版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、醫(yī)藥學研究領域中存在大量的多目標優(yōu)化,如診斷試驗最優(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。多目標優(yōu)化問題是尋找一組既滿足約束條件又使總目標函數(shù)最優(yōu)化的決策變量的取值。多目標優(yōu)化通過對各子目標的折衷處理,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)。實際應用中,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、常將多目標問題轉化為一個或一系列的單目標優(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上最優(yōu),而在另一個目標上可能是最差的,不能保證所有目標都存在最優(yōu)解,且它們只能提供唯一解,這也是困擾運籌學界一個有待攻關的問題。
近年發(fā)展起來的遺傳算法(geneticalgorithm,GA)是模擬生物自然進化過程的隨機優(yōu)化搜索方法,具有穩(wěn)健、高效、無需求導、高度并行、原理簡單易于操作等特點。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化才能達到或接近最優(yōu)解。這要耗費大量的計算資源和計算時間。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上,利用英國Glasgow大學軟件工程師陳益開發(fā)的Matlab外掛SGALAB工具箱,研究醫(yī)藥學研究領域中多目標藥物提取條件優(yōu)化。
本課題的研究內容主要有:
第一部分微遺傳算法效果分析和程序測試。應用兩目標簡單測試函數(shù)、復雜測試函數(shù)、三目標測試
4、函數(shù)對微遺傳算法進行模擬測試。結果顯示:微遺傳算法得到的兩目標簡單測試函數(shù)Pareto非劣解集的95%可信區(qū)間包含交叉點值,前沿呈一條光滑的曲線分布;兩目標復雜測試函數(shù)Pareto非劣解前沿呈帶狀分布;三目標測試函數(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。微遺傳算法多目標優(yōu)化效果理想、程序可靠,可用于在實際問題的分析。
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),確定多目標最優(yōu)提取條件,并與傳統(tǒng)方法進行優(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優(yōu)化。結果顯示:多目標微遺傳算法的五味子醇甲、五味子總木脂素都達到了單目標微遺傳算法最大目標函數(shù)值的88%以上,確定的最優(yōu)提取條件的效果高于試驗中任何一個方案。VEGA和Micro-GA搜索的結果大于
6、均勻試驗設計的結果,較滿意。VEGA初始種群為30,而Micro-GA所需初始種群為6,節(jié)省了計算資源和計算時間。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,進行總
7、黃酮含量(%)、總皂苷含量(%)兩個相互矛盾的多目標優(yōu)化。結果顯示:多目標微遺傳算法的總黃酮含量、總皂苷含量都達到了單目標微遺傳算法最大目標函數(shù)值的99%以上,確定的最優(yōu)提取條件的效果高于試驗中任何一個方案。VEGA和Micro-GA搜索的結果大于均勻試驗設計的結果,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)省了計算資源和計算時間。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優(yōu)化,結果顯示:水提取金蓮花工藝,多目標微遺傳算法搜索出的的出膏率、總黃酮含量都達到了單目標微遺傳算法最大目標函數(shù)值的99%以上,確定的最優(yōu)提取條件的效果高于試驗中任何一
9、個方案,若以兩目標微遺傳算法5號方案看,用13.73倍水,浸泡0.52h,煎煮1.84h,煎煮3次,出膏率可達到43.16%,總黃酮含量可達到6.94%;醇提取金蓮花工藝,多目標微遺傳算法搜索出的的出膏率、總黃酮含量都達到了單目標微遺傳算法最大目標函數(shù)值的99%以上,確定的最優(yōu)提取條件的效果高于試驗中任何一個方案,若以兩目標微遺傳算法19號方案看,用11.95倍73.11%的乙醇提取1.49h,提取3次,出膏率可達到42.84%,總黃酮
10、含量可達到12.36%。
根據micro-GA搜索的水提和醇提取條件,結合試驗的便利性,將水提取工藝調整為: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。重復進行兩次試驗,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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多目標遺傳算法(MOGA)的藥物提取條件優(yōu)化分析.pdf
- 基于孟德爾多目標簡單遺傳算法藥物提取條件的優(yōu)化分析.pdf
- 基于微遺傳算法的中心試驗設計多目標藥物合成優(yōu)化分析.pdf
- 基于遺傳算法的BP神經網絡在多目標藥物優(yōu)化分析中的應用.pdf
- 基于遺傳算法的多目標優(yōu)化算法研究.pdf
- 基于遺傳算法的工程多目標優(yōu)化.pdf
- 多目標優(yōu)化的遺傳算法研究.pdf
- 基于遺傳算法的工程多目標優(yōu)化研究.pdf
- 基于免疫遺傳算法的多目標優(yōu)化研究.pdf
- 基于多目標遺傳算法的氣門彈簧優(yōu)化設計.pdf
- 基于遺傳算法的翼型多目標氣動優(yōu)化設計.pdf
- 基于遺傳算法的棒材孔型多目標優(yōu)化.pdf
- 基于遺傳算法的換熱器多目標優(yōu)化設計方法.pdf
- 改進的多目標優(yōu)化遺傳算法及多目標優(yōu)化軟件的研制.pdf
- 基于遺傳算法的建筑工程多目標綜合優(yōu)化.pdf
- 基于遺傳算法的LVDT性能參數(shù)多目標優(yōu)化.pdf
- 多目標遺傳算法代碼
- 基于多目標遺傳算法的航空發(fā)動機多目標優(yōu)化控制.pdf
- 基于遺傳算法的工程風險決策多目標優(yōu)化研究.pdf
- 基于遺傳算法的電力工程多目標優(yōu)化研究.pdf
評論
0/150
提交評論