1.本方法涉及一种生成氢燃料汽车储氢的金属-有机框架算法。将金属-有机框架(mof)结构看作是由金属簇、有机连接基、拓扑网络组成。算法主要有蒙特卡洛树搜索(mcts)构成，分为4个阶段：选择、扩展、模拟、回溯。首先经过mcts的选择、扩展阶段得到生成完整smiles字符串的路径，再根据所选路径中的smiles字符串，在模拟阶段使用改进的gru作为策略网络对当前smiles字符串的下一个字符进行预测，模拟结束将得到一个完整的smiles字符串，即mof的有机连接基。随后，在zeo++中使用金属簇、拓扑网络、有机连接基来构建mof，进而利用raspa来模拟构建的mof的氢气吸附量，该吸附量的值作为mcts在生成有机连接基时所选择的路径的奖励值。最后，在mcts的回溯阶段，将奖励值向后传播并更新上述路径中节点的信息。
一种生成氢燃料汽车储氢的金属-有机框架算法，本方法包含4个阶段：
首先经过mcts的选择、扩展阶段得到生成完整smiles字符串的路径，再根据所选路径中的smiles字符串，在模拟阶段使用改进gru作为策略网络对当前smiles字符串的下一个字符进行预测，模拟结束将得到一个完整的smiles字符串，即mof的有机连接基；随后，在zeo++中使用金属簇、拓扑网络、有机连接基来构建mof，再利用raspa来模拟构建的mof的氢气吸附量，该吸附量的值作为mcts在生成有机连接基时所选择的路径的奖励值；最后在mcts的回溯阶段，将奖励值向后传播并更新路径中节点的信息；包括以下步骤：
a.选择：从根节点开始，利用特定的评估准则从当前节点中选择最优的子节点，并且重复此过程，直到选择出一个最优的叶子节点，即选择出了最具搜索潜力的路径，这里选用的评估方式为经典的ucb函数(upperconfidencebound)，如公式(1)所示：
其中，qi表示节点i的累计价值，ni是节点i的累计访问次数，n是节点i的父节点的累计访问次数，c是一个系数，用来调整加号前后两部分在整体公式中的比重，本方法将其设置为1；
b.扩展：扩展阶段是将一个或多个节点作为选择阶段选择出的最优节点的子节点添加到搜索树中；
c.模拟：基于目前搜索树中的smiles字符串，将训练后的改进gru作为策略网络，递归使用该策略网络预测当前smiles字符串的下一个smiles字符，直到生成字符“”或者smiles字符串长度达到限制(本方法设置的最大长度为81)为止；在传统gru元胞中用到的激活函数有sigmoid激活函数和tanh激活函数，其中门控采用的是sigmoid函数，在生成候选隐藏状态时采用的是tanh函数，为了增大gru的收敛速度，本方法对tanh函数进行了改进，具体表达如(2)式；改进的tanh函数作为gru元胞中用于得到候选隐藏状态的激活函数；
模拟完成后，将得到一个完整的smiles字符串；为了评估生成smiles字符串所选路径的优劣，即通过该路径生成smiles字符串后，使用该smiles字符串对应的有机连接基构建的mof的氢气吸附量的大小；在得到完整smiles字符串后，利用rdkit检查字符串的有效性，并将有效的smiles字符串转换为3d坐标下的有机分子，即得到有机连接基的原子坐标；随后，结合金属节点、拓扑网络、有机连接基在开源软件zeo++中构建mof；最后，通过在开源软件raspa中使用巨正则蒙特卡洛模拟(gcmc)评估得到的mof的氢气吸附量；由于目前氢燃料汽车中高压储氢的压强可达700bar，如果车辆发生碰撞，可能会导致氢气泄露，产生巨大危险；然而，利用比表面积大的mof材料进行物理吸附，不仅脱附氢气快，而且反应条件较温和；因此，在raspa中，我们设定的温度为298k，压强为100bar；
d.回溯：对mof进行吸附模拟后，将得到的氢气吸附量作为评估生成smiles字符串所选路径的优劣；如果生成的smiles字符串对应的有机连接基结合金属节点、拓扑网络未构建成mof，则将其值设定为0；然后，不断向上回溯直到到达根节点，回溯路径上的节点都会更新q值和n值；
mcts根据得到的氢气吸附量(奖励值)的大小去学习下一次如何选择更好的路径，即通过该路径得到完整的smiles字符串后，使用该sniles字符串对应的有机连接基构成的mof的氢气吸附量更大；当mof的氢气吸附量的最大值在7小时内保持不变时，认为在该输入下得到了氢气吸附性能最好的mof。