一種混合型卷煙配方智能優化系統

郭廣頌， 陳良驥， 李 玲

(1.鄭州航空工業管理學院機電工程學院，河南鄭州 450046； 2.天津工業大學機械工程學院，天津 300387)

混合型卷煙是目前主要的卷煙類型之一，一般由烤煙、白肋煙、香料煙、地方曬晾煙等按一定比例混合而成。混合型卷煙口感協調芬芳，既有烤煙的溫和甜潤，又有曬晾煙的辛辣開胃且余味純凈，其最大的優點是香氣量足且焦油含量低。為滿足消費者喜歡的口味，傳統的葉組配方制作往往須要耗費數年時間，所以目前國內卷煙企業較少涉及，如何高效高質地獲得市場認可的葉組配方一直是煙草行業的難題。

目前，對葉組配方的分析主要有2類研究方向，一是開發合理全面的煙草感官評吸方法，助推市場產品的開發。由于目前煙草感官評價有國家標準、行業標準以及企業和科研單位自定標準等多種標準，這些標準采用的評價指標、標度方法還不能滿足煙葉感官質量風格特色評價的全部需求，在適用性、可操作性等方面仍存在不足，所以探索更合理的煙草感官評價方法成為目前研究的熱點。武怡等采用兩級模糊綜合評價方法計算葉組評價分值，獲得更可靠的感官評吸分析數據[1]；喬學義等建立包含評價指標、評價標度、樣品制備等多方面的烤煙煙葉質量風格特色感官評價方法[2]；隨著信息技術的發展，采用智能計算輔助分析葉組配方的方法已經越來越多地被采用。申玉軍等賦予感官指標權重，利用數理統計方法判定測試樣品與對照樣品感官特性的偏離程度[3]；崔凱等建立的感知標示量度感官評價方法可用于評價香料在參比卷煙中的作用[4]。二是分析煙草化學成分對感官評價的影響，定性定量確定煙草葉組的特性。胡建軍等采用廣義可加模型分析識別煙葉化學成分與感官評吸質量之間的非線性關系[5]；盧紅兵等采用遺傳算法-神經網絡(genetic algorithm-back propagation，簡稱GA-BP)方法建立煙草香味成分分析數據與感官評價數據的預測模型[6]。但這些方法計算量都比較大，對于需要反復評吸再定型的煙草產品來說具有較大的實現困難。采用智能方法優化葉組配方是一種簡單有效的策略，但目前的研究并不充分。徐若飛等開發了一種煙葉質量評價和葉組配方專家系統，可以有效縮短葉組配方的研發周期[7]，但專家系統的開發造價高，經濟負擔巨大。此外遺傳算法也被應用于配方優化[8]，但其優化指標未包含感官評價，所以優化結果的針對性不強。

20世紀80年代在傳統遺傳算法基礎上提出的交互式遺傳算法是一種可以將人的主觀活動引入進化過程的進化優化算法。因為交互式遺傳算法的個體適應值由人評價，所以可以將感官評價融入進化，再利用遺傳策略對隱式性能指標或混合性能指標進行優化。該算法實現簡單，且能體現強烈的個性化需求，現已被應用于語音合成[9]、珠寶加工[10]、色彩推薦[11]、海報設計[12]等領域。但單純采用傳統交互式遺傳算法構建的優化系統，其設計性能并不理想。因為交互式優化的每款產品適應值(評價值)均由人評價產生，人進行長時間評價容易產生疲勞，這會限制算法的種群規模和進化代數。另外，傳統交互式遺傳算法多采用單機實現，不利于采集多人多組評價數據，評價結果具有較大的局限性。

葉組配方設計主要受煙葉成本、煙氣指標和煙葉產地等因素約束，葉組配方的確定強烈依賴于感官評價，是典型的混合性能指標評價問題。基于上述情況，本研究設計一種基于改進交互式遺傳算法的淡香混合型煙草葉組配方進化優化系統。與傳統方法相比，本系統能大幅縮短葉組設計周期，且實現簡單，成本低廉，選型性能優異。由于目前煙草葉組配方設計還沒有應用交互式遺傳算法的先例，因此本研究可為煙草企業提供一種新的葉組設計方法。

1 智能煙葉配方優化系統設計

1.1 染色體編碼

本系統針對淡香混合型煙草葉組設計，葉組組分包括烤煙、白肋煙、香料煙和地方曬晾煙。葉組組分構成交互式遺傳算法的染色體，即染色體是一個二進制基因組g=(a1,a2,…,am)，其中ai,i=1,2,…,m表示染色體組分。根據煙葉葉組情況，染色體由4個參數組成，每個參數分別是葉組組分的比例，即i=4，所以每條染色體代表1種煙葉葉組配方方案。根據淡香混合型卷煙葉組實踐經驗，烤煙(組分1)的比例范圍是[0.55，0.70]；白肋煙(組分2)的比例范圍是[0.15，0.20]； 香料煙(組分3)的比例范圍是[0.05，0.10]； 地方曬晾煙(組分4)的比例范圍是[0.10，0.15]。其中烤煙比例由7位二進制編碼構成，碼段為0110111～1000110；其他組分比例由5位二進制編碼構成，碼段分別為01111～10100、00101～01010、01010～01111，染色體總長度為22。如染色體0111100011110101001111代表的葉組是烤煙比例60%、白肋煙比例15%、香料煙比例10%、地方曬晾煙比例15%。

1.2 基于局域網絡的實現

鑒于單機實現交互式遺傳算法的局限性，本系統采用局域網絡實現遠程人機交互功能。客戶端用于用戶參與評價，各客戶端的運行平臺是同構的，主要用于存放交互式遺傳算法所需的私有數據。服務器端主要用于客戶管理、運行交互式遺傳算法平臺客戶端系統及優化結果生成等。服務器端采用結構化查詢語言(structured query language，簡稱SQL)Server 2000數據庫作為全局數據庫存放共享信息。所有進化數據均存儲在數據庫服務器上，各交互式遺傳算法平臺客戶端通過自動調用系統命令ipconfig獲得客戶機的網卡物理地址，并作為在數據庫服務器上的唯一標志，以便數據庫服務器區分不同客戶端的評價數據。算法實現的拓撲結構如圖1所示，具體配置由百兆光纖、華三ER6300千兆路由器、華三S5048E全千兆安全智能交換機、思科SF100D-08(SD208T)8口以太網交換機等組成。終端操作系統為Windows XP。

1.3 交互式界面設計

本系統的交互式界面分為客戶端界面和服務器界面等2個部分，均采用Visual Basic 6.0 實現。其中客戶端用于評審員對樣品打分，每一進化代提供6個評價樣本，即種群規模N=6，客戶端交互界面如圖2所示。煙草感官評價標準參照GB 5606.4—2005《卷煙 第4部分：感官技術要求》，感官評吸指標包含光澤、香氣、諧調、雜氣、刺激性、余味等6項。各項評價標準如表1所示，各項指標以0.5分為計分單位，總分100分，通過拖拽滑動條對項目進行賦值。為增強評價的公平性，采用盲評機制，即評審員評吸時不知曉樣本的配方，客戶端交互界面只提供樣品編號，不提供樣品葉組配方。

圖10為兩種電流供電情況下振動加速度頻譜。對比正弦波供電,當逆變器供電時,振動幅值整體增加。不同電流供電下振動加速度的最大幅值點均出現在8 500 Hz,9 533 Hz,10 700 Hz,11 400 Hz附近,接近模態分析結果中0階和8階固有頻率。開關頻率10 kHz附近振動加速度增加較大,究其原因是引入逆變器開關頻率的諧波電流加劇了高頻段的結構共振。

表1 卷煙感官質量評判標準

1.4 遺傳算子

定義1：當f[xi(t)]，f[xj(t)]同時為區間數或者有1個為區間數時，則

(1)

式(1)為xi(t)占優xj(t)的概率，即xi(t)為聯賽選擇優勝個體的概率為Pij。根據互補性，xj(t)占優xi(t)的概率為Pji=1-Pij。

定義2：當f[xi(t)]、f[xj(t)]均為實數時，則

(2)

1.4.2 自適應交叉和變異算子 由于個體適應值是由不同評審員打分構成的區間數，顯而易見，區間寬度越小，評價的不確定性越小，評價結果越精確，反之則相反。所以一個種群的評價偏差可以表示為

(3)

進化初期，葉組配方差異較大，所以樣本個體之間口感差異較大，評審員評價差異也較大，θ(t)較大；隨著進化深入，葉組配方逐漸一致，個體差異逐漸減小，評審員之間的評價也趨于相同，所以θ(t)較小。θ(t)描述了適應值在種群進化過程中的變化，刻畫了評價差異性，這為設計交叉和變異算子提供了基礎。

交叉算子的設計主要體現在當評價差異比較大時，采用較大的交叉概率增加新個體的數量；當評價差異較小時，采用較小的交叉概率加快算法收斂。由此，設計交叉算子是關于進化代數t和評價偏差θ(t)的S函數：

pc(t)={1+e-k1·[θ(t)/t]}-1。

(4)

式中：k1是調節系數。

變異算子的設計主要體現在：(1)當評價差異比較大時，為增加種群的多樣性，采用較大的變異概率；當評價差異較小時，采用較小的變異概率加快算法收斂。(2)在進化后期，為保證算法收斂，應使變異概率降低。由此，設計變異算子為

pm(t)=1-[1+e(-k2·t)/θ(t)]-1。

(5)

式中：k2是調節系數。

1.5 算法步驟

結合上述內容，本系統的算法步驟如下：(1)服務器初始化種群，發送至各客戶端，令t=0；(2)評審員評價個體，從客戶端提交評價結果；(3)服務器匯總評價結果，對個體賦區間適應值；(4)利用式(1)、式(2)選擇個體；(5)根據式(3)至式(5)進行交叉和變異操作，產生新一代個體；(6)解碼，輸出個體組分；(7)若對新一代個體已滿意，或是已達到最大進化代數，則停止進化過程，否則t=t+1，返回步驟(2)。

2 系統工作過程

2.1 煙葉原料的制備

烤煙是混合型卷煙的主要原料，選擇成熟度好、香味足、糖堿比適中、較深色的煙葉。為達到完全諧調和保持明顯穩定的均勻質量，混合型卷煙使用的烤煙為河南郟縣中部二級煙葉、河南寶豐中部一級煙葉和云南曲靖中部三級煙葉的混合煙葉。白肋煙選用經過加里料、表料、100 ℃高濕烘焙10 min處理的湖北建始白肋中部一級煙葉。香料煙選擇吸味醇和的云南保山一級煙葉。曬晾煙選用經過強化發酵、真空回潮、配葉切把、潤葉基、打葉去梗、加表料和快速烘干處理的河南靈寶晾曬一級煙葉。

2.2 煙葉葉組交互式進化優化過程

為使葉組配方的進化優化具有針對性，避免盲目進化，初始種群由用戶確定，即事先根據卷煙工藝制備出粗略的樣品，這些樣品的烤煙比例較高，已大致符合混合煙草香型標準，但還不是最佳葉組配方。系統工作時，根據事先制備好的待評葉組樣本個體編碼，服務器從數據庫中調配出6個相關個體組成初始化種群，發送至各客戶端。選擇6位評審員對樣品進行評吸。評價過程分為3個階段：第1階段先向評審員分發標準樣品，統一評價口徑；第2階段向評審員分別分發6支卷煙樣品，按評價指標在各客戶端填報樣品項目評價結果；第3階段再次向評審員分發相同的6支卷煙樣品重新評價，用于修正評價結果并提交。每代進化優化需要12人次的評吸。服務器將評價結果匯總后，根據設定的遺傳參數，進行進化優化，生成下一代種群。將新種群的個體解碼后，制備新的樣品再讓評審員評吸，繼續進化直至找到最優解。由于遺傳算法的進化方向由偏好決定，所以優化結果會逐漸接近最佳口味，最終獲得的最優解就是最佳的葉組配方。

2.3 優化效果分析

系統參數設定：k1=0.9，k2=1.1，系統運行數據如表2所示，表中給出了每次進化過程樣品的葉組與適應值。

分析表2可以發現，進化優化達到第4代時，組分為[0.62；0.19；0.04；0.15]的葉組出現4次，且區間適應值占優，算法已經收斂，所以葉組[0.62；0.19；0.04；0.15]即為最優解。由圖4可以看出，烤煙、白肋煙、香料煙和地方曬晾煙的比例在經過初期優化的振蕩后，最終均趨于穩定，說明葉組組分逐漸符合評審員的最佳口感，優化結果代表滿意的評判標準。在4種組分的優化曲線中，烤煙與白肋煙的優化曲線較為平穩，烤煙比例由初期的70%左右逐漸穩定于60%左右，白肋煙比例大致穩定于20%；而香料煙和曬晾煙的優化區間波動較為劇烈，其原因可能是這2種組分對煙草口味影響較大，導致進化曲折，也反映出優化對象的復雜性對算法優化性能的影響。4種組分比例的分散情況如圖5所示。

表2 葉組進化優化結果

從圖6可以看出，由于進化代數較少，進化曲線很不平滑。其中進化初期葉組差異較大，煙草口味差異較大，區間適應值上下限比較小，區間寬度較大；進化后期葉組趨同，煙草口味逐漸一致，區間適應值上下限較大，區間寬度較窄。圖7所示的區間適應值箱型圖反映了評審員評價的一致性，由圖7可見，區間適應值的上限與下限箱圖特征一致，所以評審員的評價是準確客觀的，優化葉組[0.62；0.19；0.04；0.15]滿足評審要求。

采用本系統只需4～5代進化周期即可找到最佳葉組配方，與傳統方法相比，大大縮短葉組配方的開發時間。傳統配方設計方法須要在單料煙質量評吸的基礎上先進行曬晾煙和烤煙基團設計，再進行烤煙基團和香料煙配伍的正交試驗設計，試驗步驟和周期較長。采用交互式遺傳算法優化時，可以直接進行混合型煙葉的整體配伍優化，減少設計步驟。針對煙草葉組的特殊性，本系統的進化初始樣品采用針對性設計，即設定較大的烤煙比例(70%)，香料煙和地方曬晾煙比例則設定較大(12%，12%)和較小(2%，5%)2類，從而形成不同口味，確定不同的優化方向。這可以確保進化方向在進化滿意域內進行，有效縮小搜索空間，避免盲目進化，加快優化進程，在縮短進化周期的同時提高優化質量。

對最終的優化葉組[0.62；0.19；0.04；0.15]還需要進行二次加料、加香，卷制小批量樣品煙，分析煙絲主要化學組分，測定煙支焦油含量和煙堿含量，進一步調整葉組比例，降低焦油含量，最后定型。由表3可知，煙絲中總糖含量為 12.38%、煙堿含量為1.33%；煙氣中焦油含量為 15.61 mg/支、煙堿含量為1.12 mg/支、CO含量為14.53 mg/支。葉組總糖與煙堿比例適宜，焦油含量較低，煙堿含量適中，CO含量較少，是一種比較理想的淡味混合型卷煙產品。從進化優化角度看，葉組仍有進化空間，若希望找到其他滿意的葉組方案，可以重復操作，進行進一步對比優化。但從實際角度考察，若評審員對樣品給出高度一致的高分評價，且算法收斂，則可以認為選型結束。

表3 配方煙絲化學成分及煙氣分析結果

混合型卷煙配方的研制是一項受煙葉質量、加香技術制約的復雜、細致工作，任何環節的細微變化都可能對卷煙口味帶來明顯改變。尤其是葉組料香配比選型技術，一直是國內外制煙企業的技術機密，采用本方法可以加快技術突破。交互式遺傳算法的工程應用目前總體比較薄弱，本系統只根據GB 5606.4—2005《卷煙 第4部分：感官技術要求》設計評價界面，評價指標尚比較單一，如果融合其他評價方法(如感知標示量度、多級指標評價等)，則樣品評價會更精確，優化質量也將提升，這也是下一步要做的工作。

3 結論

本研究開發1套針對淡味混合型卷煙配方的智能優化選型系統，該系統基于改進的交互式遺傳算法實現，采用局域網遠程評價。通過個體區間適應值刻畫種群評價偏差，設計自適應交叉和變異算子，提高算法優化性能。結果表明，該系統能夠根據用戶口味選擇葉組配方，極大縮短煙草葉組研發周期。繼續探尋交互式遺傳算法的工程應用是下一步研究的問題。

[1]武 怡，廖頭根，王明鋒，等. 中式卷煙消費體驗感官評價方法的建立與應用[J]. 煙草科技，2015，48(5)：80-84.

[2]喬學義，王 兵，馬宇平，等. 烤煙煙葉質量風格特色感官評價方法的建立與應用[J]. 煙草科技，2014(9)：5-9.

[3]申玉軍，鄧國棟，陳良元，等. 一種煙草感官評價分析方法的建立及應用[J]. 煙草科技，2011(5)：15-18.

[4]崔 凱，屈 展，馬 驥，等. 感知標示量度卷煙感官評價方法的建立及應用[J]. 煙草科技，2015，48(3)：74-78.

[5]胡建軍，李廣才，李耀光，等. 基于廣義可加模型的烤煙常規化學成分與感官評價指標非線性關系解析[J]. 煙草科技，2014(12)：36-42.

[6]盧紅兵，孔 波，鐘科軍. 基于煙草香味成分和GA-BP網絡的煙草品質評價方法[J]. 煙草科技，2011(3)：27-31.

[7]徐若飛，劉 巍，陳章玉，等. 煙葉質量評價和葉組配方專家系統的開發[J]. 煙草科技，2007(6)：16-20.

[8]王 濤，王 麗. 遺傳算法在配方優化中的應用[J]. 微計算機信息，2011，27(11)：149-150，140.

[9]Formiga L，Alias F. Extracting user preferences by GTM for aiGA weight tuning in unit selection text-to-speech synthesis[J]. International Work-Conference on Artificial Neural Networks，2007，4507：654-661.

[10]Wannarumon S，Bohez E L J，Annanon K. Aesthetic evolutionary algorithm for fractal-based user-centerecd jewelry design[J]. Artificial Intelligence for Engineering Design，Analysis and Manufacturing，2008，22(1)：19-39.

[11]Rodriguez L，Diago L，Hagiwara I. Color recommendation system combining design concepts with interactive customers preference modeling from context changes[C]//Proceedings of IEEE Congress on Evolutionary Computation. Barcelona，2010：1-8.

[12]Kitamura S，Kanoh H. Developing support system for making posters with interactive evolutionary computation[C]//Proceedings of 4th International Symposium on Computational Intelligence and Design. Hangzhou，2011：48-51.

[13]孫曉燕，陳姍姍，鞏敦衛，等. 基于區間適應值交互式遺傳算法的加權多輸出高斯過程代理模型[J]. 自動化學報，2014，40(2)：172-184.