[发明专利]一种动态进化鲸鱼优化算法的化合物水溶性预测方法

说明书

本发明提供了一种动态进化鲸鱼优化算法的化合物水溶性预测方法，具体包括以下步骤：步骤S1：选取化合物水溶性数据集作为实验数据并将数据集划分为训练集和测试集；步骤S2：使用多种群和种群动态进化的策略改进鲸鱼优化算法提高鲸鱼优化算法的寻优能力；步骤S3：将改进后的鲸鱼优化算法用于LSTM神经网络的参数寻优，训练具有较优参数结构的LSTM神经网络；步骤S4：使用改后的LSTM神经网络预测预测化合物水溶性；利用本发明训练的LSTM深度学习模型，能够准确预测化合物水溶性；对传统的鲸鱼优化算法进行优化，提高了寻优精度和算法收敛效率；将深度学习与群体智能优化算法应用于化合物水溶性预测，为化合物相关性质预测的研究工作提供了有价值的参考。

技术领域

本发明属于化合物水溶液预测技术领域，尤其是涉及一种动态进化鲸鱼优化算法的化合物水溶性预测方法。

背景技术

人体80％是由水构成的，因此水溶性在麻醉药和其他药物研发过程中非常重要，其对各种药物的毒性和体内功效、生物活性、药代动力学等性质有着重要的影响。在药物研发的每个阶段都应重点关注药物的水溶性，准确高效进行化合物水溶性预测是降低药物研发的成本，保证药物研发成功的关键；化合物水溶性预测在涂料的选材，涂层和电池设计等方面都非常重要，如何测定和预测化合物的水溶性是一个复杂而普遍的难题，逐渐引起人们的关注与重视。

对于化合物水溶性的预测能够有效地推动医药行业的发展，但是目前对于化合物水溶性的预测，主要使用基于传统的动力学和热力学方法，其具有成本高、无法实现大规模化合物筛选的特点。

传统的机器学习方法能够实现化合物的水溶性预测，但是数据的输入特征和数据量较少使得模型准确率不高，而当数据量足够大时，运算效率又会很慢，制约了传统机器学习的准确率。深度学习的出现极好的解决了这一问题，其中LSTM作为深度学习了一种，被广泛用于数据的预测与分析，已成功解决空气污染、交通流量等的预测；然而LSTM神经网络具有很多的参数，这些参数很大程度上影响LSTM神经网络的预测效果。

例如，一种在中国专利文献上公开的“基于WOA-LSTM-MC的水文时间序列预测优化方法”，其公开号为CN112733997A，包括寻优精度较低，算法收敛速度较慢，导致算法计算效率低等问题。

发明内容

本发明是为了克服现有技术中，对化合物的水溶性预测成本高、无法实现大规模化合物筛选，机器学习方法数据的输入特征和数据量较少使得模型准确率不高，而当数据量足够大时，运算效率降低，制约了传统机器学习的准确率等问题，提供一种动态进化鲸鱼优化算法的化合物水溶性预测方法，提高寻优精度、算法收敛速度，提高算法计算效率。

为了实现上述技术目的，本发明采用以下技术方案：

一种动态进化鲸鱼优化算法的化合物水溶性预测方法，其特征是，具体包括以下步骤：

步骤S1：采集化合物水溶性数据，形成数据集，并结合数据集将采集数据划分为训练集和试验集。

步骤S2：使用多种群和种群动态进化策略对传统的鲸鱼优化算法进行优化，提高鲸鱼优化算法的寻优精度与收敛速度。

步骤S3：使用多种群动态进化的鲸鱼优化算法对LSTM神经网路模型的迭代次数Max_epochs、批处理量大小Batch_size、隐藏层的神经元个数Hidden_size、神经网络的学习率Lr进行参数优化，确定具有最优参数组合的LSTM神经网络模型。

步骤S4：根据步骤S3所得的LSTM模型，进行化合物水溶性预测分析过程。

对传统的鲸鱼优化算法进行优化，提高了寻优精度和算法收敛效率，再将这种优化后的鲸鱼优化算法用于LSTM神经网络参数的优化，再将优化后的LSTM神经网络应用于化合物水溶性预测，提高了化合物水溶性预测的准确率和神经网络参数寻优的效率。