CN102799741B - 基于遗传算法的初烤烟配方打叶优化设计方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的初烤烟配方打叶优化设计方法，包括以下步骤：从烟叶数据库中选择n个初烤烟，并读取所述n个初烤烟的库存量和m个化学指标项的指标值；设定本次配打所形成的片烟的目标值；将所述的n个初烤烟作为n个基因，通过对每个基因随机赋予不同的库存量使用比例来形成一个染色体，并采用相同的方法形成多个不同的染色体构建产生一个初始种群；利用所述初始种群采用遗传算法计算出j个高适应度的染色体并计算所述j个高适应度的染色体是否满足设定的目标值；将满足目标值的染色体作为初烤烟配方输出。本发明通过将遗传算法应用到初烤烟叶的配打方案设计中，可以获得非常贴近用户需求的配打方案，节约了设计成本和时间。

Description

基于遗传算法的初烤烟配方打叶优化设计方法

技术领域

本发明属于烟草配方技术领域，具体地说，是涉及一种利用初烤烟叶形成片烟的配方打叶优化设计方法。

背景技术

烟叶是烟草企业的基础，要稳定并提高卷烟产品的质量和扩大产品的市场占有率，卷烟所使用的烟叶至关重要。烟叶在采摘后首先需要进行烤制形成初烤烟，然后将初烤烟配方打叶，形成片烟或者配方模块，才能提供给卷烟企业配方使用。

所谓配方打叶（或简称配打）就是在复烤加工中把不同等级、不同产地、不同部位、不同年份、不同批次的初烤烟根据一定的搭配比例进行混合加工的方法，从而形成一个质量稳定的片烟或者配方模块，以供卷烟企业配方使用。配方打叶形成的片烟具有较大的数量、稳定的化学成分、感官质量和外观质量，为卷烟企业的二次配方、配方维护及卷烟品质和风格的稳定提供了强有力的支撑。

烟草企业每年都要从全国各地乃至世界其他国家收购几百种初烤烟叶，并且每种烟叶不是一次收购完成的，而是要分多批采购。不同批次的烟叶质量情况也不一致，导致烟草企业不能直接使用这些烟叶。由于烟叶内部包含有上千种化学成分，主要的化学成分也有十几种，例如：总糖、总烟碱、还原糖、总氮、蛋白质、氯、钾、施木克值、糖碱比、钾氯比、淀粉等。因此，如何使得每次配打的结果都能保持稳定的质量，是当前企业非常关心的问题。

限于以上因素，目前技术人员在进行烟叶配打时，有的仅仅考虑配打的数量要求，即满足企业的生产需要；有的仅仅考虑其中最主要的总烟碱指标，无法同时满足多个化学指标，由此导致配打质量出现波动，不利于卷烟企业生产的稳定性。

而且，目前所采用的配方打叶方案主要是由技术人员根据以往的配打经验与规则、各等级初烤烟的烟碱指标以及库存量，手工计算出配打后片烟的烟碱值和配打总量。如果计算出的烟碱值和配打总量与目标不相符，则需要再根据经验进行修改，其间要反复多次，且不能兼顾多个指标项，经常会出现在配打后片烟质量不符合要求，难以满足企业需要的情况。

发明内容

本发明的目的在于提供一种基于遗传算法的初烤烟配方打叶优化设计方法，通过该方法可以提高配打结果的稳定性，能够满足尽可能多的化学指标项，减少人工经验设计的反复性，节约成本和时间。

为解决上述技术问题，本发明采用以下技术方案予以实现：

一种基于遗传算法的初烤烟配方打叶优化设计方法，包括以下步骤：

（1）从烟叶数据库中选择n个初烤烟，并读取所述n个初烤烟的库存量和m个化学指标项的指标值；

（2）设定本次配打所形成的片烟的目标值；

（3）将所述的n个初烤烟作为n个基因，通过对每个基因随机赋予不同的库存量使用比例来形成一个染色体，并采用相同的方法形成多个不同的染色体，构建产生一个初始种群；

（4）利用所述初始种群，采用遗传算法计算出j个高适应度的染色体；

（5）计算所述j个高适应度的染色体是否满足步骤（2）所设定的目标值；

（6）将满足目标值的染色体作为初烤烟配方输出。

其中，在所述步骤（1）中，根据每一个初烤烟的库存数量和选择的m项化学指标的指标值，构建出

n个初烤烟的库存量集合K：K={k1,k2,…,ki,…,kn}；

n个初烤烟的m个化学指标项所构成的指标值矩阵A：

。

在所述步骤（2）中，设定本次配打所形成的片烟的目标值包括：片烟的数量和设计允差、以及片烟的化学指标目标值和各目标值的设计允差，建立

本次配打的目标值集合：{b₀，b₁，b₂，…，b_i，…，b_m}；

本次配打的设计允差：{c₀，c₁，c₂，…，c_i，…，c_m}；

其中，b₀为片烟的数量；b₁，b₂，…，b_i，…，b_m为m个化学指标的目标值；

c₀为片烟数量的设计允差；c₁，c₂，…，c_i，…，c_m为m个化学指标的设计允差。

在所述步骤（3）中，所述库存量使用比例在0-1之间随机产生，并形成s个染色体，由此构建产生的初始种群为：

；

其中，表示第i个染色体中第j个初烤烟的库存量使用比例。

优选的，所述s优选取大于等于50的整数。

进一步的，在所述步骤（4）中包括以下步骤：

（4-1）针对当前建立的种群R，对每一个染色体计算m个指标项所构成的适应度值：

…

；

则第i个染色体的适应度为；

（4-2）从计算出的s个染色体适应度中保留适应度最高的染色体加入到集合{X}中；

（4-3）按照遗传算法策略对当前种群进行选择、变异、交叉计算后，形成新的种群R，返回步骤（4-1），循环执行j次后，按照适应度由高到低的次序排序，生成大小为j的染色体集合：{X}={X₁，X₂，…，X_i，…，X_j}^T。

又进一步的，在所述步骤（5）中，根据生成的染色体集合{X}，计算每一个染色体的m个化学指标项是否满足下式要求：

…

；

计算每一个染色体的片烟数量是否满足下式要求：

；

其中，1≤i≤j；挑选出同时满足上述条件的染色体作为满足目标值要求的染色体。

再进一步的，在所述步骤（6）中，从满足目标值要求的染色体中挑选出前P个染色体，作为形成片烟的初烤烟配方输出；所述P根据需要设定，即提供给用户P个配方方案，供用户选择。

优选的，所述j取大于等于10的整数；所述P在1-10中取值。

更进一步的，在所述步骤（1）中，首先从烟叶数据库中选择N个不同类型、产地、品种、等级的初烤烟，然后根据初烤烟的产地、部位、品种配打规则，将不符合配打规则的初烤烟过滤，剩下n个初烤烟进行配方的优化设计。

与现有技术相比，本发明的优点和积极效果是：本发明通过将遗传算法应用到初烤烟叶的配打方案设计中，不仅能够综合考虑片烟的数量、总糖、总氮、还原糖、总烟碱、氯、钾等多个化学指标项，使得相互制约的多个化学指标项能够同时达到最优或者次优，进而获得非常贴近用户需求的配打方案；而且，配打方案自动形成，减少了人工经验设计的反复性，节约了设计成本和时间。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明所提出的基于遗传算法的初烤烟配方打叶优化设计方法的一种实施例的程序流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细地说明。

本实施例所提出的初烤烟叶配打方案利用遗传算法进行辅助优化设计，可以根据不同品牌对不同烟叶质量的不同需求，选定适合进行配打的多个初烤烟集合，通过设定配打烤片的总糖、总烟碱、还原糖、总氮、蛋白质、氯、钾、施木克值、糖碱比、钾氯比、预计产量等多项目标约束条件，利用优化组合技术，可以推荐出优化方案列表和各个初烤烟的配打比例，并对配打方案的预计产量、理化指标等进行测算分析。

所谓遗传算法就是一种模拟达尔文进化论思想的全局性搜索优化算法。它在基因编码、遗传、变异、杂交、适应与自然选择、种群进化等遗传学与进化论思想的基础上，形成了一套迭代自适应概率性搜索与优化方法，比传统的线性规划方法搜索范围更大，得到最佳或次佳解的可能性更大。

下面结合图1所示，对本实施例的初烤烟配方打叶优化设计方法进行详细的说明，具体包括以下步骤：

S101、根据品牌对片烟质量的需求情况，从烟叶数据库中选择N个不同类型、产地、品种、等级的初烤烟。若考虑部分初烤烟的产地、部位、品种配打规则，则需要首先将不符合配打规则的初烤烟过滤出来，仅对剩下的初烤烟进行优化设计。例如：在配打规则中设定了只能使用烟叶的中部和上部，而从烟叶数据库中选择出的N个初烤烟中，上部、中部、下部都有，需要首先将下部烟叶过滤掉，仅留下中部烟叶和下部烟叶进行后续的优化设计。

在本实施例中，假设根据配打规则对初烤烟叶进行过滤处理后，剩余的初烤烟的个数为n个，则针对所述的n个初烤烟进行后续的优化设计。

S102、针对选择出的n个初烤烟，从烟叶数据库中读取每一个初烤烟的库存量，形成n个初烤烟的库存量集合：K={k1,k2,…,ki,…,kn}；并从每一个初烤烟中读取m个化学指标项的指标值，形成n个初烤烟的m个化学指标项的指标值矩阵：

。

在这里，所述的化学指标项可以包括总糖、总烟碱、还原糖、总氮、蛋白质、氯、钾、施木克值、糖碱比、钾氯比等多个，用户可以根据需要选择其中的m个化学指标项，构建所述的指标值矩阵A。

S103、设定本次配打所形成的片烟的目标值，包括片烟的数量、片烟数量的设计允差、片烟的化学指标目标值以及各目标值的设计允差。

在本实施例中，片烟的化学指标项即步骤S102中选定的m个化学指标项，设定

本次配打的目标值集合为：{b₀，b₁，b₂，…，b_i，…，b_m}；

本次配打的设计允差为：{c₀，c₁，c₂，…，c_i，…，c_m}；

其中，

b₀为片烟的数量；b₁，b₂，…，b_i，…，b_m为m个化学指标的目标值；

c₀为片烟数量的设计允差；c₁，c₂，…，c_i，…，c_m为m个化学指标的设计允差。

S104、利用选择出的n个初烤烟进行配打方案的优化设计，具体包括以下步骤：

（1）产生初始种群：将所述的n个初烤烟作为n个基因，通过对每个基因随机赋予不同的库存量使用比例来形成一个染色体，即。其中，为第i个初烤烟的库存量使用比例。当时，表示不选择第i个初烤烟进行配打方案的优化设计；当时，表示对第i个初烤烟的全部库存量进行使用；当时，表示选择第i个初烤烟进行配打方案的优化设计，并且库存量的使用比例为所表示的实数。

采用相同的方法，随机产生s组且每组n个0-1之间的随机数，由此形成s个不同的染色体，构建产生一个规模为s的初始种群，即

。

其中，表示第i个染色体中第j个初烤烟的库存量使用比例。

利用变量d表示当前种群为第几代种群，则有。初始种群即第一代种群，即d=1，因而初始种群可表示为：。

在本实施例中，所述s可以根据用户的需要自行定义，本实施例优选设定成至少为50的整数，比如60、100或者1000等。

（2）适应度计算：针对当前建立的种群，对每一个染色体计算m个指标项所构成的适应度值：

…

；

则第i个染色体的适应度为。

由此，可以计算出s个染色体的适应度，即。

（3）从计算出的s个染色体的适应度中选择适应度最高的一个染色体，记为，加入到集合{X}中。

（4）迭代计算：按照遗传算法策略对当前种群进行选择、变异、交叉等计算后，形成新的种群。

下面对进化操作中的选择、变异、交叉操作的具体过程进行详细阐述。

①选择操作

本实施例采用赌轮法从当前种群中选出概率大小为ps的优良个体，个体被选择的概率正比于它们的适应度。适应度高的个体在下一代具有较多的繁殖机会，从而有较多的后代；而适应度较低的个体则产生较少的后代，最后逐渐被淘汰。所述概率ps可以设定为0-1之间的实数，假设ps=0.1，则表示s规模的种群中将有10%的染色体选择进行交叉、变异。其中，选择体过程如下：

a.计算当前种群中的某个染色体，的适应度为；

b.计算当前种群的适应度总合；

c.计算每一个染色体的选择概率。在这里，为个体适应度所占赌轮的比例，即，它决定了个体的生存繁殖机会；

d.计算每一个染色体的累积概率，且。

依照每个个体的选择概率大小把赌轮轮盘分为M个扇区，随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，直到选出当前种群规模规定数目的染色体，即s个。

②交叉操作

对被选中的较优秀父代个体进行随机配对，然后在配对个体中随机选择基因交换位置进行交配，即彼此交换部分信息，组合形成后代个体。

利用选择操作选出的两个染色体和以交叉率pc随机选择所述两个染色体的位置，则交叉后两个个体分别为：

，

。

其中，a、b分别为0－1之间的随机数，即。将赋予，将赋予，即；。

为了保证片烟配打方案的可行性，逐个检查每个新个体是否满足片烟配方的约束条件，即所有个体的库存量比例总和为1，每个个体的库存量比例在0-1之间（包括端点）。若满足，则将该新个体作为下一代成员；否则，舍弃该新个体，重新产生新个体。

③变异操作

从当前种群中的每个染色体中随机选定一个基因位置，以事先设定的变异概率对此位置进行变异。具体操作如下：

对种群中的s个染色体按适应度大小排序，得到有序表示的种群。设定变异概率，假设，进行随机有指导变异。在染色体中随机选择一个基因位置，并随机产生一个浮点数，且；如果，则对此位的基因进行变异，得到下一代个体：              

新一代个体产生之后，都必须检查它们是否满足约束条件，即所有个体的库存量比例总和为1，每个个体的库存量比例在0-1之间（包括端点），并且舍弃那些不满足约束条件的新个体，重新产生替代者。

（5）返回步骤（2），循环执行j次后，按照适应度由高到低的次序排序，生成大小为j的染色体集合：{X}={X₁，X₂，…，X_i，…，X_j}^T。

在本实施例中，所述j优选设定为大于等于10的整数。

S105、输出方案：针对最终生成的染色体集合{X}，计算每一个染色体的m个化学指标项是否满足下式要求：

…

；

计算每一个染色体的片烟数量是否满足下式要求：

；

其中，1≤i≤j；挑选出同时满足上述条件的P个染色体，作为满足目标值要求的染色体，形成具体的片烟配打方案（即初烤烟配方方案）输出。

此时，用户便可以从系统计算输出的P个配打方案中选择一个作为最终方案，执行配打操作，进而形成符合质量要求的片烟。

在本实施例中，所述P可以在1-10之间取值，根据用户需要自行设定，既可以输出多个配打方案供有经验的专家选其最优，也可以仅输出一个配打方案，直接指导用户进行配打操作。在本实施例中，优选输出5个染色体，即5种配打方案，供用户选择使用。

本发明所提出的初烤烟配方打叶优化设计方法，相比传统的配打方案设计方法，由于初烤烟中的各个化学成分之间相互约束，传统的初烤烟配打设计需要根据用户的经验进行设计，只能考虑一个化学指标项，通过降低和增加某个初烤烟的数量来计算指标值，如果增加到两个甚至更多时人脑很难达到。因此，传统的配打设计方案费时费力，设计一个合适方案至少需要三天时间。而本发明所提出的采用遗传算法结合相关配打规则设计出的初烤烟配方打叶优化设计方案，可以同时考虑几十个化学指标项。通过优化算法，可以输出任意设定的多个配打方案，与设定目标值的相似度更为贴近。而且采用该算法输出配打结果的耗时很短，从提交优化到输出结果仅需大约5秒种的时间，省时省力。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (8)

1.一种基于遗传算法的初烤烟配方打叶优化设计方法，包括以下步骤：

(1)从烟叶数据库中选择n个初烤烟，并读取所述n个初烤烟的库存量和m个化学指标项的指标值，构建出

n个初烤烟的库存量集合K：K＝{k₁,k₂,…,k_i,…,k_n}；

n个初烤烟的m个化学指标项所构成的指标值矩阵A：

$A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a22& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{m1}& a_{m2}& ...& a_{\mathrm{mn}}\end{array}\right);$

(2)设定本次配打所形成的片烟的目标值；所述目标值包括：片烟的数量和设计允差、以及片烟的化学指标目标值和各目标值的设计允差；

其中，建立本次配打的目标值集合：{b₀，b₁，b₂，…，b_i，…，b_m}；

b₀为片烟的数量；b₁，b₂，…，b_i，…，b_m为m个化学指标的目标值；

(3)将所述的n个初烤烟作为n个基因，通过对每个基因随机赋予不同的库存量使用比例来形成一个染色体，并采用相同的方法形成s个不同的染色体，构建产生一个初始种群为：

$R=\left(\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{2n}\\ ...& ...& ...& ...\\ s_{s1}& s_{s2}& ...& s_{\mathrm{sn}}\end{array}\right)$

其中，x_iJ表示第i个染色体中第J个初烤烟的库存量使用比例；

(4)利用所述初始种群，采用遗传算法计算出j个高适应度的染色体，步骤如下：

(4-1)针对当前建立的种群R，对每一个染色体计算m个指标项所构成的适应度值：

y₁＝a₁₁k₁x_i1+a₁₂k₂x_i2+…+a_1nk_nx_in

y₂＝a₂₁k₁x_i1+a₂₂k₂x_i2+…+a_2nk_nx_in

…

y_m＝a_m1k₁x_i1+a_m2k₂x_i2+…+a_mnk_nx_in；

则第i个染色体的适应度为 $Y_i=1/\sqrt{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{[(y_i-b_i)/b_i]}^2};$

(4-2)从计算出的s个染色体适应度中保留适应度最高的染色体加入到集合{X}中；

(4-3)按照遗传算法策略对当前种群进行选择、变异、交叉计算后，形成新的种群R，返回步骤(4-1)，循环执行j次后，按照适应度由高到低的次序排序，生成大小为j的染色体集合：{X}＝{X₁，X₂，…，X_i，…，X_j}^T；

(5)计算所述j个高适应度的染色体是否满足步骤(2)所设定的目标值；

(6)将满足目标值的染色体作为初烤烟配方输出。

2.根据权利要求1所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：在所述步骤(2)中，建立

本次配打的设计允差：{c₀，c₁，c₂，…，c_i，…，c_m}；

其中，c₀为片烟数量的设计允差；c₁，c₂，…，c_i，…，c_m为m个化学指标的设计允差。

3.根据权利要求2所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：在所述步骤(3)中，所述库存量使用比例在0-1之间随机产生。

4.根据权利要求3所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：所述s取大于等于50的整数。

5.根据权利要求2所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：在所述步骤(5)中，根据生成的染色体集合{X}，计算每一个染色体的m个化学指标项是否满足下式要求：

b₁(1-c₁)＜a₁₁k₁x_i1+a₁₂k₂x_i2+…+a_1nk_nx_in＜b₁(1+c₁)

b₂(1-c₂)＜a₂₁k₁x_i1+a₂₂k₂x_i2+…+a_2nk_nx_in＜b₂(1+c₂)

…

b_m(1-c_m)＜a_m1k₁x_i1+a_m2k₂x_i2+…+a_mnk_nx_in＜b_m(1+c_m)；

计算每一个染色体的片烟数量是否满足下式要求：

b₀(1-c₀)＜k₁x_i1+k₂x_i2+…+k₁x_in＜b₀(1+c₀)；

其中，1≤i≤j；挑选出同时满足上述条件的染色体，作为满足目标值要求的染色体。

6.根据权利要求5所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：在所述步骤(6)中，从满足目标值要求的染色体中挑选出前P个染色体，作为形成片烟的初烤烟配方输出；所述P根据需要设定。

7.根据权利要求6所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：所述j取大于等于10的整数；所述P在1-10中取值。

8.根据权利要求1至7中任一项所述的基于遗传算法的初烤烟配方打叶优化设计方法，其特征在于：在所述步骤(1)中，首先从烟叶数据库中选择N个不同类型、产地、品种、等级的初烤烟，然后根据初烤烟的产地、部位、品种配打规则，将不符合配打规则的初烤烟过滤，剩下n个初烤烟进行优化设计。