【关键词】 硫胺素
Application of simulated annealing and UV spectroscopy in multicomponent analysis of Vit.B
【Abstract】 AIM: To work out simulated annealing algorithm which bypasses partial but reaches whole optimization and which is combined with ultraviolet (UV) and infrared radiation (IR) spectroscopy method to resolve overlapped peaks and to analyze multiple components. METHODS: Simulated annealing algorithm combined with UV spectroscopy was used to simultaneously determine the four contents in compound pharmaceuticalsVB. RESULTS: The recoveries of Vit.B1, B2, B6 and NA were 100.1%, 100.2%, 99.9% and 100.1% respectively. CONCLUSION: The simulated annealing algorithm combined with UV is suitable for the simultaneous determination of multicomponents in compound pharmaceuticals.
【Keywords】 simulate anneal arithmetic; multivariate analysis; spectrum analysis; compound pharmaceutical products; thiamine; riboflavin; vitamin B6; niacinamide
【摘要】 目的： 研究能跨越局部最优而达全局最优的模拟退火算法，结合紫外可见及红外光谱法进行重叠峰分辨，用于多组分分析. 方法： 将模拟退火算法结合紫外光谱法用于复方药物Vit. B四组分含量测定. 结果： Vit.B1, B2, B6 和烟酰胺(NA)的回收率分别为100.1%, 100.2%, 99.9% 和100.1%. 结论： 模拟退火算法结合紫外光谱法用于多组分复方药物的含量测定，操作简便，结果良好.
【关键词】 模拟退火算法；多元分析；光谱分析；复方药物；硫胺素；核黄素；维生素B6；烟酰胺
0引言
模拟退火（simulated annealing, SA）系寻找全局最优并能跨越局部最优的随机优化算法，它源于对高温物质的退火过程模拟即在给定温度下对微观粒子（如原子）平衡的统计力学模拟. Bohachevsky等针对一般连续函数提出了通用模拟退火法（generalized simulated annealing, GSA）; Kalivas等［1］研究了GSA并进行多元校正及波长与样本选择等. 我们将SA及GSA用于多组分分析或重叠谱分辨，获良好结果. 迄今已提出了许多化学计量学优化方法包括单纯形法（SM），共轭梯度法（CG），最速梯度法（OG）等，均难于保证获全局最优解. 我们对此类问题也作了一些探讨即如何获得非线性全局最优解.
1原理和算法
1.1退火过程及Monte Carla模拟固体物质处于熔融状态，所组成的微观粒子处于完全随机排列组合，以足够低的降温速率退火，维持体系在各温度下微粒达平衡则体系服从Boltzmann分布：fi=aiexp(-Ei/Ti)=(1/hi)exp(-Ei/bTi)(1)此处Ti为温度，Ei为能量，i指微粒排列状态，ai为常数，hi为分函数，b为Boltzmann常数，fi为状态i出现的概率. 随着温度Ti降低，高能微粒的排列状态出现的概率越来越小，最终趋于零. 微粒状态按Boltzmann分布趋于能量最低的状态称为基态. Monte Carlo方法模拟给定温度下微粒达热平衡的过程. 对微粒的当前状态随机地进行微扰. 令Ea和Eb分别为当前和微扰新状态的能量，能差为△E=Eb-Ea. 若Ea>Eb,则接受新状态并无条件代替当前状态;若Ea≤Eb,则以概率为fi=exp(-［Eb --Ea］/Ti)接受这一不利状态作为当前状态. 继续徐徐降温并重复Metropolis抽样,直到获得最低能量状态.
1.2模拟算法将微粒状态对应于待优化组合参数x；则能量E相当于目标函数J，退火温度T及Boatsman常数b对应于随机搜索程度控制参数B，具体步骤如下：① 设定初始优化状态xa并计算其目标函Ja=J(xa)； ② 对x施加一随机微扰的新状态xb，计算Jb=J(xb)及能差ΔJ=Jb-Ja； ③ 比较Ja与Jb，若Ja>Jb，则无条件接受新状态xb为当前状态，若Ja
1.3通用算法将J=J(x)定义为多维连续函数，并寻优得某状态x0使J(x0)达最优. 设当前状态为xa，产生随机状态xb xb=xa+υ・S(2)此处υ为方向矢量，S为变化步长，任意产生n个N(0， 1)随机数Wi(i=1, 2,…n)，计算其余弦方向υi=wi/Σwi2(3)则微扰新状态为xb=xa+S・υxbi=xai+S・υi(4)GSA取消了SA中改变B的控温循环，并修正接受概率为f=exp［-B・ΔJ・(DJ)a］=exp［-B・ΔJ/DJ］(5)式中B仍为控制因子，ΔJ=Eb-Ea为微扰能差，DJ=Ea-E0为相对能差， a<0为任意负数. 当a=0时GSA还原为SA. 常取a=-1，接受概率降低，有利收敛. 当随机搜索接近全局最优时，应不再接受不利状态即接受概率几近零. 步长S在GSA中通常不变，其优化精度往往不高；文献［2］论述了GSA的步长可变性. 我们逐步降低步长S，以提高优化精度. J0=J(E0)为全局最优点(local optimum)对极大化问题J0=Jmax; 对极小化问题J0=Jmin. 当J0已知时可直接选取；当J0未知或难预先确定，则可先尝试某值，再据运算予以调整. 因此GSA提高了优化精度和收敛速度.
1.4控制参数B前已述及，B的选择是SA及GSA的 1 2 3 下一页
本文版权归原作者所有，如需转载或摘录请注明出处:论文网