摘要目的 研究二次推断函数、多目标优化算法及极致梯度提升(extreme gradient boosting,XGBoost)结合沙普利增量解释(Shapley additive explanation,SHAP)在缓控释制剂处方优化中的效果,为缓控释制剂的处方优化提供切实可行的研究思路和方法.方法 对尼莫地平渗透泵胶囊的试验数据,先使用二次推断函数建模解决重复测量数据的相关性,再采用多目标遗传算法(multi-objective genetic algorithm,MOGA)、改进非劣分类遗传算法(non-dominated sorting ge-netic algorithm-Ⅱ,NSGA-Ⅱ)和向量评估遗传算法(vector evaluated genetic algorithm,VEGA)三种优化算法,以满足各时点累积释放度的要求,最后基于优化结果建立XGBoost模型并结合SHAP进行解释,确定最终的非劣方案,与原文的最优结果相比较.结果 基于可交换相关矩阵,对试验数据使用二次推断函数所建立的模型具有统计学意义(Q=4.000,P=0.998),且模型拟合效果较好,赤池信息准则(Akaike information criterion,AIC)结果为27.227,贝叶斯信息准则(Bayesian information criterion,BIC)结果为56.205.采用MOGA,NSGA-Ⅱ和VEGA优化目标函数,对优化结果建立XGBoost模型并结合SHAP进行解释所得6号、9号、33号、39号、44号等方案各时点累积释放度均优于原文最优,其中,33号方案的12小时累积释放度高达93.63％.结论 针对具有重复测量数据特征的缓控释制剂,采用二次推断函数建模,三种多目标算法进行优化,并对优化结果建立XGBoost模型结合SHAP进行解释所得效果满意,为研究者提供了客观,科学且合理的方案选择.