專利名稱：基于免疫算法的卷煙葉組配方輔助設(shè)計(jì)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種計(jì)算機(jī)輔助設(shè)計(jì)方法，具體地說是一種巻煙配方的計(jì)算 機(jī)輔助設(shè)計(jì)方法。
(二)
背景技術(shù)：
在人工葉組配方中，最令行業(yè)專家難以把握的就是如何從備選煙葉集合中選 擇合適的煙葉，分配各自合適的比例，使它們最終滿足配方設(shè)計(jì)要求。這個(gè)配方 過程是多參數(shù)優(yōu)化問題傳統(tǒng)方法是采用統(tǒng)計(jì)學(xué)中的線性規(guī)劃或采用進(jìn)化計(jì)算優(yōu) 化，但規(guī)劃的前提條件約束較多才有解。如要假設(shè)葉組配方中使用的煙葉(煙 葉個(gè)數(shù)不大于25)屬于哪個(gè)大地區(qū)、屬于那些部位。每個(gè)大地區(qū)、煙葉部位各 分配一定的比例總和，再利用葉組的感官和煙氣指標(biāo)與理化之間關(guān)系模型，從葉 組感官、煙氣設(shè)計(jì)目標(biāo)反推合理的葉組理化指標(biāo)的值的范圍，再利用各理化分量 值求得煙葉滿足要求的比例組合?？傊瑐鹘y(tǒng)方法需要約束假設(shè)條件過多，解搜 索空間過小，不能很有效地輔助配方人員進(jìn)行產(chǎn)品開發(fā)設(shè)計(jì)。而傳統(tǒng)的遺傳算法 在求解過程中僅靠交叉概率和變異概率去控制解的搜索范圍和速度，隨機(jī)性較 大，往往求得最優(yōu)或次優(yōu)解的可能性不大且收斂時(shí)間長(zhǎng)，且易陷于局部?jī)?yōu)化解。
在煙草行業(yè)，葉組配方中所涉及到的煙葉選擇范圍很龐大，在此基礎(chǔ)上要對(duì) 某組可能的煙葉組合再搜索出一定理化、感官、煙氣的多參數(shù)符合目標(biāo)值的配方 比例解，這是一個(gè)很復(fù)雜的優(yōu)化問題。
(三)

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種將計(jì)算智能方法一免疫算法與專家系統(tǒng)規(guī)則推 理結(jié)合應(yīng)用在煙草行業(yè)的葉組智能配方中，使搜索方向沿著有利的方向前進(jìn)，搜 索到最優(yōu)和次優(yōu)的葉組方案的速度和準(zhǔn)確性都大大提高的基于免疫算法的巻煙 葉組配方輔助設(shè)計(jì)方法。
本發(fā)明的目的是這樣實(shí)現(xiàn)的
1、 先設(shè)定最終葉組的感官，煙氣配方后達(dá)到的目標(biāo)值；
2、 設(shè)定主料煙、輔料煙、填充料煙的比例浮動(dòng)范圍；3、以煙葉選用的比例為抗體基因碼，將備選煙葉按選擇順序進(jìn)行實(shí)數(shù)編碼 組成一代抗體種群中的多個(gè)抗體，
0.20.060.04
0.010,090.15
0.030.080.09
主料煙 輔料, 填充料煙
在編碼過程中葉組單料煙的一般用量范圍在1%~15%;
第一代初始化抗體群P (0)包括20個(gè)抗體，每個(gè)抗體中，隨機(jī)初始化比例
時(shí)，要檢驗(yàn)約束條件主料煙、輔料煙、填充料煙比例之和是否分別在設(shè)定范圍 內(nèi)；
4、 將每個(gè)抗體反編碼，計(jì)算出抗體所代表的葉組的理化指標(biāo)值；
5、 葉組的理化指標(biāo)值作為免疫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入?yún)?shù)，經(jīng)過模型計(jì) 算輸出新葉組的感官和煙氣的預(yù)測(cè)值；每個(gè)免疫神經(jīng)網(wǎng)絡(luò)采用N-H-l (即N個(gè)輸 入端、H個(gè)隱層神經(jīng)元和l個(gè)輸出端)的結(jié)構(gòu)模型；按依經(jīng)驗(yàn)確定網(wǎng)絡(luò)的初始學(xué) 習(xí)率、動(dòng)量及誤差調(diào)整參數(shù)。
6、 若與目標(biāo)值間各項(xiàng)誤差超出允許誤差限范圍，則采用規(guī)則推理
(1) 規(guī)則1: if感官中的香氣質(zhì)分值誤差>0.5， then變異主料煙中香氣質(zhì) 最好的和最差的煙葉的比例；
(2) 規(guī)則2: if感官中的分值中有兩項(xiàng)分值誤差大于>0.5， then變異主輔 料煙中以上感官項(xiàng)最好的和最差的煙葉的比例；
(3) 規(guī)則3: if煙氣中煙堿值大于設(shè)計(jì)目標(biāo)值，then變異填充料煙、輔料 煙集合中的煙葉比例；
(4) 規(guī)則4: if煙氣中焦油量大于設(shè)計(jì)值，then變異填充料煙、輔料煙集合 中的煙葉比例；
(5) 規(guī)則5: if煙氣中一氧化碳大于設(shè)計(jì)值，then變異輔料煙集合中的煙葉
比例；
(6) 規(guī)則6: if新葉組方案的成本大于設(shè)計(jì)值，then減小主料煙和輔料煙中 價(jià)格最高的煙葉的比例，增大價(jià)格最小的煙葉的比例。
本發(fā)明還可以包括
1、調(diào)整葉組比例免疫編碼時(shí)，采用免疫抗體變異方法，變異抗體基因位和 變異基因的值這兩種情況的概率各為一半；基因位置換在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，交換兩個(gè)基因位 的值；
基因位小領(lǐng)域變異在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，其中一個(gè) 基因位的值、即煙葉比例，增加O.Ol，另一個(gè)減小0.01。
2、所述的設(shè)定最終葉組的感官包括風(fēng)格、光澤、香氣、勁頭、協(xié)調(diào)、雜氣， 所述的煙氣包括焦油、煙堿、CO。
本發(fā)明的使用管理過程為-
(1) 用戶錄入配方目標(biāo)，包括配方后成品煙的風(fēng)格，各感官分值和煙氣指 標(biāo)值。
(2) 用戶根據(jù)所配的風(fēng)格選擇可能用到的某些地區(qū)，等級(jí)的煙葉。
(3) 經(jīng)免疫算法搜索，最終若有滿意解，推薦給用戶一組方案。否則，提 示此煙葉集合無滿意解。
(4) 用戶可調(diào)整選擇的煙葉集合，重新進(jìn)行模擬配方。 本發(fā)明的主要特點(diǎn)是-
(1) 免疫算法是具備全局和局部搜索優(yōu)化性能的新計(jì)算智能方法，比傳 統(tǒng)的線性規(guī)劃方法和進(jìn)化計(jì)算搜索范圍更大，得到最優(yōu)或次優(yōu)解的可能性更 大。
(2) 將免疫算法結(jié)合專家規(guī)則推理，可避免由于搜索空間過大、免疫操 作中變異算子可能導(dǎo)致破壞優(yōu)良抗體個(gè)體、使優(yōu)化算法加速收斂最優(yōu)解。
此變異方法加入了一定專家經(jīng)驗(yàn)，在保證抗體種群中個(gè)體多樣性的同 時(shí)，又加快了算法收斂速度。
本發(fā)明為建立應(yīng)用推理規(guī)則和免疫優(yōu)化算法的巻煙葉組配方輔助設(shè)計(jì) 系統(tǒng)。該系統(tǒng)將專家系統(tǒng)的規(guī)則推理、免疫算法組合優(yōu)化，以及成品煙感官 質(zhì)量評(píng)價(jià)和煙氣指標(biāo)的免疫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，三者有機(jī)結(jié)合，建立智能巻 煙葉組配方輔助設(shè)計(jì)系統(tǒng)。該系統(tǒng)能對(duì)多個(gè)葉組配方進(jìn)行優(yōu)化組合，推薦出 符合維護(hù)和設(shè)計(jì)要求的若干方案。

圖l本發(fā)明的智能巻煙葉組配方輔助設(shè)計(jì)系統(tǒng)的總體結(jié)構(gòu)圖。 圖2本發(fā)明的智能巻煙葉組配方輔助設(shè)計(jì)系統(tǒng)的使用管理圖。圖3本發(fā)明的智能巻煙葉組配方輔助設(shè)計(jì)系統(tǒng)的流程圖。
具體實(shí)施方式
下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述
1、 先設(shè)定最終葉組的感官(風(fēng)格，光澤，香氣，勁頭，協(xié)調(diào)，雜氣)，煙氣 (焦油，煙堿，CO)配方后達(dá)到的目標(biāo)值；
2、 設(shè)定主料煙、輔料煙、填充料煙的比例浮動(dòng)范圍。專家根據(jù)人機(jī)交互選 擇認(rèn)為較合適的煙葉，備選煙葉個(gè)數(shù)不限制。
3、 以煙葉選用的比例為抗體基因碼，將備選煙葉按選擇順序進(jìn)行實(shí)數(shù)編碼 組成一代抗體種群中的多個(gè)抗體。
0.20.060.04
0.010.090,15
0.030.080.09
主料煙 輔料煙 填充料煙
在編碼過程中加入專家經(jīng)驗(yàn)葉組單料煙的一般用量范圍在1%~15%。
第一代初始化抗體群P (0)包括20個(gè)抗體。每個(gè)抗體中，隨機(jī)初始化比例
時(shí)，要檢驗(yàn)約束條件主料煙、輔料煙、填充料煙比例之和是否分別在設(shè)定范圍 內(nèi)。
4、 將每個(gè)抗體反編碼，計(jì)算出抗體所代表的葉組的理化指標(biāo)值。
5、 作為葉組免疫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入?yún)?shù)，經(jīng)過模型計(jì)算輸出新葉組
的感官和煙氣的預(yù)測(cè)值。
6、 若與目標(biāo)值間各項(xiàng)誤差超出允許誤差限范圍，則采用規(guī)則推理
(1) 規(guī)則1: if感官中的香氣質(zhì)分值誤差>0.5， then變異主料煙中香氣質(zhì) 最好的和最差的煙葉的比例。
(2) 規(guī)則2: if感官中的(光澤、協(xié)調(diào)、雜氣、刺激性)分值中有兩項(xiàng)分值 誤差大于>0.5， then變異主輔料煙中以上感官項(xiàng)最好的和最差的煙葉的比例。
(3) 規(guī)則3: if煙氣中煙堿值大于設(shè)計(jì)目標(biāo)值，then變異填充料煙、輔料 煙集合中的煙葉比例。
(4) 規(guī)則4: if煙氣中焦油量大于設(shè)計(jì)值，then變異填充料煙、輔料煙集合 中的煙葉比例。
(6)規(guī)則5: if煙氣中一氧化碳(CO)大于設(shè)計(jì)值，then變異輔料煙集合 中的煙葉比例。(7)規(guī)則6: if新葉組方案的成本大于設(shè)計(jì)值，then減小主料煙和輔料煙中 價(jià)格最高的煙葉的比例，增大價(jià)格最小的煙葉的比例。
7、調(diào)整葉組比例免疫編碼時(shí)，采用免疫抗體變異方法。變異抗體基因位和 變異基因的值這兩種情況的概率各為一半。
基因位置換在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，交換兩個(gè)基因位的值。
基因位小領(lǐng)域變異在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，其中一個(gè)
基因位的值(即煙葉比例)增加O.Ol，另一個(gè)減小o.oi。
此變異方法在保證抗體種群中個(gè)體多樣性的同時(shí)，又加快了算法收斂速度。 本發(fā)明的建立應(yīng)用免疫算法的巻煙葉組配方輔助設(shè)計(jì)系統(tǒng)的方法的主要步
驟包括
(1) 確定目標(biāo)葉組的香型風(fēng)格，以及感官、煙氣指標(biāo)的目標(biāo)值。
(2) 確定目標(biāo)葉組中主料煙、輔料煙、填充料煙的比例浮動(dòng)范圍。
(3) 根據(jù)專家規(guī)則選取符合設(shè)計(jì)要求的各地區(qū)煙葉分別作為主料煙、輔料
煙、填充料煙，并按選擇順序添加到備選煙葉集合中。
(4) 按照免疫算法步驟，對(duì)新葉組編碼，構(gòu)成配方方案'抗體種群'；計(jì)算
出新葉組的理化指標(biāo)，以該風(fēng)格對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸出值計(jì)算每代'個(gè) 體'的'適應(yīng)度'值。
(5) 進(jìn)行免疫操作，在免疫變異操作中結(jié)合專家經(jīng)驗(yàn)的規(guī)則推理，加快搜 索到最佳或次優(yōu)解的速率。
(6) 在規(guī)定的抗體進(jìn)化最大代數(shù)內(nèi)，查詢是否有'適應(yīng)度'值符合目標(biāo)要 求的葉組，有則停止，否則循環(huán)至結(jié)束。
(7) 有解則系統(tǒng)輸出搜索到的最優(yōu)或次優(yōu)方案，同時(shí)給出免疫神經(jīng)網(wǎng)絡(luò)模 型預(yù)測(cè)的感官評(píng)吸值和煙氣分析值；否則，提示沒有最優(yōu)方案的信息。
本發(fā)明的免疫算法智能巻煙葉組配方設(shè)計(jì)系統(tǒng)，其使用管理過程為
(1) 用戶錄入配方目標(biāo)，包括配方后成品煙的風(fēng)格，各感官分值和煙氣指標(biāo)值。
(2) 用戶根據(jù)所配的風(fēng)格選擇可能用到的某些地區(qū)，等級(jí)的煙葉。
(3) 經(jīng)免疫算法搜索，最終若有滿意解，推薦給用戶一組方案。否則，提
8示此煙葉集合無滿意解。
(4)用戶可調(diào)整選擇的煙葉集合，重新進(jìn)行模擬配方。 用于建立巻煙葉組配方的樣本數(shù)據(jù)為行業(yè)專家根據(jù)經(jīng)驗(yàn)提出相關(guān)性最大的 輸入與輸出參數(shù)
(1) 采集所有單料煙的指標(biāo)
總糖，總煙堿，還原糖，總氮，蛋白質(zhì)，氯氣，鉀，施木克值，糖堿比，鉀 氯比；香型，香氣質(zhì)，香氣量，濃度，勁頭，雜氣，刺激性，余味，燃燒性，灰 分；焦油，煙堿，CO。
(2) 計(jì)算新葉組組成的理化參數(shù)(總糖，總煙堿，還原糖，總氮，蛋白質(zhì)， 氯氣，鉀，施木克值，糖堿比，鉀氯比)作為免疫神經(jīng)網(wǎng)絡(luò)評(píng)吸預(yù)測(cè)模型的輸入 參數(shù)。
權(quán)利要求
1、一種基于免疫算法的卷煙葉組配方輔助設(shè)計(jì)方法，其特征是(1)先設(shè)定最終葉組的感官，煙氣配方后達(dá)到的目標(biāo)值；(2)設(shè)定主料煙、輔料煙、填充料煙的比例浮動(dòng)范圍；(3)以煙葉選用的比例為抗體基因碼，將備選煙葉按選擇順序進(jìn)行實(shí)數(shù)編碼組成一代抗體種群中的多個(gè)抗體，主料煙 輔料煙填充料煙在編碼過程中葉組單料煙的一般用量范圍在1％～15％；第一代初始化抗體群P(0)包括20個(gè)抗體，每個(gè)抗體中，隨機(jī)初始化比例時(shí)，要檢驗(yàn)約束條件主料煙、輔料煙、填充料煙比例之和是否分別在設(shè)定范圍內(nèi)；(4)將每個(gè)抗體反編碼，計(jì)算出抗體所代表的葉組的理化指標(biāo)值；(5)作為葉組免疫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入?yún)?shù)，經(jīng)過模型計(jì)算輸出新葉組的感官和煙氣的預(yù)測(cè)值；(6)若與目標(biāo)值間各項(xiàng)誤差超出允許誤差限范圍，則采用規(guī)則推理規(guī)則1if感官中的香氣質(zhì)分值誤差>0.5，then變異主料煙中香氣質(zhì)最好的和最差的煙葉的比例；規(guī)則2if感官中的分值中有兩項(xiàng)分值誤差大于>0.5，then變異主輔料煙中以上感官項(xiàng)最好的和最差的煙葉的比例；規(guī)則3if煙氣中煙堿值大于設(shè)計(jì)目標(biāo)值，then變異填充料煙、輔料煙集合中的煙葉比例；規(guī)則4if煙氣中焦油量大于設(shè)計(jì)值，then變異填充料煙、輔料煙集合中的煙葉比例；規(guī)則5if煙氣中一氧化碳大于設(shè)計(jì)值，then變異輔料煙集合中的煙葉比例；規(guī)則6if新葉組方案的成本大于設(shè)計(jì)值，then減小主料煙和輔料煙中價(jià)格最高的煙葉的比例，增大價(jià)格最小的煙葉的比例。
2、根據(jù)權(quán)利要求1所述的基于免疫算法的巻煙葉組配方輔助設(shè)計(jì)方法，其特征是調(diào)整葉組比例免疫編碼時(shí)，采用免疫抗體變異方法，變異抗體基因位 和變異基因的值這兩種情況的概率各為一半；基因位置換在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，交換兩個(gè)基因 位的值；基因位小領(lǐng)域變異在一個(gè)抗體基因中隨機(jī)任意選擇兩個(gè)基因位，其中一 個(gè)基因位的值、即煙葉比例，增加O.Ol，另一個(gè)減小0.01。
3、根據(jù)權(quán)利要求1或2所述的基于免疫算法的巻煙葉組配方輔助設(shè)計(jì)方法， 其特征是所述的設(shè)定最終葉組的感官包括風(fēng)格、光澤、香氣、勁頭、協(xié)調(diào)、 雜氣，所述的煙氣包括焦油、煙堿、CO。
全文摘要
本發(fā)明提供的是一種基于免疫算法的卷煙葉組配方輔助設(shè)計(jì)方法。用戶錄入配方目標(biāo)，包括配方后成品煙的風(fēng)格，各感官分值和煙氣指標(biāo)值。用戶根據(jù)所配的風(fēng)格選擇可能用到的某些地區(qū)，等級(jí)的煙葉。經(jīng)免疫算法搜索，最終若有滿意解，推薦給用戶一組方案。否則，提示此煙葉集合無滿意解。用戶可調(diào)整選擇的煙葉集合，重新進(jìn)行模擬配方。本發(fā)明為建立應(yīng)用推理規(guī)則和免疫優(yōu)化算法的卷煙葉組配方輔助設(shè)計(jì)系統(tǒng)。該系統(tǒng)將專家系統(tǒng)的規(guī)則推理、免疫算法組合優(yōu)化，以及成品煙感官質(zhì)量評(píng)價(jià)和煙氣指標(biāo)的免疫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，三者有機(jī)結(jié)合，建立智能卷煙葉組配方輔助設(shè)計(jì)系統(tǒng)。該系統(tǒng)能對(duì)多個(gè)葉組配方進(jìn)行優(yōu)化組合，推薦出符合維護(hù)和設(shè)計(jì)要求的若干方案。
文檔編號(hào)G06N3/00GK101425105SQ20081020960
公開日2009年5月6日 申請(qǐng)日期2008年12月4日 優(yōu)先權(quán)日2008年12月4日
發(fā)明者丁香乾, 馮天瑾, 周長(zhǎng)生, 毅 安, 徐立芳, 輝 李, 王志軍, 管鳳旭, 莫宏偉, 馬琳濤 申請(qǐng)人:哈爾濱工程大學(xué)