融合混合知识与MCTS的针灸排序方案设定方法

发布时间：2023-11-27 20:20

　　传统的序列决策方法旨在对决策过程与决策步骤进行建模,以求解得到最优的决策序列.然而,序列决策建模过程对目标函数的确定性要求高,且序列搜索的算法多以深度优先或广度优先等遍历搜索为主,鲜有考虑搜索过程的随机性.蒙特卡洛树搜索算法(Monte Carlo tree search,MCTS)虽然适合求解随机序列搜索问题,但目前仅应用于博弈型搜索过程,鲜有探讨需要专家参与的知识约束序列决策的搜索策略,另外,传统MCTS算法往往存在搜索范围过大、收敛不及时等问题.为此,提出一种融合群决策经验型知识和部分确定型决策序列片段的混合知识约束的MCTS序列决策方法,并给出了详细的求解流程.最后,将所提方法应用于一类中风后吞咽功能障碍针灸穴位排序方案制订问题,给出了融合混合知识与MCTS的针灸排序方案设定方法,并与其他方法进行对比,验证了所提方法的可行性和有效性,为年轻医师的针灸方案制订技能的标准化培训工作奠定了方法基础.

【文章页数】：15 页

【文章目录】：
1 基于混合知识的决策序列优先度的评价方法
    1.1 基于混合知识的决策序列评价模块
    1.2 混合知识萃取模块
        1.2.1 基于群决策的经验型知识
        1.2.2 经验型和确定型知识的融合
        1.2.3 反馈矩阵
    1.3 基于混合知识的序列评价模块
        1.3.1 子序列片段的分段机制
        1.3.2 完整序列的优先度评价
2 基于混合知识的MCTS序列决策方法
    2.1 传统MCTS算法
    2.2 改进的MCTS-树策略优化方法
    2.3 基于混合知识UCT-max的序列决策
3 实例研究
    3.1 针灸穴位排序问题
        3.1.1 构建混合先验知识
            1)基于循证医学的确定型知识获取
            2)基于专家群决策的经验型知识获取
            3)反馈矩阵
            4)混合知识的作用
        3.1.2 针灸治疗序列分割操作
        3.1.3 子序列片段的优先度量化
        3.1.4 关于评价模块正确性的研讨
    3.2 融合混合知识与MCTS的针灸排序方案设定
        3.2.1 基于混合知识的MCTS序列决策算法流程
        3.2.2 实验结果与分析
        3.2.3 临床医学验证
    3.3 对比与讨论
        1)收敛性对比
        2)算法复杂度比较
        3)对比汇总
    3.4 小结
4 总结与展望
    附录A基于模糊互补矩阵的群决策方法
    附录B基于循证医学的吞咽障碍治疗的有效穴位使用信息
    附录C基于群决策方法的“多维”穴位子序列片段的优先级
    附录D基于附录A和附录B得到的部分子序列浦安端的评价值“字典”



本文编号：3868507