示。應(yīng)用這些參數(shù)建立的線性預(yù)測(cè)模型見(jiàn)式(2)。式(4)，相應(yīng)的統(tǒng)計(jì)學(xué)參數(shù)列于表5。表7。①閃點(diǎn)(FlashPoint,FP)預(yù)測(cè)模型FP二83.684-28.276*CIC0+52.992*ESpm02d+34.609*nHDon+80.642*RDCHI(2)表5.遺傳算法篩選出的與閃點(diǎn)密切相關(guān)的結(jié)構(gòu)參數(shù)及所建預(yù)測(cè)模型的統(tǒng)計(jì)學(xué)參數(shù)<table>tableseeoriginaldocumentpage17</column></row><table>②爆炸極限(下限，LowerFla腿bilityLimit,LFL)預(yù)測(cè)模型LFL=0.759-1.481*AAC-0.021*ML0GP-3.578*PW5+8.576*SIC0(3)表6.遺傳算法篩選出的與爆炸極限密切相關(guān)的結(jié)構(gòu)參數(shù)及所建預(yù)測(cè)模型的統(tǒng)計(jì)學(xué)參數(shù)序結(jié)構(gòu)參數(shù)定義系數(shù)系數(shù)標(biāo)準(zhǔn)誤號(hào)差1AAC關(guān)于原子組成的平均信息指數(shù)-1.4810.0282MLOGPMoriguchi辛醇-水分配系數(shù)-O.0210.0023PW5randic形狀指數(shù)(路徑5)-3.5780.1124SICO結(jié)構(gòu)信息內(nèi)容(o階鄰域?qū)ΨQ性)8.5760.0905常數(shù)—0.7590.023③燃燒熱(NetHeatofCombustion,A//:)預(yù)測(cè)模型A//:=-195.716+140.903*ATS2rn-162.807*nC+1055.122*SEige-285.915*Sv(4)表7.遺傳算法篩選出的與燃燒熱密切相關(guān)的結(jié)構(gòu)參數(shù)及所建預(yù)測(cè)模型的統(tǒng)計(jì)學(xué)參數(shù)序號(hào)結(jié)構(gòu)參數(shù)定義系數(shù)系數(shù)標(biāo)準(zhǔn)誤差1ATS2mBroto-Moreau自相關(guān)-lag2/按原子量加權(quán)140.90310.3102nCC原子數(shù)-162.8084.6143SEige按電負(fù)性加權(quán)的距離矩陣特征值之和1055.12212.5444Sv原子范德瓦爾斯體積之和(按C原子折算)-285.9153.1685常數(shù)——-195.71619.797閃點(diǎn)、爆炸極限、燃燒熱預(yù)測(cè)模型的應(yīng)用可參照自燃點(diǎn)預(yù)測(cè)模型的使用方法進(jìn)行。本發(fā)明未涉及部分均與現(xiàn)有技術(shù)相同或可采用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。權(quán)利要求1、一種基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法，其特征是它包括以下步驟(1)分子結(jié)構(gòu)的描述根據(jù)已知的有機(jī)化合物分子結(jié)構(gòu)，計(jì)算用于反映分子結(jié)構(gòu)信息的各類結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)分子結(jié)構(gòu)信息的參數(shù)化描述；(2)特征結(jié)構(gòu)的選取使用具有強(qiáng)大全局搜索功能的遺傳算法進(jìn)行特征變量篩選，從步驟(1)計(jì)算出的大量結(jié)構(gòu)參數(shù)中篩選出與所研究燃爆特性最為密切相關(guān)的、包含豐富結(jié)構(gòu)信息的一系列參數(shù)作為描述分子特征結(jié)構(gòu)的描述符；(3)預(yù)測(cè)模型的建立使用統(tǒng)計(jì)建模方法，對(duì)步驟(2)所選用的描述符與所研究燃爆特性之間的內(nèi)在定量關(guān)系進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，得到已有有機(jī)化合物燃爆特性與關(guān)鍵分子結(jié)構(gòu)特征之間的定量系數(shù)關(guān)系；(4)燃爆特性計(jì)算針對(duì)需要預(yù)測(cè)相關(guān)燃爆特性的有機(jī)化合物的分子結(jié)構(gòu)，根據(jù)步驟(2)所篩選出的相關(guān)描述符，計(jì)算出相應(yīng)的關(guān)鍵分子結(jié)構(gòu)特征值，將其代入步驟(3)所建立的預(yù)測(cè)模型進(jìn)行計(jì)算，即可得到有機(jī)化合物的相關(guān)燃爆特性。2.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于步驟(1)中所述的有機(jī)物分子結(jié)構(gòu)指分子的三維拓?fù)浣Y(jié)構(gòu)，且這些結(jié)構(gòu)是采用構(gòu)象分析、分子力學(xué)等方法獲得的最優(yōu)化的構(gòu)象。3.根據(jù)權(quán)利要求l所述的預(yù)測(cè)方法，其特征在于步驟(1)中所述的各類結(jié)構(gòu)參數(shù)包括分子的拓?fù)鋮?shù)、組成參數(shù)、幾何參數(shù)、電性參數(shù)、電性拓?fù)鋮?shù)以及量子化學(xué)參數(shù)。4.根據(jù)權(quán)利要求l所述的預(yù)測(cè)方法，其特征在于步驟(2)中采用遺傳算法與偏最小二乘方法相結(jié)合進(jìn)行變量篩選。5.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于步驟(2)中所述的遺傳算法使用"留1/10法"交互驗(yàn)證的均方根誤差作為適應(yīng)度函數(shù)。6.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于所述的燃爆特性:包括閃點(diǎn)、自燃點(diǎn)、爆炸極限、燃燒熱。全文摘要一種基于遺傳算法的有機(jī)化合物燃爆特性預(yù)測(cè)方法，它基于有機(jī)物的各種燃爆特性由其分子結(jié)構(gòu)決定，而分子結(jié)構(gòu)可以用反映分子結(jié)構(gòu)特征的各種參數(shù)來(lái)描述，即有機(jī)物的燃爆特性可以用化學(xué)結(jié)構(gòu)參數(shù)的函數(shù)來(lái)表示。本發(fā)明首先根據(jù)有機(jī)物分子結(jié)構(gòu)，計(jì)算用于反映分子各種結(jié)構(gòu)信息的結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)分子結(jié)構(gòu)信息的參數(shù)化描述；隨后應(yīng)用遺傳算法進(jìn)行特征變量篩選，從大量已計(jì)算出的結(jié)構(gòu)參數(shù)中篩選出與相關(guān)燃爆特性密切相關(guān)的、包含豐富結(jié)構(gòu)信息的一組參數(shù)作為分子結(jié)構(gòu)描述符。在此基礎(chǔ)上采用合適的統(tǒng)計(jì)建模方法對(duì)所選用的描述符與相關(guān)燃爆特性間的內(nèi)在定量關(guān)系進(jìn)行統(tǒng)計(jì)學(xué)習(xí)，得出分子結(jié)構(gòu)與相關(guān)燃爆特性之間的定量函數(shù)模型。本發(fā)明方法簡(jiǎn)單，預(yù)測(cè)準(zhǔn)確性高，為有機(jī)化合物的燃爆特性提供了一種快速新穎、準(zhǔn)確的預(yù)測(cè)方法。文檔編號(hào)G06N3/00GK101339181SQ200810022519公開(kāi)日2009年1月7日申請(qǐng)日期2008年8月14日優(yōu)先權(quán)日2008年8月14日發(fā)明者曹洪印,勇潘,睿王,蔣軍成申請(qǐng)人:南京工業(yè)大學(xué)