由图2可以看出，当种群进化到50代时，所得的Pareto最优解具有良好的多样性。这些解在不同的目标上各占优势，决策者可以根据不同的偏好，在这些解折中直接选择，但直接选择法具有较强的主观随意性。研究者还可对优化参数进行限定并修改算法中的一些条件进而使算法使用范围得到拓展，例如可将搜索范围设置在药效增加较快的水平等。
2.5 熵权TOPSIS法进行Pareto方案排序
　在多目标优化获得一组Pareto解后，还需要对解集决策以挑选出基于方案的最优解。在Pareto最优解集基础上构造决策矩阵，决策属性定义为所考虑的3个目标函数，因此决策矩阵的大小为500×3。依据熵权法计算各指标熵值分别为0.989 7、0.992 5和0.941 3，熵权分别为 0.135 2、0.097 4和0.767 3，说明抗室颤指标在Pareto方案中所含信息量最大，是影响最佳配比选择的主要因素。主观权重可由研究者根据临床经验及病人个体化差异确定，本研究将因子分析法[10]确定的三指标权重作为主观权重，分别为0.332 8、0.331 3、0.335 9。按照TOPSIS方法对Pareto解进行排序，表4给出了贴近度从大到小的前10个方案。

　以贴近度最大的方案为最终的优化解，得到：茯苓=16.974 8 g，桂枝=11.890 9 g，白术=12.081 4 g，甘草=1.370 4 g。
3 讨论
3.1 支持向量机参数的选择
　SVM和大多数机器学习算法一样，其性能的优劣与参数和特征的选择有关。不同的参数优化方法其拟合和预测效果有一定的差异。常用的参数优化方法有网格搜索法[11]、粒子群优化算法和遗传算法[12-13]。本研究分别比较了三种参数优化方法，研究表明，网格搜索作为一种非启发式搜索，运算量较大，粒子群算法开始寻优迅速，但容易陷入局部最小，而遗传算法寻优速度逐渐变快，并且没有陷入局部最小，可有效实现参数寻优。
3.2 采用组合权重的优点
　熵权并不是在决策问题中某指标实际意义上的重要性系数，而是在给定被评价方案集后各种评价指标值确定的情况下，各指标在竞争意义上的相对激烈程度系数，只代表该指标在该问题中提供有用信息量的多寡程度。单纯采用熵权计算权重，属性权重只能反映数据本身的特点，不能代表属性的重要程度[14]。本文利用客观熵权结合主观专家权重的方法进行组合赋权，可以有效地避免传统方法中权重系数确定过程的主观色彩，同时更注重了评价体系指标本身的重要程度，充分利用了被评判指标的信息量，综合权重既可以反映客观的决策信息，又可以体现决策者对决策指标的偏好，因而使决策结果具有更高的准确性和实用性。
3.3 复方标准剂量的确定
　本研究中确定的苓桂术甘汤剂量不能作为标准剂量，由表贴片电感 3可知，当选取的药效指标不同时，其最佳剂量也不同。即使选择相同的药效指标，研究者还应根据病人的个体化差异灵活确定不同的主观权重，进而从Pareto方案中择优。因此，复方最佳剂量的确定应结合不同的药效指标及临床经验共同确定。
3.4 存在问题及解决办法
　由图1可知，在一定范围内，药效指标随着苓桂术甘汤各药味剂量的增加改善不明显，即投入的剂量并未转化为理想的药效输出。后续工作将采用数据包络分析DEA（Data Envelopment Analysis）[15-16]，即将复方量效关系视为一个投入产出系统，药效指标的改善视为复方各药味剂量投人转化后的直接和间接产出，产出的多少不仅依赖于投入（药味剂量）的多少，还依赖于投入产出的效率。拟采用基于投入的C2R模型以决策单元DMU（Decision Making Units）的效率评价指数θ、投入产出冗余松弛变量s+及s-进行量效关系评价，计算投入产出比（研究结果将另文发表）。
　支持向量机作为一种专门研究小样本情况下机器学习规律的理论，比传统的统计学习理论和神经网络具有更好的泛化推广能力，能够很好地解决中药复方量效关系非线性建模问题。非支配排序遗传化算法作为一种模拟自然进化过程的随机优化方法，同时也是一种全局性概率优化方法，用于多目标优化不仅可以一次性获得大量Pareto最优解，而且其优化结果具有良好的一致性。熵权TOPSIS法可在某种程度上反映决策指标含有的信息的多少，充分表现不同配比之间的指标差异，避免了决策过程的主观性和盲目性。支持向量机建模、非支配排序遗传算法多目标优化、熵权TOPSIS多属性决策三者结合可较好解决复方剂量配比多目标优化问题。扁平线圈电感制造厂

 2/3   首页 上一页 1 2 3 下一页 尾页