求解药代动力学参数的自适应混合粒子群算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 221-225.

求解药代动力学参数的自适应混合粒子群算法

欧阳艾嘉1，刘利斌2，乐光学1，3，李肯立3

1.嘉兴学院数理与信息工程学院，浙江嘉兴 314001
2.池州学院数学与计算机科学系，安徽池州 247000
3.湖南大学计算机与通信学院，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

Adaptive hybrid particle swarm optimization for solving parameters of pharmacokinetics

OUYANG Aijia1，LIU Libin2，YUE Guangxue1，3，LI Kenli3

1.College of Mathematics and Information Engineering, Jiaxing University，Jiaxing，Zhejiang 314001，China
2.Department of Mathematics and Computer Science，University of Chizhou，Chizhou，Anhui 247000，China
3.School of Computer and Communication, Hunan University，Changsha 410082，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 针对传统方法具有初始值敏感和进化算法无法确定搜索范围等缺陷，将Nelder-Mead单纯形与粒子群算法相结合，提出了一种基于Nelder-Mead单纯形与粒子群算法的具有时变加速因子的自适应混合粒子群算法。将该混合算法用于血管外给药二室模型参数优化的实验之中。仿真实验结果表明，算法计算精度高而且鲁棒性强，是一种新颖的解决药代动力学参数优化的较好方法。

关键词: 药代动力学, 粒子群算法, Nelder-Mead单纯形, 二室模型, 参数优化

Abstract: Traditional method is sensitive to initial values and evolutionary search algorithm can not determine the scope of search on the parameters optimization of pharmacokinetics，the paper combines Particle Swarm Optimization（PSO） with Nelder-Mead Simplex Method（NM-SM），proposes a Adaptive Hybrid PSO（AHPSO） with Time-Varying Acceleration Coefficients（TVAC）.The hybrid algorithm is applied to optimize the parameters of two-compartment model with extravascular administration.The simulation results show that AHPSO is a novel and good algorithm with high accuracy and strong robustness for parameters optimization of pharmacokinetics.

Key words: pharmacokinetics, particle swarm optimization, Nelder-Mead simplex method, two-compartment model, parameter optimization

欧阳艾嘉1，刘利斌2，乐光学1，3，李肯立3. 求解药代动力学参数的自适应混合粒子群算法[J]. 计算机工程与应用, 2011, 47(16): 221-225.

OUYANG Aijia1，LIU Libin2，YUE Guangxue1，3，LI Kenli3. Adaptive hybrid particle swarm optimization for solving parameters of pharmacokinetics[J]. Computer Engineering and Applications, 2011, 47(16): 221-225.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[7]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[8]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[9]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[10]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[11]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.
[12]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[13]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[14]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[15]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.