全 文 ：中药新药与临床药理 2012年 1月第 23卷第 1期
基于 ANN- PSO 算法的 pH依赖-时滞型地锦草结肠靶向给药微
丸制备工艺优化
张纪兴 1， 吴智南 2， 陈小坚 2（1. 广东药学院，广州 510006；%2. 广州固志医药科技有限公司，广州 510663）
摘要：目的 应用人工神经网络结合粒子群优化法（ANN-PSO）筛选地锦草结肠靶向给药微丸制备工艺参数。
方法 以 pH依赖-时滞型地锦草结肠靶向给药微丸的制备为研究模型，薄膜包衣增重、增塑剂与成膜材料用量
比为变量，微丸体外释放总评归一值为因变量，应用BP（back-propagation，反向传播）人工神经网络建模，并结
合粒子群优化法筛选微丸的处方工艺参数。结果 按优化的处方工艺参数制备的地锦草结肠靶向给药微丸，在
体外实验中可满足结肠定位释放的要求。结论 人工神经网络建模与粒子群法寻优相结合，为解决药物制剂工艺
涉及的多维复杂非线性系统的优化问题提供了有效的途径。
关键词： 人工神经网络；粒子群优化法；地锦草；pH依赖-时滞型结肠靶向微丸；制备工艺优化
中图分类号：R284；TQ460.6 文献标识码：A 文章编号：1003-9783（2012）01-0099- 06
doi：10.3969/j.issn.1003-9783.2012.01.028
Optimization of Preparation Process for pH Dependent-time Lag Herba Euphorbiae Humifusae Pellets for
Colon-specific Delivery Based on Artificial Neural Network and Particle Swarm Optimization Algorithm
ZHANG Jixing1，WU Zhinan2，CHEN Xiaojian2（1.Guangdong Pharmaceutical University，Guangzhou 510006，China；
2. Guangzhou Guzhi Pharmaceutical Technology Co. Ltd.，Guangzhou 510663，China）
Abstract: Objective To optimize the pharmaceutical preparation process based on artificial neural network（ANN）and
particle swarm optimization（PSO） algorithm. Methods Taking the pH dependent-time lag Herba Euphorbiae Humi－
fusae pellets for colon-specific delivery as a research model，with weight increment of film coating and the proportion
of plasticizer and film-forming material as the independent variables，and with overall desirability（OD）of in-vitro releas－
ing property of the preparation as dependent variables，we optimized the process parameters with PSO algorithm by
using back-propagation（BP）ANN modeling. Results The pellets prepared according to the optimized preparation pro－
cess parameters had significant effect on colon-specific release in vitro. Conclusion The combination of BP ANN
modeling with PSO provides an effective way of multi-dimensional optimization of complicated nonlinear systems in－
volving pharmaceutical technology.
Keywords：Artificial neural networks；Particle swarm optimization algorithm；Herba Euphorbiae Humifusae；pH de－
pendent-time lag colon-specific delivery pellets；Preparation process optimization
收稿日期： 2011-09-27
作者简介： 张纪兴，男，副教授，从事中药新剂型与新技术及缓控释制剂的研究。Email：jxzh1998282@163.com。通讯作者：吴智南，男，高级工
程师，从事新药研究。
基金项目： 科技部科技型中小企业技术创新基金（09C26214412134）。
人工神经网络（Artificial neural network，ANN）是
基于模拟大脑神经网络结构和功能而建立的一种信
息处理系统和理论化的数学模型，具有能够进行复
杂的逻辑操作和非线性表达能力强大等优点。粒子
群优化法（Particle swarm optimization，PSO）作为一种
群智能进化计算技术，与遗传算法类似，但更为简
单并易于操作实现，适合科学研究和工程领域应用[1]。
地锦草单方或复方制剂治疗溃疡性结肠炎具有
良好的疗效[2-4] ，但存在口服剂量大或保留灌肠不方
便等问题。若将其制成结肠靶向微丸，则可增加病
灶部位药物浓度，减少给药量，且服用方便，提高
了患者顺应性。
本实验以地锦草结肠靶向微丸的制备为研究模
型，尝试应用人工神经网络映射微丸制备工艺及其
99· ·
Traditional Chinese Drug Research ＆ Clinical Pharmacology，2012 January，Vol．23 No．1
体外释放评价指标之间的关系，并结合粒子群优化
法筛选制备工艺参数，为中药结肠定位给药的研究
和人工神经网络及群智算法在药剂工艺优化设计中
的应用做一探索性工作，现将实验报道如下。
1 仪器与试药
Sartorius BS110S型万分之一、CP25D型十万分之
一电子天平，北京赛多利斯仪器有限公司；UC- 7100S超
声波清洗器，美瑞泰克科技（天津）公司；Agilent 1100
Series 高效液相色谱仪，美国安捷伦公司；RCZ- 48A
智能药物溶出仪，天津大学精密仪器厂；E- 50挤出
机、S- 250滚圆机，重庆英格造粒包衣技术有限公司；
BY400A糖衣机，广州康诺医药机械；101- 3型电热
鼓风干燥箱，上海阳光实验仪器有限公司。
地锦草浸膏粉（批号：20091003，每 1g提取物
相当于原药材 10 g），广州固志医药科技有限公司；
微晶纤维素，山东聊城阿华制药有限公司；微粉硅
胶，广州杰辅贸易有限公司；交联聚维酮，领先国
际特品（香港）有限公司；乙基纤维素（EC20cp），上
海卡乐康包衣技术有限公司；羟丙甲纤维素（Metho-
celK15M），上海卡乐康包衣技术有限公司；Eudragit
L100- 55，上海罗姆公司药用树脂部；聚乙二醇
（PEG6000），辽阳华兴药用辅料有限公司；邻苯二甲
酸二乙酯（DEP），天津市福晨化学试剂厂；滑石粉，
龙胜兴发滑石粉厂；槲皮素对照品（008129304），
中国药品生物制品检定所；乙腈为色谱纯，水为重
蒸馏水，其余试剂均为分析纯。
2 方法与结果
2.1 HPLC分析方法的建立
2.1.1 对照品溶液制备 精密称取槲皮素对照品 10.18
mg置 50 mL 容量瓶中，加甲醇溶解并稀释至刻度，
摇匀，制成浓度为 0.2036 mg·mL-1对照品溶液。
2.1.2 供试品溶液制备 取微丸 0.5 g，精密称定，置
具塞锥形瓶中，精密加入甲醇 50 mL，密塞，称定重
量，超声处理（250W，40KHz）30 min，放冷，再称定
重量，用甲醇补足减失的重量，摇匀，滤过，精密
吸取续滤液 25 mL，蒸干，残渣用甲醇溶解转移定容
至 10 mL量瓶中，摇匀，过滤，即得。
2.1.3 色谱条件 %色谱柱Kromasil C18（4 . 6mm×250mm，
5 μm），柱温 40 ℃，流动相乙腈-0.4 %磷酸（40 ∶ 60），
流速 1.0 mL·min-1，检测波长 360 nm。以对照品的
进样量 X（μg）为横坐标，峰面积 Y 为纵坐标，得槲
皮素的回归方程为：Y = 4.0928×106X+4070.8238，
r = 0.9999，槲皮素在 0.0020~0.2036 μg 范围内线性
关系良好。
2.1.4%样品含量测定 分别精密吸取对照品溶液和供
试品溶液，按上述色谱条件测定，记录色谱图，按
峰面积值用外标法计算含量，即得。典型色谱图见
图 1。
图 1 供试品（1）和对照品（2）HPLC色谱图
Figure 1 The HPLC chromatograms of substance（1）and reference
sample（2）
2.2 含药丸芯的制备 将地锦草浸膏粉与微晶纤维
素、微粉硅胶和交联聚维酮分别过筛，按处方量准
确称取（浸膏粉占总量 40 %），混和均匀，用适量 50
%乙醇溶液制软材，将软材投入挤出机内，调整挤出
速度为 30 r·min-1，经筛板（孔径 700 μm）挤出，挤出物
置滚圆机内，调整滚圆转速为 800 r·min-1，滚圆10 min，
于 40 ℃干燥 12 h，18~24目筛分，即得。
2.3 包衣液的配制及包衣方法
2.3.1 隔离层包衣液配制 将乙基纤维素加到乙醇溶
液中，制成 2 %的乙基纤维素溶液，再加入一定比例
的增塑剂邻苯二甲酸二乙脂，搅匀，最后加入总溶
液 2 %（g·mL-1）的抗黏剂滑石粉，搅匀，即得。
2.3.2 溶胀控释层包衣液配制 将微粉硅胶分散于一
定量的乙醇溶液中，再将羟丙甲纤维素分散于此混
悬液，加入一定量的水使成为质量分数为 70 %的乙
醇溶液，即得。
2.3.3 时控层包衣液配制 同上述隔离层包衣液的配制。
2.3.4 肠溶层包衣液配制 % 称取肠溶材料 Eudragit L
100-55适量，加入乙醇，放置溶解，配制成含肠溶
材料 5%的溶液，再加入肠溶材料一定比例的增塑剂
PEG-6000，溶解，即得。
2.3.5 包衣操作 %将含药丸芯置入包衣锅中，控制转
速为 60 ~ 80 r·min-1，控制温度为 30 ~ 35 ℃，包衣喷
液速度 5 mL·min -1 ，根据包衣微丸情况适当调节相
应参数，待隔离层、溶胀层、时控层和肠溶层包衣
完成后，将微丸置于 60 ℃烘箱热处理 2 h，使得包
100· ·
中药新药与临床药理 2012年 1月第 23卷第 1期
表 1 均匀试验设计和结果
Table 1 Uniform design and results of the preparation process of pH dependent-time lag Herba Euphorbiae Humifusae pellets for colon-
specific delivery
1
2
3
4
5
6
7
8
9
10
11
12
EC
x1/%
10
10
10
10
15
15
15
15
20
20
20
20
DEP/EC
x2/%
10
10
20
20
30
30
10
10
20
20
30
30
HPMC
x3/%
25
35
25
35
15
35
15
35
15
25
15
25
aerosil/HPMC
x4/%
100
200
100
200
50
200
50
200
50
100
50
100
EC
x5/%
20
10
30
20
10
30
10
30
20
10
30
20
DEP/EC
x6/%
30
20
10
30
20
10
30
20
10
30
20
10
Eudragit
x7/%
30
20
10
10
30
20
20
10
30
30
20
10
PEG/Eudragit
x8/%
30
30
30
30
20
20
20
20
10
10
10
10
pH1.2（2 h）
y1/%
72.88
68.33
54.66
45.55
0.00
0.00
0.00
20.95
0.00
0.00
0.00
27.33
pH6.8（3h）
y2/%
81.99
80.17
81.08
79.26
77.44
61.95
72.88
59.22
55.57
72.88
60.13
59.22
pH7.8（2 h）
y3/%
91.10
86.55
90.19
84.72
89.28
81.99
86.55
81.99
68.33
81.99
70.15
77.44
0.3333
0.3105
0.4148
0.3995
0.6975
0.7862
0.7149
0.7249
0.6667
0.6483
0.6359
0.6290
№ OD
衣膜融合完整，再于 40 ℃干燥，即得。
2.3.6 体外释放度测定方法 %依据《中国药典》2010年
版二部附录ⅩⅨ D缓释、控释和迟释制剂指导原则，
采用附录 XD释放度测定第二法的方法 1测定：转速
（50±1）r·min-1，温度（37±0.5）℃，释放介质人工胃液
（0.1 mol /L盐酸溶液）750 mL、人工肠液（pH 6.8 的
磷酸盐缓冲液）1000 mL、人工结肠液（pH 7.8~8.0的磷
酸盐缓冲液）900 mL。在规定时间每次取样 5 mL
（同时补加等量的溶出介质）过 0.45μm微孔滤膜，在
上述高效液相色谱条件下测定槲皮素含量，计算累积
释放百分率。
2.4 试验设计 %由于受饮食、疾病、个体等多因素影
响，不仅胃排空时间差异很大，同时肠道 pH也会产
生较大范围波动，且小肠和结肠的 pH接近，单纯利
用 pH依赖型或时滞型方法难以实现药物在结肠的准
确定位，但小肠段转运时间（3~4 h）是相对恒定的[5]。
因此，本研究综合运用 pH依赖和时滞型释药机理制
备结肠定位微丸，其具体结构如图 2所示。
图 2 pH依赖-时滞型结肠靶向微丸结构示意图
Figure 2 Structure delineation of pH dependent-time lag colon -
specific delivery pellets
通过预实验，选择以下条件 xi（i=1，2，…，8）和 yj
（j=1，2，3）：（1）隔离层（EC）包衣增重 x1，增塑剂 DEP
与 EC的用量比 x2；（2）溶胀层（HPMC）包衣增重 x3，
微粉硅胶与 HPMC的用量比 x4；（3）时滞层（EC）包衣
增重 x5和增塑剂 DEP与乙基纤维素 EC的用量比 x6；
（4）肠溶层包衣增重 x7，增塑剂 PEG-6000与肠溶材
料的比 x8；（5）人工胃液 2 h、人工肠液 3 h和人工结
肠液 2 h的累积释放百分率（%）y1、y2和 y3为变量，
yj的总评“归一值 ”（Overall Desirability，OD）[6] 为因
变量。具体计算方法如下：
dmax=（yi-ymin）/（ymax-ymin）；dmin=（ymax -yi）/（ymax-ymin）
OD = ω1×dminy1 + ω2×dminy2 + ω3×dmaxy3
其中，dmax表示越大越好效应指标的归一值，dmin
表示越小越好效应指标的归一值，yi表示某指标实验
结果（本实验中，i=1，2，…，12），ymin表示某指标
实验结果中的最小值，ymax表示某指标实验结果中的
最大值。本实验期望 y1和 y2越小越好，y3越大越好，
ω1、ω2和 ω3为 y1，y2和 y3的权重系数，各取 1/3，
dminy1、dminy2和 dmaxy3分别表示人工胃液、人工肠液和
人工结肠液释放控制指标的归一值。
本研究采用均匀设计表 U13（1312） 安排试验，具体
的因素水平安排和结果见表 1。
2.5%人工神经网络建模和粒子群优化法筛选提取工艺
参数
2.5.1 人工神经网络的选择 表 1的 12组数据显示：
OD=F（x，y），其中，y=f（x）。对因变量 OD而言，变
量（x，y）有 11相，而 OD 值与（x，y）值之间的关系
101· ·
Traditional Chinese Drug Research ＆ Clinical Pharmacology，2012 January，Vol．23 No．1
显然是呈现非线性的，若用多项式来拟合，只能选
择含有小于 12个未知系数的回归设计，不仅得忽略
各影响因素之间的交互作用，而且各变量在选择一
次或二次表达的问题上，也不可调和。这样，对于
本实验结果表 1的数据，采用多项式拟合进行非线
性分析就显得非常棘手且不符合实际。
从本实验系统包衣各层的综合整体作用并非简
单的线性叠加，且具备多变量和多重控制目标来看，
本实验系统具有复杂系统的特性。而具有三层结构
（只有 1个隐含层）的 BP（back-propagation，反向传
播） 人工神经网络可以映射复杂系统模型，群智优
化算法可以对复杂系统问题优化求解[7]。因此，本实
验尝试选择 BP人工神经网络映射表 1 中变量（x，y）
与因变量 OD之间的关系。
2.5.2 网络训练及检验样本的采集和选择 %准确的神
经网络，需要大量样本进行训练，表 1的 12个实验
样本是不够的，为此可引入虚拟样本[6，8]。即实验数据
按±△i=0.1 %变化，每个实际样本就能产生 211个虚拟
样本，但根据 U11（1110）设计表，只需对每一个实际
样本产生 10个虚拟样本就可以代表全部 211个虚拟
样本。如表 2为第 1个实际样本产生的 10个虚拟样本。
这样，本实验 12个实际样本加上各自的虚拟样
本，使参加神经网络训练和检验的样本达到 132个。
其中，除去最大和最小 OD值样本组，在剩下的 10
组样本中任选 2个，共 20个样本作为测试样本，其
余为训练样本。显然，与原始样本相比，加大了训练
样本空间的样本密度，强化了训练过程中的记忆效
果，致使在实际样本的附近区域不会产生大的波动。
2.5.3 粒子群优化法筛选提取工艺参数 %粒子群优化
（PSO）算法[9]源于鸟群飞行觅食行为的研究，即鸟类
觅食时，每只鸟找到食物最简单有效的办法就是通
过搜寻当前距离食物最近的鸟的周围区域。PSO算法
中，每个优化问题的解都被看作是搜索空间中的一
只鸟，称之为“粒子”，所有的粒子都有一个由被优
化的函数决定的适应值，每个粒子还有一个位置和
速度函数，决定它们飞行方向和距离，粒子群追随
每次迭代中的最优粒子，并根据：（1）vid（t+1）=ω×vid（ t）+
c1×r1×[pbest（ t）-xid（ t）]+c2×r2×[gbest（ t）-xid（ t）]、（2）xid （t +1）=
xid（t）+vid（t+1）来更新自己的速度和新的位置，直至找到
满意解或达到最大迭代次数停止。其中，vid（t）是粒子
的速度，i、d分别为粒子个数和粒子维度，ω是惯性
权重，r1、r2是介于（0，1）之间的随机常数，c1、c2
是加速常数，pbest 是个体极值，gbest是全局极值，
xid（t）是当前粒子的位置。
本实验利用人工神经网络的网络输出 ODi值作为
PSO的适应度函数，将其适应值优化的具体步骤如下：
（1）建立训练样本数据（x，y）与 OD内在规律的人
工神经网络数学模型；
（2）初始化惯性权重参数，加速常数，种群规
模，最大迭代次数，粒子飞行最大速度，限制粒子
飞行边界；
（3）在区域内把每个输入（x，y）随机映射为一群粒
子，初始化粒子位置和速度；
（4）判断目标函数值 OD是否达到预定迭代次数；
（5）如果满足条件（4），将全局最优粒子映射为最
佳条件，并以此为优化结果，得到最佳工艺条件；
若不满足条件（4），按粒子群计算模型进行粒子速度
和位置的更新，并生成新一代种群，返回（3）。
2.6 结果
2.6.1 BP人工神经网络训练和预测 %根据上述人工神
表 2 第 1个实际样本产生的 10个虚拟样本
Table 2 Virtual samples from the first sample
1
2
3
4
5
6
7
8
9
10
EC
x1/%
10.01
10.01
10.01
10.01
10.01
9.99
9.99
9.99
9.99
9.99
DEP/EC
x2/%
10.01
10.01
9.99
9.99
9.99
10.01
10.01
10.01
9.99
9.99
HPMC
x3/%
24.98
24.98
25.03
25.03
24.98
24.98
25.03
25.03
24.98
24.98
aerosil/HPMC
x4/%
99.90
100.10
100.10
99.90
100.10
99.90
99.90
100.10
99.90
99.90
EC
x5/%
20.02
19.98
20.02
19.98
20.02
19.98
20.02
19.98
20.02
19.98
DEP/EC
x6/%
29.97
30.03
29.97
30.03
29.97
30.03
29.97
30.03
29.97
30.03
Eudragit
x7/%
29.97
30.03
29.97
29.97
30.03
29.97
30.03
30.03
29.97
30.03
PEG/Eudragit
x8/%
29.97
29.97
29.97
29.97
29.97
30.03
30.03
30.03
30.03
30.03
pH1.2（2 h）
y1/%
72.88
72.88
72.88
72.88
72.88
72.88
72.88
72.88
72.88
72.88
pH6.8（3 h）
y2/%
81.99
81.99
81.99
81.99
81.99
81.99
81.99
81.99
81.99
81.99
pH7.8（2h）
y3/%
91.10
91.10
91.10
91.10
91.10
91.10
91.10
91.10
91.10
91.10
0.3333
0.3333
0.3333
0.3333
0.3333
0.3333
0.3333
0.3333
0.3333
0.3333
ODNO
102· ·
中药新药与临床药理 2012年 1月第 23卷第 1期
经网络训练、检验样本的采集和选择方法，在采集
的样本中，避开综合评分最低和最高的第 2、第 6组
实验样本和虚拟样本，在其余 10组中任选各组的 2
个样本，共计 20个样本作为人工神经网络的检验样
本，其余则作为人工神经网络的训练样本，运行
MATLAB 软件，进行人工神经网络的训练和预测。
设定 BP人工神经网络训练循环次数参数为 200，训
练误差目标参数为 0.000001，学习率参数为 0.1，训
练过程和结果见图 3。
图 3 BP人工神经网络训练过程
Figure 3 Training process for BP ANN
网络训练结果显示，经过 10次训练后，网络误
差平方和均值为 4.39321×10-7，达到了设定的最小训
练目标值（1×10-6）。网络训练完毕后，利用 MATLAB
仿真函数输出网络预测，用检验样本来检验网络训
练效果（图 4）。从图 4可以看出，BP人工神经网络的
预测输出与检验样本测试值非常接近。
图 4 BP人工神经网络测试输出
Figure 4 Test output of BP ANN
图 5为 BP人工神经网络的预测输出与检验样本
测试值的误差输出，可以看出，网络的预测输出与
检验样本测试值的误差均小于 0.00025 %，表明本实
验利用 BP人工神经网络映射出了准确的描述工艺过
程与其评价指标之间的关系。
图5 BP人工神经网络误差
Figure 5 Error of BP ANN
2.6.2 粒子群优化法筛选工艺参数及验证 %设惯性权
重参数为 0.15，加速常数为 1.496，种群规模 25，最
大迭代次数 50，粒子飞行最大速度、粒子飞行边界
限制在实验因素水平范围内，运行 MATLAB 软件，
结果输出见图 6和表 3。
图 6 粒子群优化适应度变化曲线
Figure 6 Optimized fitness curve of PSO algorithm
从图 6和表 3可以看出，粒子群优化迭代初期
10代以内，即能很快找到较好解，即其解群在优化
初期随进化代数表现出很强的随机性，容易找到较
好解。迭代 10-20 期间，粒子一点一点地向更好的
解逼近，而在 20 代以后，通过每代所有解的“信
息”的共享、整合，优化解群逐渐趋向稳定，最后
达到了群体最优。根据 PSO 优化仿真输出结果（x1、
x2、x3、x4、x5、x6、x7、x8、y1、y2、y3分别为 28.00、
26.90、25.97、182.34、24.19、13.34、28.36、25.44、
0.00、8.94、93.75），按实际情况选择优化工艺参数
操作，即（1）隔离层（EC）包衣增重 28 %，增塑剂 DEP
与 EC的用量比 27 %；（2）溶胀层（HPMC）包衣增重 26
%，微粉硅胶与 HPMC 的用量比 182 %；（3）时滞层
（EC）包衣增重 24 %，增塑剂 DEP与 EC的用量比 13
%；（4）肠溶层包衣增重 28 %，增塑剂与肠溶材料的
比例 25 %。制备的三批微丸，通过人工胃液 2 h、
人工肠液 3 h、人工结肠液 2 h，累积释放分别为 0.0 %、
9.7 %、88.2 %（n=3），体外释放性能达到结肠定位释
103· ·
Traditional Chinese Drug Research ＆ Clinical Pharmacology，2012 January，Vol．23 No．1
放的要求，其综合评价指标 OD值均大于此前任一组
实验样本，与 PSO优化仿真输出结果相吻合，证明
采用 BP人工神经网络建模结合粒子群优化法筛选工
艺参数是可行的。
3 讨论
实验表明：（1）该中药微丸选择水不溶性成膜材料
EC形成一隔离层非常关键，否则工艺操作及测试过
程中水分的长时间渗透浸润，会诱发含药丸芯中药浸
膏的粘性，不利微丸的崩解和有效成分的完全释放。
EC中DEP的加入可调节膜的柔韧性和致密性，其用量
不足，衣膜不容易融合成一体，会出现裂痕，用量太多
会使膜通透性过大。隔离层的厚薄、可塑性和通透性
的把握是非常关键的；（2）在溶胀控释层中加入疏水性
粒子微粉硅胶 Aerosil，目的是调节 HPMC的溶胀速度
和药物的释放速度。一定溶胀层的厚度和溶胀速度，
使得该层溶胀后产生的溶胀力，可以适时涨破其外的
时滞层，从而达到药物突释的效果；（3）时滞层滑石粉的
用量固定为 2%（m/v），可以产生较好的抗黏作用，该层
太薄或增塑剂 DEP用量过多，会使衣膜过早破裂或通
透性增加，使药物释放加快，影响时滞效果，无法形
成突释，产生不了理想的结肠定位释放效果；（4）肠溶
层可阻滞人工胃液对微丸的渗透，进入小肠溶液后则
迅速溶解，其适宜的可塑性、通透性和一定的厚度对时
滞层和溶胀层协同产生突释效果是至关重要的。
考虑到中药成分及其作用的复杂性，加上中药对抗
结溃的机理也很复杂，而《中国药典》以及相关文献对
于地锦草中槲皮素含量测定的方法比较成熟，具有一定
的代表性，故本研究选择测定地锦草提取物中的槲皮
素，目的是让它起到对制剂体外释放的定向识别作用。
本研究利用 BP人工神经网络映射实验过程中变
量（x，y）与因变量 OD之间的关系，其模型精度达到
4.39321×10-7，且网络训练后，预测值与实验值相对
误差小于 0.00025 %，模型非常准确，这是传统的数
学优化方法很难、甚或无法达到的。
人工神经网络建模结合粒子群优化法寻优，无需
目标函数具备明确的数学表达式，并且模型的映射建
立与寻优迭代过程可利用数据可视化技术，以直观的
图形、图表数据输出呈现出来，过程一目了然，无疑
为解决多维非线性系统和复杂系统的优化问题提供了
一个全新有效的途径。
尽管目前粒子群优化法的缺点也是明显的，比如
局部搜索精度不够高，参数调整需依赖研究人员的经
验，不能绝对保证搜索到了全局最优解。但是，粒子
群优化法因其原理简单，通用性强，收敛速度快，对
计算机内存和 CPU要求不高，具有深刻的智能背景，
非常适合于科学研究和工程优化设计，本实验研究也
说明了人工神经网络结合粒子群优化法筛选工艺参数
的可行性。可见，如何充分发挥人工神经网络和群智
算法在药物制剂处方及制备工艺优化过程中对非线
性、复杂性系统优化求解的作用，是值得进一步深入
研究和探讨应用的。
参考文献：
[1] 夏江，梅乐和，黄俊，等. 神经网络和粒子群算法优化 γ-氨基丁
酸发酵培养基的研究[J].高校化学工程学报，2007，21（6）：997-1001.
[2] 张彩虹，钟浩明.地锦草片治疗溃疡性结肠炎效果观察[J].海峡药学，
2007，19（10）：100-101.
[3] 庞良泉，杨祖旺.地锦黄白汤保留灌肠治疗溃疡性结肠炎[J].湖北中
医杂志，2003，25（9）：42.
[4] 徐小军，姚国新.治疗小儿腹泻复方地锦草灌肠剂的研制[J].赣南医
学院学报，2003，20（1）：15-17.
[5] Laila FAA，Sajeev C. Multiparticulate formulation approach to colon
specific drug delivery：current perspectives [J]. J Pharm Pharmaceut
Sci，2006，9（3）：327-338.
[6] 张纪兴，陈燕忠.人工神经网络建模结合遗传算法优化岗松油环糊精包
合物制备工艺参数[J].中国药科大学学报，2011，42（4）：324-328.
[7] 李士勇，田新华. 非线性科学与复杂性科学[M]. 哈尔滨：哈尔滨工
业大学出版社，2006：14-15，299-300.
[8] 王卫东，郑宇杰，杨静宇. 采用虚拟训练样本优化正则化判别分析
[J]. 计算机辅助设计与图形学学报，2006，18（9）：1327-1331.
[9] 倪立斌，刘继常，伍耀庭，等. 基于神经网络和粒子群算法的激光
熔覆工艺优化[J].中国激光，2011，38（2）：99-104.
（编辑：修春）
表 3 粒子群迭代优化工艺参数变化过程
Table 3 Results of PSO algorithm for optimizing the pH dependent-time lag Herba Euphorbiae Humifusae pellets for colon-specific de－
livery process parameters
1
2
3
4
5
6
7
8
Iterative
Times
2
4
6
8
10
20
30
50
Fitness
0.7878
0.7878
0.7878
0.7925
0.7985
0.7991
0.7991
0.7991
EC
x1/%
19.09
19.09
19.09
22.00
28.00
28.00
28.00
28.00
DEP/EC
x2/%
26.92
26.92
26.92
26.67
26.81
26.89
26.90
26.90
HPMC
x3/%
25.97
25.97
25.97
25.78
25.89
25.97
25.97
25.97
Aerosil/
HPMC
x4/%
181.55
181.55
181.55
180.00
180.83
182.36
182.33
182.34
EC
x5/%
24.22
24.22
24.22
24.27
24.25
24.19
24.19
24.19
DEP/
EC
x6/%
13.35
13.35
13.35
13.40
13.37
13.34
13.34
13.34
Eudragit
x7/%
28.26
28.26
28.26
28.13
28.20
28.36
28.36
28.36
PEG/
Eudragit
x8/%
25.40
25.40
25.40
25.30
25.35
25.44
25.44
25.44
pH1.2
（2 h）
y1/%
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
pH6.8
（3h）
y2/%
8.91
8.91
8.91
8.81
8.86
8.94
8.94
8.94
pH7.8
（2 h）
y3/%
93.69
93.69
93.69
93.42
93.56
93.75
93.74
93.75
№
104· ·