混料问题是工农业生产、医药学领域及科学研究中经常会遇到的一种配方配比问题。混料是由几种成分按照一定的比例制作而成的一些物品,这些物品的某些特性往往与其各混料成分百分比有关,而不是其绝对值。在医药学领域中,人们往往需要寻求药物试验的最优处方,以使试验指标在一定意义下达到最优。如何安排混料试验设计方案,构建合理的数学模型,用什么方法优化混料试验,确定最佳配方配比,以达到提高试验效率、增加产量、降低成本等目的,这都是混料试验中需要解决的难题。对于含上、下界约束的混料试验设计问题,国内外学者根据最优设计的原理提出了极端顶点混料设计、D-最优混料设计等。针对这类混料试验的单目标优化问题,传统优化方法常采用直接法、等高线图法等,但这些方法在一定程度存在极大的主观性或局部最优等问题。基于以上这些情况,我们需要寻求一种适用于含上、下界约束混料试验的全局优化的方法,而近几年来新发展的遗传算法(genetic algorithm, GA)是模拟生物自然进化过程的一种随机优化搜索方法,该方法在解决全局最优化问题时,显示了其突出优势。该方法的搜索效率很高,稳健性好,搜索过程可以有效地避免局部优化。本课题在研究极端顶点混料设计、D-最优混料设计以及含混料约束遗传算法的原理、方法的基础上,利用Genetic algorithm platforms v1.0软件,探索遗传算法在单目标药物混料试验处方优化中的应用。本课题主要研究内容有：第一部分含上、下界约束混料试验的概述。介绍了混料试验的概念,适用于含上、下界约束混料试验中的极端顶点混料设计、D-最优混料设计的原理、方法及适用范围。第二部分含混料约束遗传算法的概述。介绍了含混料约束遗传算法的原理,随机优化搜索步骤,及与其他传统单目标优化方法比较的突出优势之处。第三部分遗传算法优化含上、下界约束混料试验处方的效果评价。采用混料测试函数对单目标遗传算法进行模拟测试。结果显示：在自变量取值范围内,遗传算法可以得到与等高线图法基本一致的最优解；求导法得到的最优解超出了测试函数的自变量取值范围,其最优解不具有实际意义；等高线图法确定最优解时存在一定的主观性。遗传算法可以得到满足函数约束条件的最优解,且提供了多个精确的可供选择的自变量组合,搜索结果稳定,说明该方法优化单目标混料试验效果理想,可用于实际混料问题的优化。第四部分基于遗传算法的混料试验处方优化的探索性研究。选用基于极端顶点混料设计和D-最优混料设计的混料试验处方优化的数据,采用遗传算法对其优化,并与原文中传统方法优化的结果进行比较。柿子叶提取物的自微乳化释药系统最优处方的研究中,采用了极端顶点混料设计安排试验方案,并采用遗传算法对其优化分析,大约在进化30代以后,搜索结果趋于稳定。得出自微乳化释药系统的三种成分油、表面活性剂、助表面活性剂所占的比例分别为33.0%、10.0%、57.0%时,评价指标目标函数值达到最大为0.9558,并进一步得到自微乳传递系统中总黄酮类化合物的溶解度为49.12mg/g,比等高线图法求得的值增大1.32mg/g；纳米乳剂的液滴大小为22.92nm,比等高线图法求得的值减小2.02nm,更接近处方优化的最优值。对金黄色葡萄球菌有抑制作用的抗菌剂最优处方的研究中,采用了D-最优混料设计安排试验方案,并采用遗传算法对其优化分析,大约在10代以后,搜索结果趋于稳定。得出抗菌剂的三种配方天然抑菌剂、壳聚糖、迷迭香提取物的比例分别为13.7%、60.9%、25.4%时,试验评价指标对金黄色葡萄球菌的抑菌率达到最大为81.768%,优于原文中等高线图法得到的结果。综上所述,单目标遗传算法在优化含上、下界约束混料试验处方问题中,方法可行,搜索效果理想,对于解决实际含上、下界约束混料试验的优化问题具有一定应用价值。