一种基于遗传算法和高斯牛顿法的合硕士毕业论文成算法在放射性药物生物动力学数据分析中的应用

一种基于遗传算法和高斯牛顿法的合硕士毕业论文成算法在放射性药物生物动力学数据分析中的应用

摘要本文提出一种基于遗传算法和高斯-牛顿法的合成算法。通过一个实例先容了其在放射性药物生物动力学数据阐明中的应用。操作计较机编程实现数据拟合。功效表白合成算法优于纯真的遗传算法或高斯-牛顿法,硕士毕业论文,在实践中有必然的应用代价。

要害词遗传算法,高斯-牛顿法,放射性药物,生物动力学,数据阐明中图分类号R851在核医学研究和新放射性药物研制开拓及临床诊断、治疗进程中需要很多生物动力学数据。这些数据凡是是与一系列丈量时间点对应的所体贴组织或器官中放射性药物的活度或活度份额(占初始注药量的百分比)。为相识放射性药物在组织或器官中的转移纪律,需要对生物动力学数据举办阐明。针对今朝数据阐明中常用的遗传算法和高斯-牛顿法的优缺点,本文提出一种团结两者利益的合成算法, 毕业论文,并通过实例先容了该合成算法在放射性药物生物动力学数据阐明中的应用。

隔室模式众所周知,放射性药物在组织或器官内的转移进程受诸多因素的影响[1]。国际放射防护委员会(ICRP)第53号出书物对该进程举办了简化:假定放射性药物在体内某组织或器官内的滞留听从指数模式,也就是隔室模式[1],有,eff0()ecits iiA t A F c?λ=??∑(1)式中,A(t)暗示注药后t时刻该组织或器官中放射性物质的滞留量(Bq);A0暗示初始注药量(Bq);Fs为药物达到该组织或器官的分数,即注药后通过该组织或器官廓清的药物量与初始注药量之商;ci为第i个隔室的廓清份额,即经过第i隔室廓清的药物量与该组织或器官的药物廓清量之商;λc;eff为第i个隔室的有效廓清速率常数(s-1),λc;eff=λci+λr,λci为第i个隔室的生物廓清速率常数(s-1);λr为核素的物理衰变常数(s-1)。

当接收速率很大且比廓清速率大许多的环境下,式(2)简化为式(1),即认为给药后放射性药物迅即漫衍到该组织或器官。由上可知,A(t)的表达式有两种范例:①迅即接收型,即多(单)个指数项的和(如式1);②迟钝接收型,即表达式中各指数项前的系数有正有负(如式2)。因此,按照必然的算法,操作尝试得到的生物动力学数据拟合获得第一种范例或第二种范例的表达式是数据阐明的根基任务。通过一个实例先容了其在放射性药物生物动力学数据阐明中的应用。操作计较机编程实现数据拟合。功效表白合成算法优于纯真的遗传算法或高斯-牛顿法,在实践中有必然的应用代价。要害词遗传算法,高斯-牛顿法,放射性药物,生物动力学,数据阐明中图分类号R851在核医学研究和新放射性药物研制开拓及临床诊断、治疗进程中需要很多生物动力学数据。


本文来自(),未经答允,不得转载。
点击这里复制本文地址 以上内容由学禾论文工作室整理呈现,本站内容均由爬虫搜集,如侵犯您的权益,请联系我们删除,谢谢!