發(fā)布時間：2020-06-03 18:42

【摘要】：研究背景:隨機對照試驗(Randomized Controlled Trial,RCT)被認為是證據(jù)等級最高的研究設計,是研究因果效應(Causal Effect)的金標準。但RCT研究并不能解決醫(yī)學研究中的所有問題。由于觀察性研究(observational study)不對研究對象進行隨機分組,并且相對RCT更加節(jié)省費用和時間,因此越來越受到生物醫(yī)學科研人員的關注。但觀察性研究的研究對象基線變量在各個分組間存在著明顯差異,存在混雜偏倚,從而影響處理效應估計(estimation of treatment effects)的準確性。傾向性評分法(Propensity Score,PS)是常見的可以用來控制可觀測混雜的方法,其中,傾向性評分匹配法(Propensity Score Matching,PSM)應用最為廣泛。PSM的基本思想是將PS相同或相近的處理組與對照組對象進行匹配,從而使得匹配后兩組對象基線協(xié)變量均衡可比,控制混雜效應對處理效應估計的偏倚。為了控制匹配質量,只有處理組與對照組對象的PS距離小于設定好的一個值(卡鉗值,caliper)時,才能形成匹配,該匹配方法稱為傾向性評分卡鉗匹配(Propensity Score Caliper Matching,PSCM)。此時由于部分處理組對象無法再對照組中找到PS距離小于卡鉗值的對象從而排除匹配,因此會損失部分的樣本。樣本量損失的多少與卡鉗值設置的大小有關。傳統(tǒng)的PSM使用的是PS的點估計,未考慮抽樣誤差,損失了部分傾向性評分的信息。因此有學者提出使用傾向性評分的置信區(qū)間(confidence Interval,CI)進行匹配,稱為傾向性評分區(qū)間匹配(Propensity Score Interval Matching,PSIM)。PSIM能使匹配率得到顯著提升,尤其是在樣本量較小的情況下。但可能導致匹配后組間協(xié)變量均衡性變差�；谶\籌學整數(shù)規(guī)劃問題中的指派問題(assignment problem)基本思想所構建的全局最優(yōu)匹配(global optimal matching),著眼于使所有形成配對對象的傾向性評分距離之和達到最小或傾向性評分置信區(qū)間重合度之和達到最大,從而提高匹配質量,增加組間協(xié)變量的均衡性。因此,本研究將全局最優(yōu)匹配算法用于優(yōu)化PSIM,構建全局最優(yōu)的傾向性評分區(qū)間匹配(Global Optimal Propensity Score Interval Matching,GOPSIM)算法,在增加匹配率的同時進一步平衡組間協(xié)變量,并將該算法擴展到處理因素為無序三分類的情形,以滿足實際研究中的需要。研究目的:觀察性研究中存在較強混雜效應或樣本量較小的情形下,使用PSCM會損失較多樣本。若不使用卡鉗匹配,組間協(xié)變量的均衡性就可能較差。本研究針對這一系列問題,提出能提高匹配率、提升效應估計準確度以及增加統(tǒng)計效率的PSIM方法。并將能進一步優(yōu)化匹配質量,提升匹配后基線均衡性的基于“指派問題”的全局最優(yōu)算法應用于PSIM中。并將該匹配算法從處理因素為兩分類擴展到無序三分類的情形。通過數(shù)據(jù)模擬研究,探索最優(yōu)的PSIM的卡鉗重合度,以及評價全局最優(yōu)傾向性評分區(qū)間匹配的估計效應的準確性和精確性,從而構建最優(yōu)的匹配算法。再將優(yōu)化后的匹配算法應用于第五次全國衛(wèi)生服務調查(上海地區(qū))的實例研究中。研究方法:1.匹配算法構建本研究分別針對對兩分類和無序三分類兩種處理因素類別數(shù),從優(yōu)化性能(局部最優(yōu)、全局最優(yōu))、匹配方法(點估計匹配、置信區(qū)間匹配)和卡鉗設置情況(卡鉗值、卡鉗區(qū)間)等3個方面的不同水平組合進行匹配算法的構建,各構建2*2*2=8種匹配算法,共計16種。2.模擬數(shù)據(jù)集生成(1)兩分類處理因素首先生成自變量,根據(jù)變量關系矩陣生成18個自變量,其中9個服從發(fā)生事件率為0.5的伯努利分布的兩分類自變量X_1-X_9,以及9個服從均數(shù)為0,方差為1的正態(tài)分布連續(xù)性自變量X_1 _0-X_1 _8。使用logit函數(shù)和伯努利函數(shù),并根據(jù)混雜效應的三種強度生成兩分類處理變量,調整常數(shù)項使接受處理的對象比例控制在30%左右。最后,根據(jù)結局變量和處理變量與協(xié)變量的相關關系,使用logit函數(shù)和伯努利函數(shù)生成兩分類結局變量,調整常數(shù)項使發(fā)生結局的比例控制在20%左右。兩分類處理因素的模擬研究設置了3種樣本量大小(200、500和1000)、3種混雜效應大小、6種處理效應大小共3*3*6=54種情形。每個情形生成1000個數(shù)據(jù)集,共產生了54,000個模擬數(shù)據(jù)集。(2)無序三分類處理因素自變量的生成跟處理因素為兩分類一致。使用logit函數(shù)和多項分布函數(shù),并根據(jù)混雜效應的三種強度生成三分類處理變量,調整常數(shù)項使三個處理水平發(fā)生的比例控制在2:3:5左右。最后根據(jù)處理變量、協(xié)變量和結局變量的關系,logit函數(shù)和伯努利函數(shù)生成兩分類的結局變量,調整常數(shù)項使結局變量發(fā)生的比例控制在20%左右。無序三分類處理因素的模擬研究設置了2種樣本量(500和1000)、3中混雜效應大小、兩種處理效應大小,共2*3*2=12種情形。每種情形生成1000個數(shù)據(jù)集共12,000個模擬數(shù)據(jù)集。3.匹配算法的評價本研究根據(jù)以下7種評價指標來評價不同匹配算法的表現(xiàn)性能,包括:處理效應估計的絕對偏倚(absolute bias)、處理效應估計的相對偏倚(percent bias)、處理效應估計的方差(variance)、處理效應估計的均方誤差(mean squared error)、處理效應估計的95%置信區(qū)間覆蓋率(coverage of 95%CI)、匹配率和協(xié)變量組間標準化差異(standardized difference)。使用一般線性模型(general linear model,GLM)估計不同匹配方法7個評價指標的邊際均數(shù)(marginal means),從而判斷不同匹配方法的匹配性能的優(yōu)劣。4.實例分析以上海區(qū)第五次國家衛(wèi)生服務調查數(shù)據(jù)作為實例分析部分的資料來源。處理因素為二分類的實例為上海市郊區(qū)65歲以上獨居老人與非獨居老人的自評健康狀況差異;處理因素為無序三分類的實例為上海市某區(qū)參保三種不同基本醫(yī)療保險的65歲以上老年女性居民的衛(wèi)生服務利用情況比較分析。研究結果:1.模擬研究結果(1)傾向性評分區(qū)間匹配(1)處理因素為兩分類兩分類處理的局部最優(yōu)匹配共四種,分別是兩分類傾向性評分最鄰近匹配(PSNNM2)、傾向性評分卡鉗匹配(PSCM2)、傾向性評分最大區(qū)間重合度匹配(PSMIOM2)和傾向性評分區(qū)間匹配(PSIM2)。這4種匹配方法均能很大程度上降低處理效應的估計偏倚,并使得協(xié)變量在組間相對均衡。在未進行匹配時,處理效應估計的絕對偏倚和相對偏倚均很大。PSNNM2、最優(yōu)卡鉗值的PSCM2和PSMIOM2較其他方法絕對偏倚和相對偏倚均較大。其余匹配方法均能達到非常好的處理效應估計準確性。除了PSMIOM2外,其余匹配方法均能使協(xié)變量達到均衡狀態(tài)。PSIM2絕對偏倚的絕對值在大多數(shù)的卡鉗區(qū)間下均小于最優(yōu)卡鉗匹配,且有較高的匹配率。隨著卡鉗區(qū)間的減小,絕對偏倚也隨之增加,當卡鉗區(qū)間為0.60時絕對偏倚最接近0。此外,隨著卡鉗區(qū)間的增加,匹配率的逐漸下降。相反地,組間均衡性卻增加。匹配率和協(xié)變量的組間均衡性互相矛盾,匹配率的增加會使協(xié)變量組間均衡性變差。(2)處理因素為無序三分類無序三分類處理的局部最優(yōu)匹配共四種,分別是處理因素為無序三分類傾向性評分最鄰近匹配(PSNNM3)、傾向性評分卡鉗匹配(PSCM3)、傾向性評分最大區(qū)間重合度匹配(PSMIOM3)和傾向性評分區(qū)間匹配(PSIM3)。對于不同卡鉗區(qū)間的PSIM3,隨著卡鉗區(qū)間的增加,協(xié)變量的平均標準化差異隨之降低。相應地,匹配率也會隨之下降。當實際數(shù)據(jù)的三個處理組的基線協(xié)變量差異較大時,模擬研究結果顯示,卡鉗區(qū)間設置為2.8時,可以更好地控制組間協(xié)變量的均衡性。反之,當基線協(xié)變量較均衡時,可以選取2.4作為卡鉗區(qū)間來保證較高的匹配率,使得更多的對象可以形成匹配。(2)全局最優(yōu)傾向性評分匹配(1)處理因素為兩分類變量兩分類的全局最優(yōu)傾向性匹配共四種:兩分類處理全局最優(yōu)傾向性評分最鄰近匹配(GOPSNNM2)、全局最優(yōu)傾向性評分卡鉗匹配(GOPSCM2)、全局最優(yōu)傾向性評分最大區(qū)間重合度匹配(GOPSMIOM2)和全局最優(yōu)傾向性評分區(qū)間匹配(GOPSIM2)。GOPSMIOM2的處理效應估計的絕對偏倚和相對偏倚均較大,但其處理效應估計的方差與其他匹配方法差不多。由于偏倚較大的原因,該匹配方法的均方誤差較大、處理效應估計的95%置信區(qū)間覆蓋率較低、協(xié)變量的組間均衡性較差。在各種卡鉗區(qū)間重合度的GOPSIM2中,隨之卡鉗值的增加,處理效應估計的絕對偏倚也隨之增加。匹配率和協(xié)變量平均標準化差異均隨著卡鉗區(qū)間重合度的增加而增加。當卡鉗區(qū)間重合度為0.45時,匹配率較低,此時的平均標準化差異最小當卡鉗區(qū)間重合度為0.90時,匹配率較高,此時的協(xié)變量平均標準化差異為5.02%,也遠遠小于10%的閾值�？偟膩砜�,所有匹配方法均能得到一個偏倚較小的處理效應估計。絕對偏倚最大的匹配方法是GOPSMIOM2,最小的是GOPSIM2-60。相對偏倚與絕對偏倚相類似。各個匹配方法的處理效應估計的方差均較小且很接近�；�協(xié)變量的平均標準化差異和匹配率呈正比關系。在沒有進行卡鉗區(qū)間篩選之前,協(xié)變量的平均標準化差異較大。通過卡鉗區(qū)間的篩選,協(xié)變量的平均標準化差異顯著下降。隨著卡鉗區(qū)間重合度的增加,平均標準化差異逐漸下降。匹配率也隨之減小�？傮w來看,GOPSIM2-90的標準化差異較小,匹配率較高。(2)處理因素為無序三分類變量在GOPSCM3和GOPSNNM3中,不同匹配方法得到的處理效應估計的絕對偏倚和相對偏倚相對接近。絕對偏倚最大的匹配方法為卡鉗值0.01的GOPSCM3。絕對偏倚最小的匹配方法是卡鉗值0.02的GOPSCM3。處理效應估計的方差與偏倚的大致呈反比,偏倚越小方差越大。不同匹配方法間方差的差異不大�；�協(xié)變量的平均標準化差異和匹配率呈正比,匹配率越高,平均標準化差異也越大。GOPSNNM3的匹配率100.00%,隨著卡鉗值從0.5減小到0.01,匹配率從99.04%下降到56.47%,平均標準化差異從18.62%下降為6.44%。除了卡鉗值為0.01的GOPSCM3,其余所有匹配方法協(xié)變量平均標準化差異小于10%,可認為協(xié)變量均衡可比。在GOPSMOIM3和GOPSIM3中,絕對偏倚最大的匹配方法是GOPSMIOM3(0.096),最小的是GOPSIM3-75(0.069)。相對偏倚與絕對偏倚相類似,也是GOPSMIOM最大(5.903%),GOPSIM3-75最小(4.384%)。各個匹配方法的處理效應估計的方差均較小,基本在0.075附近。由于GOPSMIOM3的處理效應的偏倚和方差均較大,因此其處理效應估計的均方誤差也最大(5.094)。7種卡鉗區(qū)間的GOPSIM3的均方誤差較接近�；�協(xié)變量的平均標準化差異和匹配率呈正比關系。在沒有進行卡鉗區(qū)間篩選之前,協(xié)變量的平均標準化差異較大(16.14%),大于了10%的推薦閾值。通過卡鉗區(qū)間的篩選,協(xié)變量的平均標準化差異顯著下降�？傮w來看,GOPSIM3的標準化差異較小,匹配率較高。2.實例研究結果(1)上海市郊區(qū)65歲以上空巢老年居民自評健康狀況研究排除了協(xié)變量或處理變量存在缺失的居民,最終477名獨居老人和902名非獨居老人納入傾向性評分估計的模型。PSNNM2、PSMIOM2、GOPSNNM2和GOPSMIOM2的匹配率均為100%,GOPSCM2的匹配率最低,為38.99%,PSIM2匹配率最高45.49%。協(xié)變量平均標準化差異(Standardized Difference,SD)在匹配前為23.01%,四種沒有設置卡鉗值和卡鉗區(qū)間,因此,這四種方法的協(xié)變量平均SD比較大,均大于10%。PSCM2的平均SD最小為5.28%。使用Wilcoxon秩和檢驗比較獨居老人和非獨居老人的自評健康狀況,在匹配前,獨居老人和非獨居老人的自評健康差異有統(tǒng)計學意義,P0.0001。但在進行PSM后,8種匹配方法的結果均為獨居老人和非獨居老人的自評健康狀況差異無統(tǒng)計學意義(P值均大于0.05)。區(qū)間匹配能比點估計的匹配增加一定的匹配率,例如把PSCM2的匹配率從41.51%提升到PSIM2的45.49%,把GOPSNNM2的38.99%提升到GOPSIM2的44.86%。但是,協(xié)變量的標準化差異變化不大,增加了不到2%。說明不論是否聯(lián)合和全局最優(yōu)匹配的算法,區(qū)間匹配能在幾乎不影響協(xié)變量組間均衡性的情況下,一定程度的提升匹配率,尤其是在樣本量比較小,或者兩個處理組間協(xié)變量分布差異較大時,優(yōu)勢更加明顯。(2)上海市某區(qū)老年女性居民醫(yī)保類型對衛(wèi)生服務利用的影響本實例研究對象納入標準為上海市某區(qū)65歲以上老年女性居民,若其基本醫(yī)療保險參保情況缺失則排除本實例研究。通過整理數(shù)據(jù),本實例共納入了532名參保城鎮(zhèn)職工基本醫(yī)療保險居民、343民城鎮(zhèn)居民基本醫(yī)療保險參保居民以及235名新農村合作醫(yī)療系統(tǒng)參保居民,共1110人。PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3的匹配率為100%。但這四種匹配方法的協(xié)變量均衡性較差,均大于了10%,但顯著地低于匹配前的27.88%。PSIM3的匹配率在其余的四種匹配方法中最高,達到了58.88%。GOPSCM3的匹配率最低,僅為42.26%。通過卡鉗值或卡鉗區(qū)間的控制,這四種匹配方法的協(xié)變量均衡性有了很大的提升,協(xié)變量平均SD均小于了10%。其中GOPSCM3的協(xié)變量均衡性最好,平均SD僅為6.42%。在匹配前,由于存在大量混雜偏倚,未能檢驗出三組間的兩周就診率的差異。但在經(jīng)過PSM后,PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3卡方檢驗的P值均小于0.05,認為參保三種醫(yī)保類型的居民兩周就診率差異有統(tǒng)計學意義。與模擬研究相類似,PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3四種匹配方法沒有設置卡鉗值或卡鉗區(qū)間,匹配率為100%,但這四種方法的協(xié)變量均衡性就稍差一些。其余四種方法設置了卡鉗值或卡鉗區(qū)間,因此協(xié)變量均衡性有所提升。使用PSNNM3匹配有統(tǒng)計學意義,而設置了卡鉗值后PSCM3就沒有統(tǒng)計學意義了。這可能是由于設置了卡鉗值后導致了樣本量的損失,使得檢驗效率降低。但是,使用了區(qū)間匹配后,PSIM3的匹配率比PSCM3高出了一些,提升了部分的檢驗效率,因此又檢驗出了統(tǒng)計學差異。研究結論:卡鉗區(qū)間為0.60的PSIM2在探索的16種卡鉗區(qū)間的PSIM2中有著最優(yōu)的表現(xiàn)。因此,通過本研究的模擬實驗,推薦在進行PSM時,尤其是樣本量比較小的時候,使用卡鉗區(qū)間為0.60的PSIM2能得到較好的匹配。隨著卡鉗值的減小或卡鉗區(qū)間重合度的增加,PSCM3或PSIM3的組間協(xié)變量均衡性會變的更均衡,但是匹配率會隨之下降。通過權衡兩者,并且結合處理效應估計的指標,本研究推薦使用卡鉗區(qū)間為2.6的PSIM3進行處理效應為無序三分類的PSM。通過實例研究,進一步驗證了匹配算法有著較好的表現(xiàn)性能。經(jīng)過8種兩分類傾向性評分匹配分析,上海郊區(qū)65歲以上獨居與非獨居老年女性居民的自評見狀況差異均無統(tǒng)計學意義,敏感性分析的結果也顯示差異無統(tǒng)計學意義。使用8種無序三分類傾向性評分匹配分析上海市某區(qū)65歲以上老年女性居民醫(yī)保類型對兩周就診率是否存在差異。經(jīng)過PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3后,假設檢驗P值小于0.05,說明參保三種基本醫(yī)療保險的居民的兩周就診率差異有統(tǒng)計學意義。敏感性分析結果也得到類似的結果。
【圖文】：

-22-圖 1 本研究構建的匹配算法關系圖（二）模擬數(shù)據(jù)集的產生本研究使用蒙特卡羅（Monte Carlo）數(shù)據(jù)模擬技術，模擬產生研究所需的數(shù)據(jù)集。模擬研究（simulation study）指的是用計算機強大的處理能力來評估各種統(tǒng)計方法的表現(xiàn)性能的研究方法[24]。貼合實際研究數(shù)據(jù)的復雜程度，首先隨機產生 18 個協(xié)變量，其中 9 個為兩分類變量，9 個為連續(xù)型變量。再根據(jù)這 18 個協(xié)變量與處理變量的關聯(lián)程度產生處理變量。本研究考慮了處理變量為兩分類和無序三分類兩種情形。最后根據(jù)協(xié)變量、處理變量與結局變量的關聯(lián)程度產生兩分類的結局變量。模擬數(shù)據(jù)集具

（三）匹配算法的評價在本研究中采用處理效應估計的絕對偏倚、處理效應估計的相對偏倚、處理效應估計的方差、處理效應估計的均方誤差、處理效應估計的 95%置信區(qū)間覆蓋率、匹配率和匹配后樣本的基線協(xié)變量的均衡性這 7 種評價指標來評價各種匹配算法在各種數(shù)據(jù)情形下的表現(xiàn)性能。（四）實例應用所構建的匹配算法應用于第五次國家衛(wèi)生服務調查數(shù)據(jù)(上海市)。探索上海郊區(qū)65歲以上獨居與非獨居老人（兩分類）的自評健康水平是否存在統(tǒng)計學差異，，以及三種不同醫(yī)保類型（三分類）的居民對于衛(wèi)生服務利用（兩周門診就診率）是否存在統(tǒng)計學差異。以期用真實的案例研究來評價和比較本研究所探索的各種傾向性評分匹配的表現(xiàn)性能以及適用情形。二、技術路線
【學位授予單位】：中國人民解放軍海軍軍醫(yī)大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：O221.4;R195.1

【相似文獻】

相關期刊論文 前10條

1 曲明;全局最優(yōu)的法式分段線性建模[J];電子學報;1989年03期

2 葉小勇;雷勇;侯海軍;;蟻群算法在全局最優(yōu)路徑尋優(yōu)中的應用[J];系統(tǒng)仿真學報;2007年24期

3 �？劭�;火久元;梅凱;;一種帶搜索因子的全局最優(yōu)人工蜂群算法[J];重慶理工大學學報(自然科學);2017年06期

4 李歡;柳麗娜;;一類特殊六次規(guī)劃問題的全局最優(yōu)充分條件[J];湖北民族學院學報(自然科學版);2018年04期

5 何墉;李春娟;孫廣東;;Buck變換器的全局最優(yōu)滑模控制器設計[J];洛陽理工學院學報(自然科學版);2010年03期

6 陳農;非線性最優(yōu)解在氣動參數(shù)辨識中的應用[J];飛行力學;2002年01期

7 陳金輝;韓媛媛;張國瑞;董杰;;一種基于全局最優(yōu)MPPT的混合控制策略研究[J];電力電子技術;2017年11期

8 黃敏;江渝;毛安;姜琪;;基于全局最優(yōu)位置自適應選取與局部搜索的多目標粒子群優(yōu)化算法[J];計算機應用;2014年04期

9 陳東彥;余永龍;胡軍;;具有相關噪聲和不確定觀測系統(tǒng)的全局最優(yōu)Kalman濾波[J];哈爾濱理工大學學報;2015年04期

10 李連鋒,王廣雄,姚遠;全局最優(yōu)魯棒控制器設計[J];控制理論與應用;2001年02期

相關會議論文 前6條

1 徐滇生;毛緒瑾;;遺傳算法在自控領域的應用初探[A];1992年控制理論及其應用年會論文集（下）[C];1992年

2 劉志宏;胡永明;施工;;特征統(tǒng)計算法及其在多極值優(yōu)化問題上的應用[A];全國計算物理學會第六屆年會和學術交流會論文摘要集[C];2007年

3 張德欣;周含冰;楊佳;陳元友;;約束條件下電子裝備多目標分配的蟻群優(yōu)化[A];全國第五屆信號和智能信息處理與應用學術會議�？�(第一冊)[C];2011年

4 焦寨軍;沈兵;李紅江;;幾種遺傳算法在艦船電力系統(tǒng)網(wǎng)絡重構中應用及比較[A];現(xiàn)代船舶機電維修技術（2005）[C];2005年

5 陳俊風;任子武;范新南;;一種基于改進單純形法和粒子群算法的混合優(yōu)化算法[A];第25屆中國控制會議論文集（中冊）[C];2006年

6 羅文彩;陳小前;王振國;;多方法協(xié)作優(yōu)化方法研究[A];2008’“先進集成技術”院士論壇暨第二屆儀表、自動化與先進集成技術大會論文集[C];2008年

相關博士學位論文 前4條

1 郭軼斌;分類資料全局最優(yōu)傾向性評分區(qū)間匹配的研究與應用[D];中國人民解放軍海軍軍醫(yī)大學;2019年

2 田君楊;基于矩量理論的電力系統(tǒng)全局優(yōu)化算法研究[D];廣西大學;2014年

3 周自維;基于立體視覺的環(huán)境構建及機器人路徑規(guī)劃研究[D];哈爾濱工業(yè)大學;2014年

4 鄭建冬;基于單數(shù)碼相機的三維攝影測量理論與關鍵技術研究[D];南京航空航天大學;2013年

相關碩士學位論文 前10條

1 游琛;改進的非概率全局最優(yōu)解法及其在梁橋可靠度評估中的應用[D];武漢工程大學;2017年

2 唐成;運輸優(yōu)化問題中常見啟發(fā)式算法比較與研究[D];西南交通大學;2014年

3 田東平;一種結合混沌搜索的自適應遺傳算法[D];上海師范大學;2007年

4 鐘珍;關于圖像和視頻彩色化算法的研究與實現(xiàn)[D];上海交通大學;2011年

5 管婷婷;多目標粒子群算法在物流配送中的應用研究[D];南昌大學;2012年

6 王霄;基于多智能體進化算法的聚類及其在圖像分割中的應用[D];西安電子科技大學;2014年

7 龐峰;模擬退火算法的原理及算法在優(yōu)化問題上的應用[D];吉林大學;2006年

8 高博;基于精英策略的混合粒子蟻群算法改進[D];燕山大學;2011年

9 趙禮陽;求解幾類二層規(guī)劃最優(yōu)解的相關算法研究[D];重慶師范大學;2016年

10 湯繼濤;全局智能優(yōu)化算法的研究[D];江南大學;2014年

本文編號：2695234