基于改进遗传算法优化化学反应条件

doi:10.19894/j.issn.1000-0518.240326

摘要/Abstract

摘要：

有机化学反应条件的优化一直是化学领域的重要研究课题。然而，由于反应条件的多样性和复杂性，传统优化方法通常依赖大量实验，面临高昂的成本和长时间反应的挑战。本研究针对有机化学反应优化的特点及传统遗传算法在收敛速度和局部最优解问题上的不足，提出了一种改进的遗传算法优化模型。该模型结合了保留精英策略、自适应多次变异策略和随机选择策略，显著提高了算法的全局搜索能力和收敛速度。研究首先在一个包含混合类型条件的直接芳基化反应数据集上对模型进行评估，实验结果表明，相较于传统的遗传算法和随机搜索算法，改进的遗传算法在不同实验环境下表现出更强的寻优能力和更高的稳定性。随后，研究以包含3696个反应条件的Suzuki-Miyaura反应数据集作为待优化的反应。实验表明，在产率≥96.20%的反应条件仅占整个数据集1%的搜索空间的情况下，改进遗传算法平均仅需搜索35个样本即可找到符合该条件的最优反应条件，充分展示了改进遗传算法在化学反应条件优化上的巨大潜力。

关键词: 反应条件, 优化, 改进, 遗传算法, 变异

Abstract:

The optimization of organic chemical reaction conditions has always been an important research topic in the field of chemistry. However， due to the diversity and complexity of reaction conditions， traditional optimization methods often rely on a large number of experiments， facing challenges such as high costs and long reaction times. This study proposes an improved genetic algorithm optimization model addressing the characteristics of organic chemical reaction optimization and the shortcomings of traditional genetic algorithms in terms of convergence speed and local optima issues. The model combines an elitism strategy， adaptive multiple mutation strategy， and random selection strategy， significantly improving the algorithm's global search capability and convergence speed. The study first evaluates the model on a dataset of direct arylation reactions containing mixed-type conditions， showing that the improved genetic algorithm exhibits stronger optimization ability and higher stability compared to traditional genetic algorithms and random search algorithms. Subsequently， the study optimizes the Suzuki-Miyaura reaction using a dataset containing 3696 reaction conditions. The experimental results demonstrate that when reaction conditions with a yield of at least 96.20% account for only 1% of the entire search space， the improved genetic algorithm requires an average of only 35 samples to find the optimal reaction conditions that meet this criterion， fully demonstrating the immense potential of the improved genetic algorithm in optimizing chemical reaction conditions.

Key words: Reaction conditions, Optimization, Improvement, Genetic algorithm, Mutation

中图分类号:

O621.3

田梦阳, 刘建闽. 基于改进遗传算法优化化学反应条件[J]. 应用化学, 2025, 42(5): 675-683.

Meng-Yang TIAN, Jian-Min LIU. Optimizing Chemical Reaction Conditions Based on Improved Genetic Algorithms[J]. Chinese Journal of Applied Chemistry, 2025, 42(5): 675-683.

图/表 11

图1 改进遗传算法对化学反应条件优化流程图

Fig.1 Flowchart of IGA for optimization of chemical reaction conditions

图2 直接芳基化反应

Fig.2 Direct arylation reaction

表1 直接芳基化反应的样本空间

Table 1 Sample space of direct arylation reaction

No.	Reaction conditions	Values of reaction conditions
1	Ligand	BrettPhos	CgMe-PPh	GorlosPhos	JackiePhos
		t-BuPh-CPhos	PPh2Me	P（Fur）₃	PPh₃
		PPh₂Me	PPht-Bu₂	PCy₃	XPhos
2	Base	CsOAc	CsOPiv	KOAc	KOPiv
3	Solvent	BuCN	BuOAc	DMAc	p-Xylene
4	Concentration（substrate）/（mol·L^-1）	0.057	0.1	0.153
5	Temperature/℃	90	105	120

图3 1728个化学反应条件的产率分布图

Fig.3 Distribution of yields for 1728 chemical reaction conditions

表2 改进遗传算法、遗传算法和随机搜索优化反应条件对比

Table 2 Comparison of IGA， GA and RS for optimizing reaction conditions

No.	Total sample number	Initial population number	Population size	Number of iteration	Maximum yield of the RS/%	Maximum yield of the GA/%	Random selection sample size in IGA	Maximum yield of the IGA/%
1	30	6	4	6	83.69	89.47	2	88.30
2	30	6	4	6	83.69	89.47	1	90.60
3	35	5	5	6	84.91	90.13	3	89.45
4							2	91.37
5							1	91.85
6	41	5	6	6	85.99	92.20	1	93.11
7	49	7	6	7	88.15	93.95	1	95.07
8	56	7	7	7	88.87	95.33	1	96.40
9	62	6	7	8	89.60	95.90	1	96.93
10	70	6	8	8	90.50	96.88	1	97.47
11	71	7	8	8	90.67	96.97	1	98.0

图4 （A）平均产率对比图和（B）方差对比图

Fig.4 （A） Comparison chart of average yield values and （B） comparison chart of variance values

图5 （A）平均产率值排名前5对比图和（B）方差对比图

Fig.5 （A） Comparison chart of the top 5 average yield values and （B） comparison chart of variance values

图6 卤代芳烃与有机硼化合物发生铃木-宫浦反应生成二芳基化合物

Fig.6 Halogenated aromatic hydrocarbons and organoborate compounds undergo Suzuka-Miyaura reaction to form diaryl compounds

表3 铃木-宫浦反应的样本空间

Table 3 Sample space of Suzuki-Miyaura reaction

No.	Reaction conditions	Values of reaction conditions
1	X	Cl	Br	I	OTF
2	Y	B（OH）₂	BPin	BF₃K
3	Ligand	AmPhos-7	CataCXiumA-11	dppf-4	dtbpf-4
		P（Cy）₃-16	P（o-To1）₃-12	SPhos-3	P（tBu）₃
		XPhos-20	Xantphos-4	P（Ph）₃
4	Base	CsF	Et₃N	K₃PO₄	KOH
4	Base	LiOtBu	NaHCO₃	NaOH
5	Solvent	DMF	MeCN	MeOH	THF

图7 （A） 3696个化学反应条件的产率分布图和（B）终止搜索时实验个数分布图

Fig.7 （A） Distribution of yields for 3696 chemical reaction conditions and （B） distribution of the number of experiments for termination

图8 改进遗传算法对Suzuki-Miyaura反应某次优化过程

Fig.8 Optimization process of Suzuki-Miyaura reaction conditions using the IGA

参考文献 22

1	罗渝然，俞书勤，张祖德，等. 再谈什么是活化能——Arrhenius活化能的定义、解释、以及容易混淆的物理量［J］. 大学化学， 2010， 25（3）： 35-42.
	LUO Y R， YU S Q， ZHANG Z D， et al. Re-discussion on what is activation energy： definition， explanation， and confusing physical quantities of arrhenius activation energy［J］. Univ Chem， 2010， 25（3）： 35-42.
2	MAO Z， CAMPBELL C T. Apparent activation energies in complex reaction mechanisms： a simple relationship via degrees of rate control［J］. ACS Catal， 2019， 9（10）： 9465-9473.
3	CARVALHO-SILVA V H， COUTINHO N D， AQUILANTI V. Temperature dependence of rate processes beyond arrhenius and eyring： activation and transitivity［J］. Front Chem， 2019， 7： 380.
4	PHIMMAVONG S. Effect of concentration on reaction speed［J］. Int J Pap Adv Sci Rev， 2020， 1（1）： 21-29.
5	MOHAMADPOUR F， AMANI A M. Photocatalytic systems： reactions， mechanism， and applications［J］. RSC Adv， 2024， 14（29）： 20609-20645.
6	傅献彩，沈文霞，姚天扬，等. 物理化学. 第五版［M］. 北京：高等教育出版社， 2006.
	FU X C， SHEN W X， YAO T Y， et al. Physical chemistry.5th ed［M］. Beijing： Higher Education Press， 2006.
7	SANTANILLA A B， REGALADO E L， PEREIRA T， et al. Organic chemistry： nanomole-scale high-throughput chemistry for the synthesis of complex molecules［J］. Science， 2015， 347（6217）： 49-53.
8	刘海臣，卓金武，吴国光. 基于人工神经网络的茶叶咖啡因提取条件的优化［J］. 应用化学， 2007， 24（4）： 457-460.
	LIU H C， ZHUO J W， WU G G. Optimization of extraction conditions for caffeine from tea based on artificial neural network［J］. Chin J Appl Chem， 2007， 24（4）： 457-460.
9	徐爽，张钰霜，杨嘉和，等. 基于人工神经网络优化米酒糟淀粉水解条件研究［J］. 中国酿造， 2024， 43（8）： 237-242.
	XU S， ZHANG Y S， YANG J H， et al. Study on optimization of rice wine lees starch hydrolysis conditions based on artificial neural network［J］. China Brew， 2024， 43（8）： 237-242.
10	渠一聪，张绍绒，罗理勇，等. 基于人工神经网络耦合遗传算法（BP-GA）优化茶氨酸-葡萄糖美拉德反应的条件［J］. 食品工业科技， 2023， 44（24）： 183-192
	QU Y C， ZHANG S R， LUO L Y， et al. Optimization of theanine-glucose maillard reaction conditions based on artificial neural network coupled genetic algorithm （BP-GA）［J］. Sci Technol Food Ind， 2023， 44（24）： 183-192.
11	MCMULLEN J P， STONE M T， BUCHWALD S L， et al. An integrated microreactor system for self-optimization of a heck reaction： from micro-to mesoscale flow systems［J］. Angew Chem Int Ed Engl， 2010， 49（39）： 7076-7080.
12	BOURNE R A， SKILTON R A， PARROTT A J， et al. Adaptive process optimization for continuous methylation of alcohols in supercritical carbon dioxide［J］. Org Process Res Dev， 2011， 15： 932-938.
13	CORTÉS-BORDA D， WIMMER E， GOUILLEUX B， et al. An autonomous self-optimizing flow reactor for the synthesis of natural product carpanone［J］. J Org Chem， 2018， 83（23）： 14286-14299.
14	CORTÉS-BORDA D， KUTTONOVA K V， JAMET C， et al. Optimizing the Heck-Matsuda reaction in flow with a constraint-adapted direct search algorithm［J］. Org Process Res Dev， 2016， 20（11）： 1979-1987.
15	MOORE J S， JENSEN K F. Automated multitrajectory method for reaction optimization in a microfluidic system using online IR analysis［J］. Org Process Res Dev， 2012， 16（8）： 1409-1415.
16	SHIELDS B J， STEVENS J， LI J， et al. Bayesian reaction optimization as a tool for chemical synthesis［J］. Nature， 2021， 590： 89-96.
17	MALU M， DASARATHY G， SPANIAS A， et al. Bayesian optimization in high-dimensional spaces： a brief survey： the 2021 12th IISA［C］. Chania Crete， Greece： 2021： 1-8.
18	ALHIJAWI B， AWAJAN A. Genetic algorithms： theory， genetic operators， solutions， and applications［J］. Evol Intell， 2024， 17（3）： 1245-1256.
19	KATOCH S， CHAUHAN S S， KUMAR V. A review on genetic algorithm： past， present， and future［J］. Multimed Tools App， 2021， 80： 8091-8126.
20	PERERA D， TUCKER J W， BRAHMBHATT S， et al. A platform for automated nanomole-scale reaction screening and micromole-scale synthesis in flow［J］.Science， 2018， 359（6374）： 429-434.
21	FOX R J， CUNIERE N L， BAKRANIA L， et al. C—H arylation in the formation of a complex pyrrolopyridine， the commercial synthesis of the potent JAK2 inhibitor， BMS-9115433［J］. J Org Chem， 2019， 84（8）： 4661-4669.
22	JI Y， PLATA R E， REGENS C S， et al. Mono-oxidation of bidentate bis-phosphines in catalyst activation： kinetic and mechanistic studies of a Pd/xantphos-catalyzed C—H functionalization［J］. J Am Chem Soc， 2015， 137（41）： 13272-13281.

[1]	杜意恩, 郭少华, 张爱华. 五水硫酸铜晶体的制备及表征实验方法的优化[J]. 应用化学, 2025, 42(3): 416-428.
[2]	张冬玉, 王春丽, 程勇, 王立民. 钠/钾离子电池用锑基负极研究进展：失效分析及解决方案[J]. 应用化学, 2024, 41(5): 616-636.
[3]	张轶, 陈宇童, 师靖宇, 黄科科. 石榴石Li₇La₃Zr₂O₁₂固态电解质电导率优化策略研究进展[J]. 应用化学, 2024, 41(4): 484-495.
[4]	李瑞丽, 王玲玉, 曹世奎, 和东亮. 新医科背景下药学专业《有机化学》教学改革初探[J]. 应用化学, 2024, 41(12): 1798-1803.
[5]	王玉玺, 王冬, 唐春霞, 杜长森, 冯淑芹, 付少海. 乙二醇基炭黑色浆的制备及其性能[J]. 应用化学, 2023, 40(3): 389-396.
[6]	石雪建, 刘万强, 王春丽, 程勇, 王立民. 钾离子电池用Sb基负极材料研究进展[J]. 应用化学, 2023, 40(2): 210-228.
[7]	王璐, 赵萌, 陈兆彬. 核辐射屏蔽及其材料的研究进展[J]. 应用化学, 2021, 38(12): 1576-1587.
[8]	吴之强,徐泽杨,毕淑娴,詹海鹃,马保军,刘万毅. 煤基固体酸催化合成席夫碱反应[J]. 应用化学, 2017, 34(5): 563-571.
[9]	曹建芳, 樊江莉, 郭宇, 吴红梅. 密度泛函方法研究噻唑橙类菁染料的光谱性质[J]. 应用化学, 2017, 34(12): 1474-1480.
[10]	王海涛, 王宏雁, 杨亮茹, 毛璞, 屈凌波. 2-甲硫基-4-羟基-5-嘧啶甲酸乙酯的工艺优化[J]. 应用化学, 2015, 32(4): 412-415.
[11]	李兵营, 闫杰, 倪珏宸, 冯小庚, 邢永恒. 过碳酰胺分子合成条件优化、晶体结构及其热稳定性[J]. 应用化学, 2015, 32(12): 1423-1430.
[12]	朱劲波, 马立群, 梁飞, 苗迎春, 王立民. Ti-V基储氢合金及其氢化物的物相结构与组分优化设计[J]. 应用化学, 2015, 32(11): 1221-1230.
[13]	马亚娟, 李晓东, 李蕴, 洪波, 周米平. 盐酸考尼伐坦关键中间体N-甲苯磺酰基苯并氮杂卓-5-酮合成工艺的改进[J]. 应用化学, 2014, 31(01): 50-53.
[14]	戴鹏, 肖云杰, 王泽瑜, 陈世坤, 何同胜, 申永存. N-(3-氨基丙基)甲基丙烯酰胺盐酸盐的新合成路线[J]. 应用化学, 2013, 30(11): 1289-1292.
[15]	王玄玉, 诸雪征, 王黎娜. 苯氯乙酮焚烧销毁机理及作业参数优化[J]. 应用化学, 2012, 29(08): 933-937.