CN109712685A - 一种基于多目标进化算法的药方药剂构建方法及系统 - Google Patents

Abstract

本发明公开了一种基于多目标进化算法的药方药剂构建方法及系统，包括：构建药物关系网；结合药物关系网和二维多目标进化算法生成初始筛选集合；对筛选集合中的个体进行交叉变异，更新筛选集合，记录当前更新次数；根据两个目标优化函数计算更新后的筛选集合中的每个个体的适应度值；判断当前更新次数是否小于预设迭代次数，若是则将更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回更新筛选集合步骤；否则将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。应用本发明，不仅能够实现药物的多样性，避免陷入局部优化，还能够实现对于互相约束药物的合成研发。

Description

一种基于多目标进化算法的药方药剂构建方法及系统

技术领域

本发明涉及药剂技术领域，特别是涉及一种基于多目标进化算法的药方药剂构建方法及系统。

背景技术

针对不同的病症需求，医学研究人员以及药剂学人员在药方药剂研发过程中需要大量的实验，包括药方药剂的合理性分析、可行性分析、临床试验、稳定性变化实验、加速实验、长期留样实验等环节。然而，在药方药剂基础研究中(合理性分析、可行性分析和临床实验)处方问题还有待解决，前期处方无法提供比较研究，无法提供不同批次不同规模样品的实验数据。目前，医学研究人员主要依靠计算机辅助模拟来减少实验次数。实现快速处理数据和节省时间效果。在医药研发中，单目标进化遗传算法也被广泛用在药物构建过程中，能帮助研究人员实现药物泛化能力，但是单目标的遗传算法无法精确的实现药物多样性，容易陷入局部解，也无法实现对于具有互相约束关系的药物合成研发。

发明内容

本发明的目的是提供一种基于多目标进化算法的药方药剂构建方法及系统，以解决采用单目标遗传算法无法精确的实现药物多样性，容易陷入局部解，也无法实现对于具有互相约束关系的药物进行合成研发的问题。

为实现上述目的，本发明提供了如下方案：

一种基于多目标进化算法的药方药剂构建方法，包括：

构建药物关系网；所述药物关系网是根据单药或有效成分，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网；

根据研究人员需求和所述药物关系网，采用二维多目标进化算法生成初始的筛选集合；所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码；

确定目标优化函数；

对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数；

根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值；

判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果；

若所述第一判断结果表示所述当前更新次数小于所述预设迭代次数，则将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数步骤；

若所述第一判断结果表示所述当前更新次数大于或者等于所述预设迭代次数，则将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

可选的，所述构建药物关系网，具体包括：

将研究人员分析的单药的成分与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重；

根据所述权重，将研究人员分析的单药的成分与数据库中有相关关系的成分转化为二维矩阵，进而构建药物关系网。

可选的，所述根据两个成分的相关关系设置相应的权重，具体包括：

将具有相同作用或化学成分相辅的两个成分的权重设置为1；

将具有部分相同作用或部分化学成分相辅的两个成分，根据关系式设置相应的权重；所述关系式为两种相同成分数量/单药总数量，权重范围在0-1之间；

将不存在药效作用或化学成分相斥的两个成分的权重设置为-1。

可选的，所述目标优化函数为：

F_1i＝∑Weight(P_i)；

其中，F_1i表示第i个体中成分生成的最小生成树所对应的权重和，Weight表示权重；P_i表示第i个药方药剂方案；F_2i表示第i个体中所有成分之间的权重和与F_1i的比值；MatrixWeight表示矩阵权重。

可选的，所述更新所述筛选集合，具体包括：

从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n；

将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合；所述更新后的筛选集合的个体的个数为2n。

可选的，所述将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，具体包括：

根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体；

根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图；

选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中。

一种基于多目标进化算法的药方药剂构建系统，包括：

药物关系网构建模块，用于构建药物关系网；所述药物关系网是根据单药或有效成分，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网；

筛选集合初始化模块，用于根据研究人员需求和所述药物关系网，采用二维多目标进化算法生成初始的筛选集合；所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码；

目标优化函数确定模块，用于确定目标优化函数；

筛选集合更新模块，用于对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数；

适应度值计算模块，用于根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值；

判断模块，用于判判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果；

返回模块，用于当所述第一判断结果表示所述当前更新次数小于所述预设迭代次数时，将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回筛选集合更新模块；

最优解确定模块，用于当所述当前更新次数大于或者等于所述预设迭代次数时，将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

可选的，所述药物关系网构建模块，具体包括：

权重设置单元，用于将研究人员分析的单药的成分与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重；

药物关系网构建单元，用于根据所述权重，将研究人员分析的单药的成分与数据库中有相关关系的成分转化为二维矩阵，进而构建药物关系网。

可选的，所述筛选集合更新模块，具体包括：

子代集合生成单元，用于从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n；

筛选集合更新单元，用于将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合，记录当前更新次数；所述更新后的筛选集合的个体的个数为2n。

可选的，所述返回模块，具体包括：

支配的个体和被支配的个体确定单元，用于根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体；

个体支配树状图建立单元，用于根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图；

返回单元，用于选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中，并返回到筛选集合更新模块。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于多目标进化算法的药方药剂构建方法及系统。本发明根据药物成分之间的关系，建立新型药物成分关系网模型，动态调整数据关系，再次结合修改后的多目标进化遗传算法进行药方药剂构建，达到满足模型需求。此模型结合多目标进化遗传算法，不同于其他单目标遗传算法，不但能处理药物成分之间的约束关系，而且能跳出单目标遗传算法的缺陷，实现解均匀性和多样性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于多目标进化算法的药方药剂构建方法的流程示意图；

图2为本发明支配关系示意图；

图3为本发明实施例基于多目标进化算法的药方药剂构建系统的结构示意图；

图4为本发明药物关系网示意图；

图5为本发明初始的筛选集合示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于多目标进化算法的药方药剂构建方法及系统，不仅能够实现药物的多样性，避免陷入局部优化，还能够实现对于互相约束药物的合成研发。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

互相约束药物是指两种或者多种成分存在相互制约关系，一种成分的增加或减少，造成影响药物效果或另一种成分的实效，但又无法被替代。因此，本发明通过药物成分关系网和二维多目标进化遗传算法NSGA-II实现互相约束药物的合成研发。

图1为本发明实施例基于多目标进化算法的药方药剂构建方法的流程示意图，如图1所示，包括以下步骤：

步骤101：构建药物关系网；所述药物关系网是根据单药或有效成分(化学实体、作用效果等)，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网。

药物关系网的形成采用以下步骤：

(1)研究人员分析单药的成分和作用，与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重。具体如下：

将具有相同作用或化学成分相辅的两个成分产生相关关系，并将权重设置为1。

将具有部分相同作用或部分化学成分相辅的两个成分产生相关关系，并根据两个成分的关系设置相应的权重；具体权重大小设置为：两种相同成分数量/单药总数量，范围在0-1之间。

将不存在药效作用或化学成分相斥的两个成分产生负相关关系，并将权重设置为-1。

(2)根据生成的权重，将研究人员分析的单药与数据库中有关联的成分转化为二维矩阵，再次转化为药物关系网。

合理的药物关系网为方案的初始化和优秀方案选择起到至关重要的作用。

步骤102：根据研究人员需求和所述药物关系网，采用二维多目标进化算法(NSGA-II)，生成初始的筛选集合。所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码。

本发明利用二维多目标进化算法(NSGA-II)求解能满足医药研究人员需求的初始的筛选集合。在初始化中，筛选集合中的个体(方案)的生成依赖于药物关系网中的权重与长度。

在本实施例中将初始的筛选集合中的n设置为100，每个个体利用十进制编码，NSGA-II进化算法进行实施。在初始化中，根据作用要求，从药物关系网中寻找满足作用或者最大程度接近要求的节点(单药)，再根据此节点的关联关系(权重)，依次递进寻找下一个最大程度的满足需求的节点，直到满足最大设定数量(个体药物成分上限)，此路径上的所有节点编号就是初始的筛选集合中的个体。

步骤103：确定目标优化函数。

将筛选集合中的个体代入目标优化函数，求解每个个体的适应度值，分析其可行性，适应度值越大，个体越优秀。

筛选集合中的每个个体都是一种药方药剂方案，记为P_i，1≤i≤n。因为初始化的个体与研究需求相差较大，为了选择优秀的个体(药物方案)，需要计算每个个体的适应度值。因此，把个体带入目标优化函数来求解两个目标的适应度值。目标优化函数为：

F_1i＝∑Weight(P_i)；

其中，F_1i表示第i个体中成分生成的最小生成树所对应的权重和，Weight表示权重；P_i表示第i个药方药剂方案；F_2i表示第i个体中所有成分之间的权重和与F_1i的比值；MatrixWeight表示矩阵权重。

步骤104：对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数。具体为：

从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n。

将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合；所述更新后的筛选集合的个体的个数为2n。

步骤105：根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值。

步骤106：判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果；若所述第一判断结果表示所述当前更新次数小于所述预设迭代次数，则执行步骤107；若所述第一判断结果表示所述当前更新次数大于或者等于所述预设迭代次数，则执行步骤108；

步骤107：将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回步骤104。

为了保持药物多样性和药物方案与需求方案差异最小性，经过支配选择处理后并排序，前n个个体具有最好的多样性与最小差异性。具体操作如下：

根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体。

根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图。

选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中。

支配选择是在两个目标上都具有良好解的个体，如图2所示，个体a在F₁，F₂两个目标上的值比个体e都要大，因此个体a支配个体e，同理，个体b支配个体f、h、g，个体c支配g、h、j，个体d支配j、i。个体a、b、c、d互不支配并且他们都是优秀解(在两个目标上无法被其他个体代替)。然后根据图2提供的支配关系建立个体支配树状图，然后在个体支配树状图的上部选择前100个个体加入到下一代的筛选集合中。

步骤108：将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

然后根据输出的药方药剂方案，进行人工挑选，验证，实验。更新后的筛选集合中的个体能最大化的满足研究人员需求，根据方案，进行修改和药物批量实验。

本发明在医学辅助计算的基础上，利用药物关系网和NSGA-II进化算法生成药物方案，解决药物前期研发不足的问题，并且满足周期短，数据量大，方案多等特点。

实施例2

图3为本发明实施例基于多目标进化算法的药方药剂构建系统的结构示意图；如图3所示，本发明实施例提供的一种基于多目标进化算法的药方药剂构建系统，包括：

药物关系网构建模块100，用于构建药物关系网；所述药物关系网是根据单药或有效成分，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网。

筛选集合初始化模块200，用于根据研究人员需求和所述药物关系网，采用二维多目标进化算法生成初始的筛选集合；所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码。

目标优化函数确定模块300，用于确定目标优化函数。

筛选集合更新模块400，用于对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数。

适应度值计算模块500，用于根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值。

判断模块600，用于判判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果。

返回模块700，用于当所述第一判断结果表示所述当前更新次数小于所述预设迭代次数时，将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回筛选集合更新模块。

最优解确定模块800，用于当所述当前更新次数大于或者等于所述预设迭代次数时，将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

其中药物关系网构建模块100，具体包括：

权重设置单元，用于将研究人员分析的单药的成分与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重。

药物关系网构建单元，用于根据所述权重，将研究人员分析的单药的成分与数据库中有相关关系的成分转化为二维矩阵，进而构建药物关系网。

筛选集合更新模块400，具体包括：

子代集合生成单元，用于从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n。

筛选集合更新单元，用于将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合，记录当前更新次数；所述更新后的筛选集合的个体的个数为2n。

所述返回模块700，具体包括：

支配的个体和被支配的个体确定单元，用于根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体。

个体支配树状图建立单元，用于根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图。

返回单元，用于选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中，并返回到筛选集合更新模块。

实施例3

为了便于本领域普通技术人员理解，下面结合附图及实施例对本发明进一步作进一步详细描述。

在本实施例中，使用了23种单药作为基本成分，组成各个不同的药剂方案。

表1：药物成分表编号

数据库中的药物成分在表1中呈现，表1中的药物成分作为基本单药成分，并分析各个单药作用和成分，并与数据库中的所有成分逐一对比，根据是否具有相同或部分相同作用和成分为权重赋值。根据生成的权重，转化为二维矩阵，再次转化为如图1所示的药物关系网。

药物关系网构建过程中需要大量的数据支撑和计算，当构建完成后，数据的添加，修改，查找将更加方便快捷。

为了计算方便，药物关系网中每种成分用十进制编号代替，得到如图5所示的初始的筛选集合。

初始的筛选集合中共有100个个体，每个个体代表一种药物方案。在初始化中的药物配方与需求相差较大，需要优化和进化操作。交叉和变异是进化算法中最有效的遗传操作，产生新个体将会有很大几率具有父母双方特性，产生优秀解。交叉是指在某一位置两个个体发生数据交错或者交换位置，变异是指在个体中的某一位数值随机发生变化，改变其值。在交叉变异中，交叉的作用是为了满足生产新解(新方案)，显而易见的是，两个优秀的个体会有极大的几率产生两个优秀的新个体。

单目标算法交叉，无法跳出局部解。多目标进化算法在跳出局部优化效果更好，而且更具有更好的多样性。在寻找解集的过程和实验中，变异以概率0.5存在，满足了自然选择的条件。在交叉和变异的过程中，新个体有一定几率比父代个体差，但是在精英选择过程中，非精英个体将会被舍弃。

经过进化算法操作，评价新药物P的好坏依赖于目标优化函数如下

F_1i＝∑Weight(P_i)；

其中，F_1i表示第i个体中成分生成的最小生成树所对应的权重和，Weight表示权重；P_i表示第i个药方药剂方案；F_2i表示第i个体中所有成分之间的权重和与F_1i的比值；MatrixWeight表示矩阵权重。

当新个体适应度值越大，说明此个体是精英个体，也是好的药剂方案。精英个体将会保留并且重复迭代，输出最佳方案。

实施例4

本实施例涉及基于多目标进化算法的药方药剂构建方法，主要步骤包括：(1)根据研究人员需求，依照药品的有效成分，药物或物质之间的关系，逐一对比生成权重，转化为二维矩阵，再次转化为药物关系网；(2)依据研究人员需求和药物关系网，初始化种群；(3)对初始化种群个体(药物方案)进行迭代并且计算适应度值F₁，F₂，采用多目标进化算法NSGA-II进行支配选择，迭代；(4)在最终迭代中，输出种群，从种群中挑选药剂方案，其中个体(01,03,04,05,08,09,10,12,14,17,18,21)的最小生成树(第一维目标F₁)具有最大权重和，并且第二维目标F₂也具有最优值。因此，此个体作为备选个体。此组合方案满足需求，方案完成，进入药剂验证阶段。

实施例5

本实施例为了和实施例4进行区分，输入需求与实施例4相反作用。本实例主要步骤包括：(1)根据研究人员需求，依照药品的有效成分，药物或物质之间的关系，形成药物关系网；(2)依据研究人员需求和药物关系网，初始化种群；(3)对初始化种群个体(药物方案)进行迭代并且计算适应度值F₁，F₂，采用多目标进化算法NSGA-II进行支配选择，迭代；(4)在最终迭代中，输出种群，从种群中挑选药剂方案，其中个体(02,06,09,10,12,15,18,21,23)的最小生成树(第一维目标F₁)具有最大权重和，并且第二维目标F₂也具有最优值。因此，此个体作为备选个体。此方案满足需求，方案完成，进入药剂验证阶段。

实施例6

本实施例为了和实施例4和实施例5进行区分，此用例输入的需求同时包括实施例4的作用和实施例5的作用。本实例主要步骤包括：(1)根据研究人员需求，依照药品的有效成分，药物或物质之间的关系，形成药物关系网；(2)依据研究人员需求和药物关系网，初始化种群；(3)对初始化种群个体(药物方案)进行迭代并且计算适应度值F₁，F₂，采用多目标进化算法NSGA-II进行支配选择，迭代；(4)在最终迭代中，输出种群，从种群中挑选药剂方案，其中种群中的所有个体无法在目标F₂值最优的基础上F₁最优。因此，输出种群备选方案，但不输出优秀解集。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于多目标进化算法的药方药剂构建方法，其特征在于，包括：

构建药物关系网；所述药物关系网是根据单药或有效成分，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网；

根据研究人员需求和所述药物关系网，采用二维多目标进化算法生成初始的筛选集合；所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码；

确定目标优化函数；

对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数；

根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值；

判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果；

若所述第一判断结果表示所述当前更新次数小于所述预设迭代次数，则将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数步骤；

若所述第一判断结果表示所述当前更新次数大于或者等于所述预设迭代次数，则将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

2.根据权利要求1所述的基于多目标进化算法的药方药剂构建方法，其特征在于，所述构建药物关系网，具体包括：

将研究人员分析的单药的成分与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重；

根据所述权重，将研究人员分析的单药的成分与数据库中有相关关系的成分转化为二维矩阵，进而构建药物关系网。

3.根据权利要求2所述的基于多目标进化算法的药方药剂构建方法，其特征在于，所述根据两个成分的相关关系设置相应的权重，具体包括：

将具有相同作用或化学成分相辅的两个成分的权重设置为1；

将具有部分相同作用或部分化学成分相辅的两个成分，根据关系式设置相应的权重；所述关系式为两种相同成分数量/单药总数量，权重范围在0-1之间；

将不存在药效作用或化学成分相斥的两个成分的权重设置为-1。

4.根据权利要求1所述的基于多目标进化算法的药方药剂构建方法，其特征在于，所述目标优化函数为：

F_1i＝∑Weight(P_i)；

其中，F_1i表示第i个体中成分生成的最小生成树所对应的权重和，Weight表示权重；P_i表示第i个药方药剂方案；F_2i表示第i个体中所有成分之间的权重和与F_1i的比值；MatrixWeight表示矩阵权重。

5.根据权利要求1所述的基于多目标进化算法的药方药剂构建方法，其特征在于，所述更新所述筛选集合，具体包括：

从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n；

将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合；所述更新后的筛选集合的个体的个数为2n。

6.根据权利要求1所述的基于多目标进化算法的药方药剂构建方法，其特征在于，所述将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，具体包括：

根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体；

根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图；

选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中。

7.一种基于多目标进化算法的药方药剂构建系统，其特征在于，包括：

药物关系网构建模块，用于构建药物关系网；所述药物关系网是根据单药或有效成分，与其他具有相同或促进、放大效用的单药或者物质所形成的关系网；

筛选集合初始化模块，用于根据研究人员需求和所述药物关系网，采用二维多目标进化算法生成初始的筛选集合；所述初始的筛选集合包括n个体；每个所述个体表示一个药方药剂方案；每个所述个体均采用十进制编码；

目标优化函数确定模块，用于确定目标优化函数；

筛选集合更新模块，用于对筛选集合中的个体进行交叉变异，生成子代集合，并将所述子代集合中的个体全部加入到所述筛选集合中，更新所述筛选集合，记录当前更新次数；

适应度值计算模块，用于根据所述目标优化函数，计算更新后的筛选集合中的每个个体的适应度值；

判断模块，用于判判断所述当前更新次数是否小于预设迭代次数，得到第一判断结果；

返回模块，用于当所述第一判断结果表示所述当前更新次数小于所述预设迭代次数时，将所述更新后的筛选集合中的两两个体进行支配选择排列处理，选择前n个个体加入到下一代的筛选集合中，返回筛选集合更新模块；

最优解确定模块，用于当所述当前更新次数大于或者等于所述预设迭代次数时，将更新后的筛选集合中的适应度值最大的个体对应的药方药剂方案确定为最优解。

8.根据权利要求7所述的基于多目标进化算法的药方药剂构建系统，其特征在于，所述药物关系网构建模块，具体包括：

权重设置单元，用于将研究人员分析的单药的成分与数据库中的所有成分逐一对比，确定与单药成分具有相关关系的成分，并根据两个成分的相关关系设置相应的权重；

药物关系网构建单元，用于根据所述权重，将研究人员分析的单药的成分与数据库中有相关关系的成分转化为二维矩阵，进而构建药物关系网。

9.根据权利要求7所述的基于多目标进化算法的药方药剂构建系统，其特征在于，所述筛选集合更新模块，具体包括：

子代集合生成单元，用于从筛选集合中随机选择两个个体，进行交叉，变异生成两个新个体，重复此过程，生成子代集合；所述子代集合中新个体的数目为n；

筛选集合更新单元，用于将所述子代集合中的新个体全部加入到筛选集合中，生成更新后的筛选集合，记录当前更新次数；所述更新后的筛选集合的个体的个数为2n。

10.根据权利要求7所述的基于多目标进化算法的药方药剂构建系统，其特征在于，所述返回模块，具体包括：

支配的个体和被支配的个体确定单元，用于根据所述更新后的筛选集合中的每个个体的适应度值，对所述更新后的筛选集合中的两两个体进行支配选择处理，确定支配的个体和被支配的个体；所述支配的个体表示两个所述个体的适应度值进行比较，适应度值大的个体为支配的个体；所述被支配的个体表示两个所述个体的适应度值进行比较，适应度值小的个体为被支配的个体；

个体支配树状图建立单元，用于根据所述支配的个体和所述被支配的个体间的支配关系，建立个体支配树状图；

返回单元，用于选择所述个体支配树状图中上部的前n个个体加入到下一代的筛选集合中，并返回到筛选集合更新模块。