質子交換膜燃料電池（PEMFC）是一種很有前途的能量轉換裝置，可以將化學能轉化為電能，因為它具有效率高、啟動快、空氣污染物排放低/零等優點。質子交換膜（PEM）在PEMFC中起著重要作用，傳導離子，隔離燃料和氧化劑，以避免直接接觸。人們為制造各種PEM做出了巨大的努力。全氟磺酸基膜，例如Nafion®系列，已被用于燃料電池應用。它們具有良好的化學穩定性、機械強度和良好的離子電導率。然而，仍然存在一些缺點，包括透氣性高、保水性差、成本高。此外，其降解的含氟產品有毒，對人類和環境都有危險。人們在替代和低成本材料方面做出了廣泛的努力，以制備性能更好的新型膜。降冰片烯及其衍生物由于其獨特的結構和參與多種化學反應的能力，是很好的選擇，例如開環易位聚合（ROMP），這是一種使用過渡金屬催化劑引發環烯烴單體開口的聚合反應，從而形成聚合物鏈。該反應可用于生產具有獨特結構和性能的廣泛聚合物材料，使其成為材料科學和工程中的有用工具。聚合從小單體開始。幾個因素決定了反應，包括溫度、反應時間、反應物的比例和催化劑量等。為了制備膜，所獲得的聚合物需要具有高度的聚合度（DP），即分子量（MW）和低分子量分布（MWD）。在實際應用中，正交實驗設計（OED）被廣泛用于研究聚合物合成的*佳條件。然而，OED不可避免地會導致相當大的實際工作量，這既耗時又昂貴。此外，從理論上講，通過常規實驗方法獲得的*佳結果是不準確的，因為條件參數的變化是不連續的和非線性的。在過去的幾十年里，PEMFC領域的計算機輔助設計促進了PEMFC的發展。由于人工智能（AI）在過去十年中經歷了快速發展，它逐漸被應用于不同的領域來輔助設計，以及優化問題。基于AI的優化在材料開發研究中取得了驚人的成就，例如搜索*佳反應條件并分析結果。Chen等人基于群體海豚算法優化了PEMFC陰極電極的多層配置，以及散熱器的蛇形通道設計。阿里優化獲得了基于多目標方法的PEMFC的*佳操作條件。Wang等人將灰狼優化算法應用于高維分類上的特征選擇。Rui利用機器學習優化了膜組裝電極。迄今為止，已經對基于AI的方法的應用進行了更多的研究。然而，將基于AI的優化應用于PEMFC領域還遠遠不夠。在本文中，首先采用了基于人工智能優化的經驗模型，基于人工狼群算法優化了反應條件對合成結果的影響。論文分為五個方面：**部分介紹了本文研究工作的背景。**節分析了ROMP反應條件并計算了相關方程；第三節說明了優化框架；第四節定義了兩個適應度函數優化；第5節分析了優化的實證結果和驗證；第6節總結了研究工作

基于人工智能的優化

采用了基于人工智能的優化來尋找*優解，可以模擬人類的認知，找到*優的優化解。如圖1所示，優化過程由四個主要步驟組成。

步驟1。實驗數據獲取過程，其中對原始數據進行了分析，包括反應物比例、溫度、時間、催化劑含量、分子量和分子量分布。

步驟2。優化過程。該步驟定義了兩個適應度函數，然后采用人工狼群算法方法生成帕累托*優解。

步驟3。驗證過程。優化結果被納入經驗模型，并通過與數據庫進行比較來驗證結果。

步驟4。給出了解決方案。

圖1優化框架。

人工狼群算法

人工狼群算法（AWPA）被嵌入到優化中，以獲得*佳ROMP反應條件。狼是群居動物，大多生活在群體中。每只狼都可以搜索自己的局部*優解，并將信息傳遞給它附近的狼群進行比較。因此，由于狼群之間的高效信息傳輸，個體狼在方向和速度上與鄰居保持同步，這使得它們能夠在環境發生變化時從一個配置立即響應到另一個配置，幾乎作為一個整體。受此類社會行為的智能啟發，狼群算法是并行的，獨立于初始值。AWPA可以使用非支配排序方法實現全局*優。AWPA的工作流程如圖2所示。總共有7個步驟。

步驟1是初始化，其中所有參數都被初始化。

步驟2是行為選擇，其中根據區域內獵物的密度、同伴的數量和視覺條件在不同的行為之間進行選擇。

步驟3、4、5是三種行為，分別是偵察、召喚和圍攻。偵察被設置為默認行為或初始行為。每只狼在特定區域內隨機移動，并不斷檢查變化的條件。他們與鄰居狼比較狀態，直到找到*佳狀態并移動到下一步。否則，偵察繼續進行。

步驟6是公告操作。每只狼的狀態與其歷史數據進行比較。公告數據將在當前狀態數據優于上次數據時更新。

步驟7是非支配排序，其中利用非支配排序遺傳算法II（NSGA-II）比較結果。

圖2 AWPA的工作流程。