在药学研究领域中存在着许多多因素、多水平的复杂优化问题。例如药物有效成分最优提取条件确定、药物制备工艺条件的拟定等,由于影响的因素通常不止一个,所以设计的方案也是多因素的,目前较常用的有正交设计、均匀设计等,然后再用多元回归来拟合这些实验所得的数据(连续型数据),但是药学研究中得到的数据非常复杂并且试验数据有限,这在多元回归建模过程中常存在一些问题。在优化过程中通常采用的是线性或非线性规划,目前常用的是将多个目标加权转化为单目标进行优化,这样存在着较大的主观性,并且加权系数无法确定。往往是在某一个目标上最优,而在另一个目标上可能是差的,不能保证所有的目标都存在最优解,且只能提供唯一解,这是药学研究中一直备受关注的问题。近年来人工神经网络以其独特的模拟、学习、分类能力,在制剂设计、构效关系、体内外相关研究、药物动力学和临床药学等方面得到了广泛的应用。它具有非线性能力强,具有自组织、自适应、自学习能力,高度容错性和稳健性等特点,是药学研究中数据建模的有力工具。在对多目标寻优方法中,遗传算法表现出了极大的优势,尤其是NSGA和NSGA-Ⅱ算法是比较明显的。本课题在介绍BP神经网络和非劣分类遗传算法的基础上,把这两种方法结合起来,采用BP神经网络对药物提取数据进行训练建模,再用非劣分类遗传算法对网络输出进行多目标优化,利用MATLAB自带工具箱实现程序运行,为药学研究中的多目标优化问题提供可行的解方案。第一部分BP神经网络概述。介绍了BP神经网络的基本理论、原理以及采用BP神经网络建模过程中需要注意的问题,如:网络结构的确定(隐含层数、传递函数、每层节点数),训练函数的选择等,以及BP神经网络的自身缺点,并且与遗传算法的结合应用。第二部分基于遗传算法的多目标优化。介绍了遗传算法的基本原理,多目标优化的基本概念,Pareto解的概念,多目标优化的特点,以及多目标遗传算法的发展。NSGA算法和NSGA-II算法的优势比较明显,它应用于不同的领域,在众多的多目标优化算法中更具应用价值,重点介绍NSGA算法的改进和NSGA-II算法的原理。第三部分基于遗传算法的BP神经网络对药物提取条件优化的实际应用利用文献中秦皮提取工艺资料,分别采用多元回归、BP神经网络和GA-BP神经网络对均匀设计数据进行训练建模,结果显示多元回归无法很好地解释试验因素与试验评价指标之间的关系,BP神经网络和GA-BP神经网络建立的模型较好,相关系数分别为0.9872和0.9940,但是BP网络训练结果不稳定并且收敛速度慢,占机时间长,因此本文采用GA-BP网络来建模。结果显示:误差平方和(SSE)和适应度值在30代时趋于稳定,训练误差曲线在14代达到目标值0.001。利用带精英策略的非劣分类遗传算法对网络输出进行多目标寻优,结果显示:在温度为81℃,乙醇体积分数为60%,液固比为10,提取时间为46min时,秦皮甲素的提取率为9.6130mg/g,秦皮乙素的提取率为2.2032mg/g。这是把两个目标折衷处理后得到的最佳试验条件,并且秦皮甲素、乙素的最大提取量比均匀试验方案中的任一方案都好,说明带精英策略的NSGA-Ⅱ搜索效果是理想的,搜索到的其他解方案为工作者提供了较大的选择空间。从茎叶图看出用NSGA-Ⅱ搜索出的目标值,即秦皮甲素提取量的最大值为10.7mg/g,最小值为8.4mg/g,Pareto解大多分布在8.4 mg/g附近;秦皮乙素提取量的最大值为2.6mg/g,最小值为1.9mg/g,Pareto解大多分布在2.5 mg/g附近。利用吲达帕胺微球制剂工艺研究,以收率、载药量和包封率为考察指标,选择合适的工艺条件、高分子辅料分别制备具有明显pH依赖性的吲达帕胺缓释微球。分别采用多元回归、BP和GA-BP对正交设计数据建立模型,结果显示三种建模效果均较好。然后利用NSGA-Ⅱ分别对多元回归和GA-BP建立的模型进行三目标优化,结果显示:对多元回归建立模型优化搜索得到的三目标分布范围为:70.9%～84.2%、15.3%～18.8%、87.1%～96.4%;对GA-BP建立的不确定模型优化的结果看,搜索的三目标分布范围为:69.4%～81.8%、14.8%～20.0%、81.0%～97.8%。NSGA-Ⅱ对两种建模方法的优化结果是一致的,说明GA-BP建立的模型效果较好,能很好地解释影响因素与试验评价指标的复杂关系。通过GA-BP神经网络和带精英策略的NSGA-Ⅱ对实例应用的探索性研究,说明该方法可以搜索到合理的Pareto解方案,为药物研究的实际应用提供了可行、简便的方法。