基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。     

银/金纳米线阵列表面增强拉曼基底的制备及对孔雀石绿的高灵敏度检测

利用种子介导的软模板生长方法制备了金纳米线(Au NWs)阵列, 通过调节生长温度控制Au NWs阵列的形貌, 最后在经硼氢化钠(NaBH₄)清洗过的Au NWs阵列上化学沉积银纳米颗粒(Ag NPs), 制得银/金纳米线(Ag/Au NWs)阵列作为表面增强拉曼散射(SERS)基底. 选用罗丹明6G(R6G)作为拉曼探针分子测定了Ag/Au NWs阵列的SERS性能. 结果表明, Ag/Au NWs阵列作为SERS基底具有高灵敏度、 优异的信号均匀性和良好的稳定性. 使用Ag/Au NWs阵列对孔雀石绿(MG)检测的检出限可低至1×10^-8 mol/L, 线性范围为 1×10^-8~1×10^-4 mol/L. NaBH₄可以在不影响SERS性能的情况下去除Ag/Au NWs阵列上吸附的分子, 使得 SERS基底可以重复使用. 使用Ag/Au NWs阵列对湖水中的MG进行检测, 得到了可靠的回收率, 证明Ag/Au NWs 阵列在检测环境水体中的孔雀石绿上具有应用潜力.