CN109726815B - 一种基于Pareto最优的数字化调香方法 - Google Patents
一种基于Pareto最优的数字化调香方法 Download PDFInfo
- Publication number
- CN109726815B CN109726815B CN201711041176.1A CN201711041176A CN109726815B CN 109726815 B CN109726815 B CN 109726815B CN 201711041176 A CN201711041176 A CN 201711041176A CN 109726815 B CN109726815 B CN 109726815B
- Authority
- CN
- China
- Prior art keywords
- fragrance
- raw materials
- formula
- perfume
- raw material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Fats And Perfumes (AREA)
- Cosmetics (AREA)
Abstract
本发明公开了一种基于Pareto最优的数字化调香方法,首先建立香原料描述信息库,包括对常用香原料的感官评分、香原料的香比强值、留香值、香品值、蒸汽压、朴却分类类型(头香、体香、基香)、来源分类(天然、合成)等信息。然后根据调香的目标,同时使用三值理论、分维理论和共振理论作为优化目标,采用香原料总数、用料偏好、创香主题和天然合成香原料的数量比等作为约束条件,采用遗传算法寻求优化解集,作为候选的配方单。该方法可解决传统单目标调香结果单一,多样性差的问题,灵活地提供了更为实用的数字化调香方法。
Description
技术领域
本发明涉及一种基于香气分维的数字化调香新方法,属于香精香料领域。
背景技术
随着国民生活水平的日益提高,香精在日常用品、食品、香烟中的作用越来越大,对提升产品品质,改善产品风味有重要的作用。烟用香精作为卷烟生产重要的组成部分,对改善卷烟口感、突出烟草风味具有重要的作用。
通常情况下,香精配方主要由香原料及其用量构成,虽然创香极具艺术性,但一个良好的香精配方并不是各种香原料随机组合,需要在满足一定基础框架的同时,结合长年的研究成果和经验形成,部分理论成果有较大的参考价值,如香气的分维理论、香气共振理论、三值理论等,各个理论各有所长,但是目前没有综合各个理论的自动调香方法。目前,香精的调香主要依靠调香师的经验和简单的理化指标分析,调香的方式方法因人而异,流程的人为随意性很强,加之调香师的感官检验(香气、香味和外观检验)存在人为的不确定因素和理化指标(相对密度、折射率、醇值、酯值等)的允许范围相对较大,致使调香结果的重复性和可控性较差。因此,建立一种科学合理、不单依靠人为主观判定的调香方法显得非常重要。
发明内容
本发明针对现有的卷烟调香技术存在理论多样、结果单一、效率偏低的缺陷,提供一种多样性好、效率高的数字化调香新方法,该方法提高了卷烟调香技术流程的科学性和高效性,适用范围广。
一种基于Pareto最优的数字化调香方法,包括以下步骤:
步骤一、建立香原料描述信息库,包括各香原料的15种香韵(烤烟烟香、晾晒烟烟香、清香、果香、辛香、木香、青滋香、花香、药草香、豆香、可可香、奶香、膏香、烘焙香、甜香)感官评分、香原料的香比强值、留香值、香品值、蒸汽压、朴却分类类型(头香、体香、基香)、来源分类(天然、合成)、用量范围等信息;其中感官评分通过组织评香小组(以行业卷烟高级调香师、调香师班毕业学员为主,吸纳部分卷烟工业企业从事卷烟配方工作的骨干人员)人工嗅评获取,每位成员对香原料进行15种香韵评分,香韵等级取值为0到3之间,数值越大表示该香韵越强烈,每种原料的香韵评分结果去除一个最小值和一个最大值,再取平均得到最终分值;其它信息由文献资料和实验获得,如香原料的香比强值、留香值、香品值可由文献资料查获,主要来源:林翔云《调香术》第三版,化学工业出版社。
步骤二、根据调香目标,建立带约束的多目标优化模型,优化模型的目标分量包括三值理论模型、分维理论模型和共振理论模型,优化模型的约束条件包括香原料总数、用料偏好、创香主题和天然合成香原料的数量比,其输出为香精配方;
步骤三、使用遗传算法求解优化模型,得到优选的香精配方。
进一步地,所述步骤二中,定义带约束的多目标优化目标模型如下:
f(x)=Min(f1(x),f2(x),f3(x))
s.t.g1(x)=a;
g2(x)=b;
g3(x)=c;
h1(x)>d;
其中,x=(x1,x2,…,xN)为N维决策向量,其中N表示参与优化计算的香原料数目(即总共可用的香原料数目),xi表示第i个香原料的用量(包括重量、配比等),xi≥0,i=1,2,3…N;
f1(x)为三值理论模型函数:f1(x)=-log(B·L·P/1000),B为配方香精的香比强值,B=ΣBiCi,Bi表示配方中第i个香原料的香相比强值,Ci表示配方中第i个香原料的用量百分比;L为配方香精的留香值,L=ΣLiCi,Li表示配方中第i个香原料的留香值;P为配方香精的香品值,P=ΣPiCi,Pi表示配方中第i个香原料的香品值;采用负对数的形式,将模型最小值求解转换成最大值求解;
f2(x)为分维理论模型函数:f2(x)=-(ln M)/(ln N),f2(x)即分维数的相反数,M为N种香原料对主题香气的贡献值之和,M=(ΣBiCiVi)/(ΣBiCi),Vi表示配方中第i个香原料与创香主题相同的香韵的感官评分值(如创香主题果香,则取该香原料果香的感官评分值);
f3(x)为共振理论模型函数:f3(x)=X2/Y-Y/Z,X为配方中所有头香香原料的蒸汽压总和,Y为配方中所有体香香原料的蒸汽压总和,Z为配方中所有基香香原料的蒸汽压总和;
g1(x)、g2(x)和g3(x)为上述模型的等式约束;g1(x)为香原料总数约束,x中大于0的元素个数必须等于设定的香原料总数a;
g2(x)为香原料偏好约束,b=(b1,b2,…,bN)为N维香原料偏好向量,bi表示第i个香原料的使用偏好,其取值为1、0.5或0,分别表示该香原料为必用、可用或禁用状态;若bi=1,则相应的xi必须大于0;若bi=0,则相应的xi必须等于0;
g3(x)为创香主题约束,c=(c1,c2,…,cN)为N维创香主题约束向量,ci表示第i个香原料的主体香韵是否满足创香主题,其取值为1或0,分别表示该香原料的主题香韵满足创香主题或不满足创香主题(香原料的主题香韵一般等于其15种香韵感官评分值中最大项,如某一香原料的主题香韵为果香,而创香主题为果香,则相应元素取值为1,否则为0);若ci=0,则相应的xi等于0;
h1(x)为模型的不等式约束,表示香精配方中天然香原料的数量/合成香原料的数量必须大于设定的比例d。
进一步地,步骤三中使用遗传算法求解优化模型。首先随机生成m个配方作为初始种群,通过对种群进行选择、交叉、变异三个遗传操作,得到第一代子代种群;然后将父代种群和子代种群合并进行分层,并计算每层的个体拥挤度,根据每一层的个体拥挤度从各层中选取合适个数的个体组成新的父代种群,然后再通过选择、交叉、变异得到下一代种群。如此反复,直到循环次数达到预设值。从最终得到的子代种群中根据各配方对应的f(x)值大小选择香精配方。具体包括以下步骤:
步骤1、初始化;设总共可用的香原料数目N,种群中个体的数量m,设定创香主题,形成配方的香原料数a,迭代计算次数k;
从N种香原料中进行随机选择香原料,形成m个满足步骤二中约束条件的初始配方,作为初始种群,各配方中每种香原料的配比根据调香师提供的各种香原料的用量范围随机选择;
步骤5、按每层的配方数量比例从各层中随机抽选共m个配方单作为新的父代种群,返回步骤2开始下一轮迭代;直到完成k次迭代,计算最终得到的m个配方对应的f(x)值,将m个配方按其对应的f(x)值由小到大排序,排序靠前的配方即为优选的香精配方。
本发明实施例中,设置N=150,m=20,a=10,k=10。
通过本发明可以产生多个配方的方法有两种:一是调整参数,多次运行计算;二是从最终的子代种群种选择若干配方做为结果。
有益效果:
本发明提供了一种基于Pareto最优的数字化调香方法,将香精配方的形成转换成带约束的多目标优化问题,以此获取满足基本感官要求和调香目标的配方单。首先建立《香原料描述信息库》,然后根据调香目标,综合考虑香气的三值理论、分维理论和共振理论论作为创香理论支撑,将配方单表达成优化算法中决策变量,直接利用变量的不同维度表达原料用量值,建立优化目标,采用香原料数量、用料偏好(用料偏好可同时控制溶解性的一致性)、香韵主题和天然合成原料占比等约束条件,寻求优化解集。和使用单一理论目标进行优化计算不同的是,多目标优化通常不存在唯一的全局最优解,这为调香师提供了更多的候选配方,也增加了结果的多样性,有利于形成真正实用的配方单。采用Pareto最优解集作为优化问题的解,根据其特性,恰能使得结果配方在约束条件下,分布在三个优化目标解区域,形成可供候选的配方单。调香师再根据候选配方单,结合用量经验和定香、修饰经验,调配香精,并进行嗅闻、评价和卷烟加香试验,有效提高了调香师的创香效率。该方法模型灵活,随着调香理论研究的发展,可以增加其它创香理论作为优化目标,也可以增加其它约束条件到模型中,调用统一的算法即可得到目标解集,实用性好、灵活性高;可解决传统单目标调香结果单一,多样性差的问题,灵活地提供更为实用的数字化调香方法。
具体实施方式
以下实施例旨在进一步说明本发明,而不是限制本发明。
实施例1:
本发明提供了一种基于Pareto最优的数字化调香方法,包括以下步骤:
步骤一、建立香原料描述信息库,包括各香原料的15种香韵(烤烟烟香、晾晒烟烟香、清香、果香、辛香、木香、青滋香、花香、药草香、豆香、可可香、奶香、膏香、烘焙香、甜香)感官评分、香原料的香比强值、留香值、香品值、蒸汽压、朴却分类类型(头香、体香、基香)、来源分类(天然、合成)、用量范围等信息;
步骤二、根据调香目标,建立带约束的多目标优化模型,优化模型的目标分量包括三值理论模型、分维理论模型和共振理论模型,优化模型的约束条件包括香原料总数、用料偏好、创香主题和天然合成香原料的数量比,其输出为香精配方;
步骤三、使用遗传算法求解优化模型,得到优选的香精配方;具体包括以下步骤:
步骤1、初始化;设总共可用的香原料数目:150,种群中个体的数量20,设定创香主题为果香,形成配方的香原料数10,迭代计算次数10;
从150种香原料中进行随机选择香原料,形成20个满足步骤二中约束条件的初始配方,作为初始种群,各配方中每种香原料的配比根据调香师提供的各种香原料的用量范围随机选择;
步骤2、将20个配方两两之间随机交换香原料、改变某种香原料形成第一代子代种群,得到190个配方;
步骤3、将这190个配方和初始的20个配方构成新的种群;
步骤4、对这210个配方,计算两两之间的不同原料个数,按照不同原料个数在2个以内、3到4个、5个以上将其分为三个层次;
步骤5、按每层的配方数量比例从这三个层次中随机抽选共20个配方单作为新的父代种群,返回步骤2开始下一轮迭代;直到完成10次迭代,计算最终得到的20个配方对应的f(x)值,将20个配方按其对应的f(x)值由小到大排序,排序靠前的配方即为优选的香精配方。
实施例2:
以烟草行业调香为例,建立香原料描述信息库,包括常用香原料的15中香韵(烤烟烟香、晾晒烟烟香、清香、果香、辛香、木香、青滋香、花香、药草香、豆香、可可香、奶香、膏香、烘焙香、甜香)的感官评分、香原料的香比强值、留香值、香品值、蒸汽压、溶解性、朴却分类类型(头香、体香、基香)、用量范围等信息。数据库部分数据见表一。
表一、香原料描述信息库
本实施例目标为设计一支以“清香”为主题的表香香精,采用本发明进行配方单的自动生成,并经调香师选取3个配方示例如以下三个表格所示:
表二、自动生成清香主题表香香精配方单(1)
表三、自动生成清香主题表香香精配方单(2)
表四、自动生成清香主题表香香精配方单(3)
通过试验调制自动生成的三组配方,并进行加香试验,经检验,第一组和第三组配方清香明显,并富有甜香风味,对增加卷烟的香气质和减少杂气起到一定的作用,第二组配方体现出清香和花香共存的风味,增加了卷烟香气的丰富性。三组配方从组分组成上具有较高的参考价值,在配比方面有一定的合理性,由于香原料的存放条件、生产工艺以及稀释规格等差别,对配比进行一到两次的修正即可得到对应目标的配方单。此过程大大减少了完全凭经验调制的时间和精力需求,可有效地提高创香效率。
Claims (3)
1.一种基于Pareto最优的数字化调香方法,其特征在于,该方法包括以下步骤:
步骤一、建立香原料描述信息库,其中的信息包括各香原料15种香韵的感官评分、香原料的香比强值、留香值、香品值、蒸汽压、朴却分类类型、来源分类和用量范围;
步骤二、根据调香目标,建立带约束的多目标优化模型,优化模型的目标分量包括三值理论模型、分维理论模型和共振理论模型,优化模型的约束条件包括香原料总数、用料偏好、创香主题和天然合成香原料的数量比,其输出为香精配方;
步骤三、使用遗传算法求解优化模型,得到优选的香精配方。
2.根据权利要求1所述的基于Pareto最优的数字化调香方法,其特征在于,所述步骤二中,定义带约束的多目标优化目标模型如下:
f(x)=Min(f1(x),f2(x),f3(x))
s.t.g1(x)=a;
g2(x)=b;
g3(x)=c;
h1(x)>d;
其中,x=(x1,x2,…,xN)为N维决策向量,其中N表示参与优化计算的香原料数目(即总共可用的香原料数目),xi表示第i个香原料的用量,xi≥0,i=1,2,3…N;
f1(x)为三值理论模型函数:f1(x)=-log(B·L·P/1000),B为配方香精的香比强值,B=ΣBiCi,Bi表示配方中第i个香原料的香相比强值,Ci表示配方中第i个香原料的用量百分比;L为配方香精的留香值,L=ΣLiCi,Li表示配方中第i个香原料的留香值;P为配方香精的香品值,P=ΣPiCi,Pi表示配方中第i个香原料的香品值;
f2(x)为分维理论模型函数:f2(x)=-(ln M)/(ln N),f2(x)即分维数的相反数,M为N种香原料对主题香气的贡献值之和,M=(ΣBiCiVi)/(ΣBiCi),Vi表示配方中第i个香原料与创香主题相同的香韵的感官评分值;
f3(x)为共振理论模型函数:f3(x)=X2/Y-Y/Z,X为配方中所有头香香原料的蒸汽压总和,Y为配方中所有体香香原料的蒸汽压总和,Z为配方中所有基香香原料的蒸汽压总和;
g1(x)、g2(x)和g3(x)为上述模型的等式约束;g1(x)为香原料总数约束,x中大于0的元素个数必须等于设定的香原料总数a;
g2(x)为香原料偏好约束,b=(b1,b2,…,bN)为N维香原料偏好向量,bi表示第i个香原料的使用偏好,其取值为1、0.5或0,分别表示该香原料为必用、可用或禁用状态;若bi=1,则相应的xi必须大于0;若bi=0,则相应的xi必须等于0;
g3(x)为创香主题约束,c=(c1,c2,…,cN)为N维创香主题约束向量,ci表示第i个香原料的主体香韵是否满足创香主题,其取值为1或0,分别表示该香原料的主题香韵满足创香主题或不满足创香主题;若ci=0,则相应的xi等于0;
h1(x)为模型的不等式约束,表示香精配方中天然香原料的数量/合成香原料的数量必须大于设定的比例d。
3.根据权利要求1所述的基于Pareto最优的数字化调香方法,其特征在于,所述步骤三中包括以下步骤:
步骤1、初始化;设总共可用的香原料数目N,种群中个体的数量m,设定创香主题,形成配方的香原料数a,迭代计算次数k;
从N种香原料中进行随机选择香原料,形成m个满足步骤二中约束条件的初始配方,作为初始种群,各配方中每种香原料的配比根据调香师提供的各种香原料的用量范围随机选择;
步骤5、按每层的配方数量比例从各层中随机抽选共m个配方单作为新的父代种群,返回步骤2开始下一轮迭代;直到完成k次迭代,计算最终得到的m个配方对应的f(x)值,将m个配方按其对应的f(x)值由小到大排序,排序靠前的配方即为优选的香精配方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041176.1A CN109726815B (zh) | 2017-10-30 | 2017-10-30 | 一种基于Pareto最优的数字化调香方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041176.1A CN109726815B (zh) | 2017-10-30 | 2017-10-30 | 一种基于Pareto最优的数字化调香方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726815A CN109726815A (zh) | 2019-05-07 |
CN109726815B true CN109726815B (zh) | 2020-10-20 |
Family
ID=66292780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041176.1A Active CN109726815B (zh) | 2017-10-30 | 2017-10-30 | 一种基于Pareto最优的数字化调香方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726815B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395553A (zh) * | 2019-08-16 | 2021-02-23 | 湖南中烟工业有限责任公司 | 一种基于经验配方网络游走模型的数字化调香方法 |
CN111310127B (zh) * | 2020-02-25 | 2021-01-22 | 武汉轻工大学 | 基于食品制品品质范围获取原料品质范围的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101425105A (zh) * | 2008-12-04 | 2009-05-06 | 哈尔滨工程大学 | 基于免疫算法的卷烟叶组配方辅助设计方法 |
CN101571520A (zh) * | 2008-04-28 | 2009-11-04 | 湖北中烟工业有限责任公司 | 用于烟用香精的气相色谱多标法定量分析方法 |
CN102338780A (zh) * | 2010-07-28 | 2012-02-01 | 中国科学院大连化学物理研究所 | 一种卷烟品牌判别方法 |
CN104237370A (zh) * | 2014-08-22 | 2014-12-24 | 中国农业科学院油料作物研究所 | 一种添加芝麻油香精的假冒芝麻油快速鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8073790B2 (en) * | 2007-03-10 | 2011-12-06 | Hendra Soetjahja | Adaptive multivariate model construction |
-
2017
- 2017-10-30 CN CN201711041176.1A patent/CN109726815B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571520A (zh) * | 2008-04-28 | 2009-11-04 | 湖北中烟工业有限责任公司 | 用于烟用香精的气相色谱多标法定量分析方法 |
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101425105A (zh) * | 2008-12-04 | 2009-05-06 | 哈尔滨工程大学 | 基于免疫算法的卷烟叶组配方辅助设计方法 |
CN102338780A (zh) * | 2010-07-28 | 2012-02-01 | 中国科学院大连化学物理研究所 | 一种卷烟品牌判别方法 |
CN104237370A (zh) * | 2014-08-22 | 2014-12-24 | 中国农业科学院油料作物研究所 | 一种添加芝麻油香精的假冒芝麻油快速鉴别方法 |
Non-Patent Citations (2)
Title |
---|
几种新化学/生物分析方法及分析数据建模算法的研究与应用;孔波;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20101231(第12期);第B014-36页 * |
基于Pareto多目标遗传算法的CMOS运放优化设计;陈鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20121031(第10期);第I140-777页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109726815A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Palubicki et al. | Self-organizing tree models for image synthesis | |
CN109726815B (zh) | 一种基于Pareto最优的数字化调香方法 | |
Uchmański | What promotes persistence of a single population: an individual-based model | |
CN102163249B (zh) | 用于窗帘设计的交互式进化优化方法 | |
CN109875098A (zh) | 一种卷烟调香涂布料及其应用 | |
CN108685150A (zh) | 一种基于香气分维的卷烟数字化调香方法 | |
CN110226775A (zh) | 一种添加在加热不燃烧卷烟滤棒中的加香丝束棒及其制备方法 | |
CN106665328B (zh) | 一种烤烟抗黑胫病品种定向培育方法 | |
CN109272213A (zh) | 一种基于味觉数字化的菜品还原方法 | |
CN108828139A (zh) | 一种烟用香精香料评价方法 | |
CN106645530B (zh) | 一种基于烟叶致香成分的多模型评价烟叶原料相似度的方法 | |
CN109907351A (zh) | 一种基于混合协同过滤的卷烟配方维护方法及系统 | |
Cai | User preference adaptive fitness of interactive genetic algorithm based ceramic disk pattern generation method | |
CN108564294A (zh) | 一种烟叶原料评价方法 | |
CN115300658A (zh) | 一种多味道的香及其制备方法 | |
Team | Chameleon: Mixed-Modal Early-Fusion Foundation Models | |
CN110432539A (zh) | 一种卷烟原料余缺替代方法 | |
Hua et al. | An interactive plant pruning system based on GreenLab model: Implementation and case study | |
Isbister | Birth control, income redistribution, and the rate of saving: The case of Mexico | |
Thaker et al. | Entrepreneurial interests and training needs of tribal farm women of Amirgadh and Danta Talukas of Banaskantha district (Gujarat) | |
Renton et al. | Integrating Markov chain models and L-systems to simulate the architectural development of apple trees | |
Razzaq et al. | Processed food innovation using oyster mushroom | |
Plugatar et al. | Reproductive traits of some hybrid tea rose cultivars from the collection of the Nikita botanical gardens | |
CN108830446A (zh) | 一种烟用香精香料添加量的评价方法 | |
Dewayanti et al. | Women’s Ready-to-Wear Collection with the Influence of Cottagecore |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |