基于微遺傳算法的多目標(biāo)藥物提取條件優(yōu)化分析.pdf

1、醫(yī)藥學(xué)研究領(lǐng)域中存在大量的多目標(biāo)優(yōu)化，如診斷試驗(yàn)最優(yōu)決策界值、公共衛(wèi)生資源的最優(yōu)分配、藥物有效成分最優(yōu)提取條件確定等。多目標(biāo)優(yōu)化問題是尋找一組既滿足約束條件又使總目標(biāo)函數(shù)最優(yōu)化的決策變量的取值。多目標(biāo)優(yōu)化通過對各子目標(biāo)的折衷處理，尋找一組可選的、非受控的、最佳解決方案集，稱為Pareto最優(yōu)解集。傳統(tǒng)方法采用直接法、等高圖法、最速下降法、列舉法等，存在較大的主觀性或者局部最優(yōu)。實(shí)際應(yīng)用中，決策者往往希望提供不止一種的選擇方案。而傳統(tǒng)方法

2、常將多目標(biāo)問題轉(zhuǎn)化為一個或一系列的單目標(biāo)優(yōu)化問題來完成，也存在著較大的主觀性。往往是在某一個目標(biāo)上最優(yōu)，而在另一個目標(biāo)上可能是最差的，不能保證所有目標(biāo)都存在最優(yōu)解，且它們只能提供唯一解，這也是困擾運(yùn)籌學(xué)界一個有待攻關(guān)的問題。
　　 近年發(fā)展起來的遺傳算法(geneticalgorithm，GA)是模擬生物自然進(jìn)化過程的隨機(jī)優(yōu)化搜索方法，具有穩(wěn)健、高效、無需求導(dǎo)、高度并行、原理簡單易于操作等特點(diǎn)。對于多維搜素空間，使用傳統(tǒng)的遺傳算

3、法需要很大的初始種群和多代進(jìn)化才能達(dá)到或接近最優(yōu)解。這要耗費(fèi)大量的計(jì)算資源和計(jì)算時間。微遺傳算法可以克服這些問題。
　　 本課題在介紹微遺傳算法原理和方法的基礎(chǔ)上，利用英國Glasgow大學(xué)軟件工程師陳益開發(fā)的Matlab外掛SGALAB工具箱，研究醫(yī)藥學(xué)研究領(lǐng)域中多目標(biāo)藥物提取條件優(yōu)化。
　　 本課題的研究內(nèi)容主要有：
　　 第一部分微遺傳算法效果分析和程序測試。應(yīng)用兩目標(biāo)簡單測試函數(shù)、復(fù)雜測試函數(shù)、三目標(biāo)測試

4、函數(shù)對微遺傳算法進(jìn)行模擬測試。結(jié)果顯示：微遺傳算法得到的兩目標(biāo)簡單測試函數(shù)Pareto非劣解集的95％可信區(qū)間包含交叉點(diǎn)值，前沿呈一條光滑的曲線分布；兩目標(biāo)復(fù)雜測試函數(shù)Pareto非劣解前沿呈帶狀分布；三目標(biāo)測試函數(shù)的Pareto非劣解前沿呈非線性、非對稱的曲面分布。微遺傳算法可得到測試函數(shù)合理的Pareto非劣解集，供決策者合理選擇。微遺傳算法多目標(biāo)優(yōu)化效果理想、程序可靠，可用于在實(shí)際問題的分析。
　　 第二部分使用微遺傳算法

5、對藥物有效成分提取工藝的資料尋優(yōu)，確定多目標(biāo)最優(yōu)提取條件，并與傳統(tǒng)方法進(jìn)行優(yōu)化效果比較。
　　 本章使用微遺傳算法對微波萃取五味子提取工藝的資料，進(jìn)行浸膏得率(％)、五味子醇甲含量(％)、五味子總木脂素含量(％)三個相互競爭的多目標(biāo)優(yōu)化。結(jié)果顯示：多目標(biāo)微遺傳算法的五味子醇甲、五味子總木脂素都達(dá)到了單目標(biāo)微遺傳算法最大目標(biāo)函數(shù)值的88％以上，確定的最優(yōu)提取條件的效果高于試驗(yàn)中任何一個方案。VEGA和Micro-GA搜索的結(jié)果大于

6、均勻試驗(yàn)設(shè)計(jì)的結(jié)果，較滿意。VEGA初始種群為30，而Micro-GA所需初始種群為6，節(jié)省了計(jì)算資源和計(jì)算時間。因此，對于多個相互競爭的優(yōu)化問題，可以采用Micro-GA。三目標(biāo)Micro-GA搜索的最優(yōu)提取條件為，50克五味子飲片粉碎76目，加入11倍的86％乙醇，在192W微波下萃取11分鐘，浸膏得率23.59％、五味子醇甲4.88％、五味子總木脂素10.22％。
　　 使用微遺傳算法對珍珠菜有效成分提取工藝的資料，進(jìn)行總

7、黃酮含量(％)、總皂苷含量(％)兩個相互矛盾的多目標(biāo)優(yōu)化。結(jié)果顯示：多目標(biāo)微遺傳算法的總黃酮含量、總皂苷含量都達(dá)到了單目標(biāo)微遺傳算法最大目標(biāo)函數(shù)值的99％以上，確定的最優(yōu)提取條件的效果高于試驗(yàn)中任何一個方案。VEGA和Micro-GA搜索的結(jié)果大于均勻試驗(yàn)設(shè)計(jì)的結(jié)果，較滿意。VEGA初始種群為30，而微遺傳算法所需初始種群為6，節(jié)省了計(jì)算資源和計(jì)算時間。因此，對于兩個相互矛盾的優(yōu)化問題，可以采用微遺傳算法。兩目標(biāo)微遺傳算法搜索的最優(yōu)提取

8、條件為，79.90％乙醇8.77倍用量，提取1.02次，總黃酮含量為10.44％，總皂苷含量為25.61％。
　　 第三部分基于遺傳算法的金蓮花有效成分最優(yōu)提取條件確定。本章利用金蓮花有效成分提取工藝的資料，研究出膏率(％)、總黃酮含量(％)兩個相互競爭的多目標(biāo)優(yōu)化，結(jié)果顯示：水提取金蓮花工藝，多目標(biāo)微遺傳算法搜索出的的出膏率、總黃酮含量都達(dá)到了單目標(biāo)微遺傳算法最大目標(biāo)函數(shù)值的99％以上，確定的最優(yōu)提取條件的效果高于試驗(yàn)中任何一

9、個方案，若以兩目標(biāo)微遺傳算法5號方案看，用13.73倍水，浸泡0.52h，煎煮1.84h，煎煮3次，出膏率可達(dá)到43.16％，總黃酮含量可達(dá)到6.94％；醇提取金蓮花工藝，多目標(biāo)微遺傳算法搜索出的的出膏率、總黃酮含量都達(dá)到了單目標(biāo)微遺傳算法最大目標(biāo)函數(shù)值的99％以上，確定的最優(yōu)提取條件的效果高于試驗(yàn)中任何一個方案，若以兩目標(biāo)微遺傳算法19號方案看，用11.95倍73.11％的乙醇提取1.49h，提取3次，出膏率可達(dá)到42.84％，總黃酮

10、含量可達(dá)到12.36％。
　　 根據(jù)micro-GA搜索的水提和醇提取條件，結(jié)合試驗(yàn)的便利性，將水提取工藝調(diào)整為：14倍加水量、浸泡時間0.5小時、煎煮時間2小時、煎煮次數(shù)3次；將醇提取工藝調(diào)整為：70％乙醇濃度、提取時間1.5小時、提取次數(shù)3次、12倍溶媒量。重復(fù)進(jìn)行兩次試驗(yàn)，得水提取工藝的出膏率分別為45.247％和45.069％，總黃酮含量分別為7.518％和7.745％；乙醇提取工藝的出膏率分別為44.247％和44.3