Cluster geometry optimization using mechanistic random generations to improve genetic algorithms

Página do item simplificado
dc.contributor.advisorGalvão, Breno Rodrigues Lamaghere
dc.contributor.advisor-coFernandes, José Luiz Acebal
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/0824886862509279
dc.contributor.advisorLatteshttp://lattes.cnpq.br/7962146839706796
dc.contributor.authorRomero, Wagner Bernardes Quintão
dc.contributor.authorLatteshttp://lattes.cnpq.br/7432823822659508
dc.contributor.refereeGalvão, Breno Rodrigues Lamaghere
dc.contributor.refereeFernandes, José Luiz Acebal
dc.contributor.refereeSilva, Mateus Xavier
dc.date.accessioned2025-04-16T18:41:52Z
dc.date.available2025-04-16T18:41:52Z
dc.date.issued2020-02-20
dc.description.abstractNanopartículas são pequenos aglomerados (clusters) com poucos nanômetros de dimensão podendo conter até cerca de um milhão de átomos. O comportamento físico-químico destes clusters está fortemente ligado à sua geometria, número de partículas e composição. Devido à complexidade do problema, a configuração destes clusters não pode ser compreendida puramente por dados experimentais. Portanto, são necessários modelos ou hipóteses para dar sentido aos resultados destes experimentos. Computadores modernos possibilitam o avanço de abordagens ab initio que são capazes de prever a estrutura de menor energia de um cluster mesmo sem nenhum dado experimental, embora sejam eficientes apenas para pequenos clusters demandam alto custo computacional. Fenômenos quânticos contribuem para a dificuldade de se prever a geometria ótima de clusters em casos que se necessitam de grande exatidão. Quanto maior a exatidão esperada para os resultados, mais fenômenos quânticos devem ser levados em consideração, o que aumenta a complexidade do cálculos da energia do cluster. Métodos de busca por soluções, especialmente Algoritmos Genéticos (GA), tem sido usados em uma variedade de estudos apresentando boas soluções em uma maneira altamente paralelizável. Estes GAs se beneficiam de metáforas elaboradas e têm sido constantemente aprimorados ao longo dos anos. Neste trabalho, um método mecanicista para a geração aleatória de clusters é usado a fim de melhorar a eficiência de GAs usados para optimização de clusters.
dc.description.abstractotherNanoparticles are small particle agglomerates (clusters) of few nanometers ranging from a dozen up to a million atoms. The cluster behavior is strongly linked to its geometry, the number of particles and composition. The cluster configuration cannot be determined by experimental data solely and further hypothesis are necessary for giving meaning to the experimental results. The improvement of the current computer programs makes possible the advance of ab initio approaches which are able to determine the structure of the lowest energy without the need for any experimental data, but only for small clusters and at expenses of high computational cost. Quantum effects involved in clusters increase the difficulty of valuing geometries, especially when high accuracy is required. The higher the expected accuracy is, the more of those quantum aspects should be taken under consideration, increasing the complexity of the required algorithms. Search for solutions methods, especially using Genetic Algorithms (GA), have been used in a variety of cluster studies bringing light to good solutions in a highly parallel fashion assessing marginally the geometry domain. GA methods benefit from elegant metaphors and have been constantly improved throughout the years. In the present work, a mechanistic method for random generation of clusters is studied to improve the GA learning in cluster geometry optimization methods.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1239
dc.language.isoen
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectOtimização matemática
dc.subjectAlgoritmos genéticos
dc.subjectQuímica quântica
dc.titleCluster geometry optimization using mechanistic random generations to improve genetic algorithms
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Cluster geometry optimization using mechanistic random generations to improve genetic algorithms.pdf
Tamanho:
1.4 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado em Modelagem Matemática e Computacional