基于粒子群算法的三重四极杆质谱仪参数优化方法及系统
文献发布时间:2023-06-19 11:39:06
技术领域
本发明涉及质谱仪参数优化领域,特别涉及一种基于粒子群算法的三重四极杆质谱仪参数优化方法及系统。
背景技术
三重四极杆质谱仪广泛应用于环境、食品、生物制药、医学诊断等领域,特别是在临床检验方面,际上使用三重四极杆质谱仪开展的检验项目已达400余项,涉及产前检查、新生儿筛查、药物监测、类固醇激素检测以及维生素检测等方面。三重四极杆质谱仪已经是化合物定性定量分析的一个重要仪器。
在应用三重四极杆质谱仪之前首要的操作就是——调谐,即找到生成质量最佳质谱图最优的参数组合。三重四极杆质谱仪设置的参数较多,寻找到对应物质的全局最优参数组合相对苦难,通常以人工形式进行质谱仪参数调谐。然而这需要质谱仪的应用人员拥有丰富的仪器调试经验,但依旧会花费大量精力与时间,这大大耗费了用户的精力。因此许多质谱仪厂商也推出了一些自动调谐的方法,但大多采用调整单一参数固定其他参数,多次迭代的方式进行,这样做的好处是能够大大降低调谐的时间,用户无需在调谐上花费太多的精力和时间,但其也存在明显的缺点:无法调出全局的最优参数组合,仅仅是局部最优参数组合,是无法得出高质量的谱图。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于粒子群算法的三重四极杆质谱仪参数优化方法及系统。
为解决上述技术问题,本发明采用的技术方案是:一种基于粒子群算法的三重四极杆质谱仪参数优化方法,包括以下步骤:
1)将三重四极杆质谱仪的需要优化的四个参数DP、EP、RO2、CXP分别使用符号x
将4个参数的优化过程转变为粒子i的更新过程,在粒子i的更新过程中,距离最佳参数坐标位置最近的位置为
粒子i的更新过程为:
其中rand()为[0,1]之间的随机数,c
2)初始化参数;
3)初始化粒子位置;
4)依据以下式(3)的代价函数计算粒子目标函数值:
Φ=Φ(x) (3);
其中,代价函数的定义:x表示输入质谱的参数,Φ则表示质谱检测出目标物的峰强度,代价函数Φ是x的非线性函数;
5)通过确定单个粒子历史最佳位置
上标k表示时刻,下标i表示对粒子的索引,所以
6)更新粒子的惯性参数ω,更新过程为:
其中,ω
7)按照以上的公式(1)和(2)更新粒子的速度和位置,预先设定速度的最大值v
8)再按照公式(3)计算粒子目标函数值,判断粒子是否收敛,若是,则输出最优解x
优选的是,所述步骤2)中初始化的参数包括:ω、v
优选的是,所述步骤1)中的c
优选的是,所述步骤2)中初始化时ω=1.6,v
优选的是,所述步骤7)中,ω
优选的是,所述步骤8)中判断粒子是否收敛的依据为:|Φ(x
优选的是,所述步骤8)中当迭代次数超出t
本发明还提供一种基于粒子群算法的三重四极杆质谱仪参数优化系统,其采用如上所述的方法对三重四极杆质谱仪进行参数优化。
本发明还提供一种存储介质,其上存储有计算机程序,该程序被执行时用于实现如上所述的方法。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明的有益效果是:
1)本发明应用粒子群的思路进行三重四极质谱仪的参数优化,可以在短时间内找到相对最优的解(参数组合),以使得三重四极质谱仪工作在较好的状态。
2)传统的优化方法一般采用单参数扫描其余参数固定,轮换扫描参数的方式进行优化,容易陷入到局部最优解中,难以使仪器达到比较好的状态工作;而本发明的方法进行参数优化则可以逼近甚至达到全局的最优解,使质谱仪可以工作在比较好的状态,从而能够得到满意的实验结果。
附图说明
图1为本发明的基于粒子群算法的三重四极杆质谱仪参数优化方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
三重四极质谱仪的Q3 POS模式调谐过程中,需要调谐的基本参数有DP、EP、RO2、CXP四个参数,在调谐过程中就是选择出这四个参数的最佳组合,四个参数构成了一个四维空间,根据其范围,一共有33,000,000种组合,如果全部都进行实验,则等待的时间将十分漫长。为解决该问题,本发明提供了一种基于粒子群算法的优化方法,该方法使用了粒子群的基本思想,粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值,粒子群中最优的个体极值作为当前全局最优解,通过不断迭代,更新速度和位置,最终得到满足终止条件的最优解。粒子群算法(Particle Swarm Optimization,PSO)最早是由Eberhart和Kennedy于1995年提出,它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景:一群鸟在随机搜寻食物,在这个区域里只有一块食物,所有的鸟都不知道食物在哪里,但是它们知道当前的位置离食物还有多远。最简单有效的策略,寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。
本发明的建模过程中需要建立一个四维空间,以上四个参数分别使用符号x
参照图1,本实施例的一种基于粒子群算法的三重四极杆质谱仪参数优化方法,包括以下步骤:
1)将三重四极杆质谱仪的需要优化的四个参数DP、EP、RO2、CXP分别使用符号x
四维空间中的一个点可以称之为一个粒子,将4个参数的优化过程转变为粒子i的更新过程,假定一共存在N个粒子,这个N是可配置的,在粒子i的更新过程中,距离最佳参数坐标位置最近的位置为
粒子i的更新过程为:
其中rand()为[0,1]之间的随机数,c
2)初始化参数:ω、v
3)初始化粒子位置;
4)依据以下式(3)的代价函数计算粒子目标函数值:
Φ=Φ(x) (3);
其中,代价函数的定义:x表示输入质谱的参数,Φ则表示质谱检测出目标物的峰强度,代价函数Φ是x的非线性函数;
5)通过确定单个粒子历史最佳位置
上标k表示时刻,下标i表示对粒子的索引,所以
6)更新粒子的惯性参数ω,更新过程为:
其中,ω
7)按照以上的公式(1)和(2)更新粒子的速度和位置,预先设定速度的最大值v
8)再按照公式(3)计算粒子目标函数值,判断粒子是否收敛,若是,则输出最优解x
其中,所述步骤8)中判断粒子是否收敛的依据为:|Φ(x
其中,所述步骤8)中当迭代次数超出t
本发明中将粒子群算法应用于三重四极质谱仪的参数优化,由于三重四极质谱仪在应用过程中,参数较多,可能的组合多达上千万,如果每一个参数都优化,则将陷入难以接受的等待中;而使用本发明的方法可以使用较短的时间达到全局最优组合的附近。
本发明中针对单一参数优化迭代算法导致的优化过程陷入到局部最优解而无法跳出的缺陷,使用了改进的粒子群算法,将粒子群算法中的惯性参数ω改进成为时变函数,即随着时间的推进ω变小;这样的好处在于能够更加精细的靠近全局最优点,而且能够使得系统快速收敛。
实施例2
本实施例提供一种基于粒子群算法的三重四极杆质谱仪参数优化系统,其采用实施例1的方法对三重四极杆质谱仪进行参数优化。
实施例3
本实施例提供一种存储介质,其上存储有计算机程序,该程序被执行时用于实现实施例1的方法。
实施例4
本实施例提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1的方法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
- 基于粒子群算法的三重四极杆质谱仪参数优化方法及系统
- 一种基于Hopfield模型的三重四极杆质谱仪谱图分类方法