买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安邮电大学申请的专利粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116312890B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310291888.8，技术领域涉及：G16C60/00；该发明授权粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法是由任卫;张逸凡;周倩;张亚明;李仃;顾生越设计研发完成，并于2023-03-23向国家知识产权局提交的专利申请。

本粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法在说明书摘要公布了：本发明粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法，属于金属材料技术领域，该方法包括获取AlCoCrCuFeNi体系高熵合金硬度数据及候选特征，建立成分‑硬度数据集和特征数据集；对成分‑硬度数据集随机过采样并训练SVM‑rbf模型，使用PSO对SVM‑rbf模型寻优，即可得到硬度值高的高熵合金成分配比；对特征数据集的候选特征，采用GA初步筛选候选特征；分析筛选后的特征特点，针对扩充特征集并使用GA特征选择，得到优化特征组，提高模型预测精度；利用优化特征组建立RF硬度预测模型，根据构建的成分优化模型优化结果，将优化建模特征作为硬度预测模型的输入特征，运行模型，即可有效的预测硬度值高的高熵合金成分配比及相应硬度值。

本发明授权粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法在权利要求书中公布了：1.一种粒子群优化算法辅助机器学习筛选高硬度高熵合金的方法，其特征在于，包括：高硬度高熵合金成分寻优模块和高熵合金硬度预测模块，高硬度高熵合金成分寻优模块使用了粒子群算法搜寻高硬度高熵合金的成分配比，高熵合金硬度预测模块用于预测高硬度高熵合金成分寻优模块搜寻到的高熵合金的硬度，具体步骤如下： S101、由AlCoCrCuFeNi体系高熵合金成分-硬度数据集获取相应的候选特征；并根据候选特征与相应的AlCoCrCuFeNi体系高熵合金成分-硬度数据集构建特征数据集； 高硬度高熵合金成分寻优模块的构建方法为： S102、利用所述成分-硬度数据集从外推能力较强的线性模型：岭回归Ridge、Lasso、基于高斯核的支持向量机SVM-rbf和人工神经网络ANN中选择出基于高斯核的支持向量SVM-rbf用于构建高硬度高熵合金成分寻优模块的机器学习算法； S103、对成分-硬度数据集采用随机过采样操作： 将高熵合金成分-硬度数据集以100为步长划分硬度值，对介于不同硬度区间的高熵合金样本进行分类，对分类结果进行随机过采样操作，以保证可以获得不同的成分优化模型，进而设计出不同的高熵合金成分配比； S104、利用SVM-rbf算法对随机过采样后的成分优化数据集进行训练，得到成分优化模型： 根据AlCoCrCuFeNi体系高熵合金随机过采样后的成分优化数据集，采用SVM-rbf建立成分优化模型并进行超参数优化；所述超参数优化方法采用了贝叶斯优化方法，并在超参数优化过程中利用了十折交叉验证法辅助优化超参数； S105、对AlCoCrCuFeNi体系高熵合金的成分优化模型构建优化问题，并使用粒子群优化算法对该优化问题寻优，得到高熵合金的优化成分摩尔比，具体操作如下： 根据AlCoCrCuFeNi体系高熵合金的成分优化模型构建优化问题；所述优化问题的目标函数为SVM-rbf拟合的决策平面的最大硬度值；所述优化问题的约束条件为不同金属元素的摩尔比区间； 高熵合金硬度预测模块的构建方法为： S106、利用所述特征数据集从非线性映射能力好的算法：XGBoost、随机森林RandForest、SVM-rbf、ANN和外推能力好的机器学习算法：岭回归Ridge、Lasso中，选择随机森林RandForest用于构建高熵合金硬度预测模块的机器学习算法，所述用于构建高熵合金硬度预测模块的机器学习算法用于对合成的高熵合金进行硬度预测； S107、对AlCoCrCuFeNi体系高熵合金特征数据对应的候选特征，分别采用随机森林RandForest、序列前向特征选择方法SFS、序列后向特征选择方法SBS、遗传算法GA进行特征筛选，确定最优特征选择方法，得到筛选后的特征； S108、根据AlCoCrCuFeNi体系高熵合金特征数据对应的筛选后的特征特点，建立新的特征集，重新进行特征选择，得到优化建模特征； 对GA所选的特征组[γ,Δχ,VEC,F,Ω,ea,E,δG]进行分析，发现大部分特征都与模量，原子半径和电负差的误配及相关参数有关； 将GA中筛选出的E、G、χ以及体积模量K为原始数据，计算5个误配相关的特征，对于γ参数，其与金属原子尺寸误配相关，所以将原子半径r同样计算误配相关的特征，将重新计算的特征与GA筛选的特征整合到一起，组成了含有35个特征参数的特征集，通过GA重新进行特征选择，得到优化建模特征[VEC,G,M,E]； S109、根据AlCoCrCuFeNi体系高熵合金特征数据对应的筛选后的特征，筛选后的特征为[VEC,G,M,E]；采用随机森林RandForest建立硬度预测模型并进行超参数优化；所述超参数优化方法采用了贝叶斯优化方法，并在超参数优化过程中利用了十折交叉验证法辅助优化超参数； S110、利用步骤S105中高硬度高熵合金成分寻优模块寻找到的合金成分配比区间构建输入特征集，将特征集输入到高熵合金硬度预测模块即可得到高硬度高熵合金硬度预测值，即可获得硬度值高的高熵合金成分及相应硬度值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安邮电大学，其通讯地址为：710061 陕西省西安市长安南路563号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。