Predictive Modeling of Bacteria-Based Nanonetwork Performance Using Simulation-Driven Machine Learning and Genetic Algorithm Optimization

doi:10.1002/adts.202501275

2025-09-01

PRE

DOI：10.1002/adts.202501275

原文链接

原文求助

摘要

En 中文

基于细菌的纳米网络（BN）为在传统通信方法无效的环境中实现纳米机器（NMs）之间的信息交换提供了一种受生物启发的解决方案。本研究提出了一种BN系统的二维仿真模型，该模型捕捉了单个大肠杆菌（E. coli）细菌在变化的环境条件下从发射器（TX）向接收器（RX）导航的趋化行为。关键参数，包括化学引诱剂释放率（Q）、TX-RX距离（d）和细菌寿命（），被系统地变化以评估其对通信性能的影响，该性能以到达时间和成功率来衡量。为在不需进行计算成本高昂的重复仿真的情况下实现精确的性能预测，构建了一个基于多种机器学习（ML）技术（包括线性回归（LR）、随机森林（RF）和多层感知器（MLP））的分析模型。多层感知器的超参数通过遗传算法（GA）进行优化，显著提高了预测精度和训练稳定性。结果表明，将动态仿真与数据驱动建模及超参数优化相结合，能够有效表征复杂系统行为。该框架为BN系统开发提供了有价值的设计见解，并支持高效、可扩展纳米网络的建设。

Keyword:

bacteria-based molecular communication

escherichia coli

genetic algorithm

machine learning

molecular communication

nanonetworks

nanotechnology