中藥組方量效關(guān)系的多目標(biāo)優(yōu)化研究.pdf

1、本文對(duì)課題組前期研究大黃有效成分治療缺血性腦中風(fēng)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行中藥組方量效關(guān)系的多目標(biāo)優(yōu)化研究，采用RBF人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林法建立有監(jiān)督型灰度模型，比較了權(quán)重系數(shù)法、分式規(guī)劃法以及改進(jìn)非支配排序遺傳算法的優(yōu)化效果，獲得了可以權(quán)衡考慮各藥理指標(biāo)的全局優(yōu)化的組方配伍，為中藥組方研究及其現(xiàn)代化開(kāi)發(fā)提供了方法學(xué)參考。主要研究?jī)?nèi)容如下：1.篩選建立適合的量效關(guān)系模型
　　以實(shí)驗(yàn)中5因素均勻設(shè)計(jì)給藥配比作為輸入向量，6項(xiàng)藥理指

2、標(biāo)的組內(nèi)均值作為輸出向量，分別使用隨機(jī)森林回歸、支持向量機(jī)回歸和RBF人工神經(jīng)網(wǎng)絡(luò)建立單目標(biāo)量效關(guān)系模型，以分式規(guī)劃法建立的結(jié)合了均方誤差和相關(guān)系數(shù)的綜合函數(shù)作為搜索目標(biāo)，以留一法作為驗(yàn)證方法，使用自適應(yīng)遺傳算法進(jìn)行參數(shù)優(yōu)化。對(duì)優(yōu)化的模型進(jìn)行綜合評(píng)價(jià)，結(jié)果顯示RBF人工神經(jīng)網(wǎng)絡(luò)模型效果最佳，該模型預(yù)測(cè)6項(xiàng)藥理指標(biāo)的均方誤差分別為[25.91670.53540.05530.00250.027033.5496]，相關(guān)系數(shù)分別為[0.7463

3、0.89990.87060.99830.95540.7543]，故選用此模型進(jìn)行下文的多目標(biāo)優(yōu)化研究。
　　2.傳統(tǒng)方法的多目標(biāo)優(yōu)化研究
　　首先，介紹了中藥組方多目標(biāo)優(yōu)化研究中常用的兩種方法，即權(quán)重系數(shù)法和分式規(guī)劃法。權(quán)重系數(shù)法又分為主觀權(quán)重法、客觀權(quán)重法和主客觀綜合權(quán)重法。其次，應(yīng)用上述各種多目標(biāo)優(yōu)化方法處理RBF人工神經(jīng)網(wǎng)絡(luò)的量效關(guān)系模型，并利用自適應(yīng)遺傳算法,獲得權(quán)衡各項(xiàng)藥理指標(biāo)的綜合最佳配比，結(jié)果顯示算法的收斂性較

4、好，均能獲得最優(yōu)解。
　　3.改進(jìn)非支配排序遺傳算法的多目標(biāo)優(yōu)化研究
　　傳統(tǒng)的多目標(biāo)優(yōu)化方法是將多目標(biāo)問(wèn)題轉(zhuǎn)化成單目標(biāo)形式求解，以先決策后搜索方式進(jìn)行，存在一定的局限性。進(jìn)化算法雖然發(fā)展較晚，但其隨機(jī)性、適用性和并行性等特點(diǎn)大大提高了多目標(biāo)優(yōu)化的效率和精準(zhǔn)度，受到了廣泛的關(guān)注。本章采用進(jìn)化算法多目標(biāo)優(yōu)化研究中熱門(mén)的改進(jìn)非支配排序遺傳算法，對(duì)RBF人工神經(jīng)網(wǎng)絡(luò)的量效關(guān)系模型進(jìn)行多目標(biāo)優(yōu)化研究，獲得了含50個(gè)非劣解的非劣解集，