石向成，赵志坚，巩金龙

（1天津大学化工学院，绿色合成与转化教育部重点实验室，天津300072；2天津化学化工协同创新中心，天津300072；3天津大学-新加坡国立大学福州联合学院，福建福州350207）

引 言

物质通常以能量最低的状态存在，即基态结构(global minimum structure)，其能量处于势能面上的全局最小值点。对于催化体系而言，了解基态结构对于预测催化剂结构(如金属团簇体系)[1]、分析吸附特性(如吸附位点[2]、吸附结构[3]及表面生长过程[4])、研究多相催化反应机理[5-7]、认识反应物与催化剂的相互作用关系[8]、构建反应路径[9]、解释实验现象[10]等研究至关重要，并为催化剂的理性设计提供基础。基态结构是反应中最可能生成的结构[10]，但由于表征技术受限，通过实验观测基态结构的代价非常昂贵，所以理论模拟方法常被用以预测催化体系的基态结构。势能面具有高度复杂性和多维度性，并且随着原子数的增加，势能面上极小值点的数量以指数方式增加[11]。在现有计算条件下，通过遍历势能面上的所有结构来搜索基态结构，几乎不可能。所以，需要借助全局优化方法，实现在合理的计算时间内高效地搜寻催化体系势能面上的基态结构。

遗传算法(genetic algorithm)是一种基于自然选择机制的全局优化算法。它通过交叉、变异和选择等操作，模拟了自然淘汰进化过程，来搜索势能面上的基态结构。与其他基于单一的初始结构进行演化的算法(如盆地跳跃法、模拟退火法等)相比，遗传算法作为无偏(unbiased)优化算法，其优化效率及结果不受初始结构的影响[12]，具有很强的全局搜索能力。……