郭廣頌， 陳良驥， 李 玲

(1.鄭州航空工業(yè)管理學(xué)院機(jī)電工程學(xué)院，河南鄭州 450046； 2.天津工業(yè)大學(xué)機(jī)械工程學(xué)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?；旌闲途頍熆诟袇f(xié)調(diào)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(yōu)點(diǎn)是香氣量足且焦油含量低。為滿足消費(fèi)者喜歡的口味，傳統(tǒng)的葉組配方制作往往須要耗費(fèi)數(shù)年時(shí)間，所以目前國內(nèi)卷煙企業(yè)較少涉及，如何高效高質(zhì)地獲得市場認(rèn)可的葉組配方一直是煙草行業(yè)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(fā)合理全面的煙草感官評吸方法，助推市場產(chǎn)品的開發(fā)。由于目前煙草感官評價(jià)有國家標(biāo)準(zhǔn)、行業(yè)標(biāo)準(zhǔn)以及企業(yè)和科研單位自定標(biāo)準(zhǔn)等多種標(biāo)準(zhǔn)，這些標(biāo)準(zhǔn)采用的評價(jià)指標(biāo)、標(biāo)度方法還不能滿足煙葉感官質(zhì)量風(fēng)格特色評價(jià)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(jià)方法成為目前研究的熱點(diǎn)。武怡等采用兩級模糊綜合評價(jià)方法計(jì)算葉組評價(jià)分值，獲得更可靠的感官評吸分析數(shù)據(jù)[1]；喬學(xué)義等建立包含評價(jià)指標(biāo)、評價(jià)標(biāo)度、樣品制備等多方面的烤煙煙葉質(zhì)量風(fēng)格特色感官評價(jià)方法[2]；隨著信息技術(shù)的發(fā)展，采用智能計(jì)算輔助分析葉組配方的方法已經(jīng)越來越多地被采用。申玉軍等賦予感官指標(biāo)權(quán)重，利用數(shù)理統(tǒng)計(jì)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(biāo)示量度感官評價(jià)方法可用于評價(jià)香料在參比卷煙中的作用[4]。二是分析煙草化學(xué)成分對感官評價(jià)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(xué)成分與感官評吸質(zhì)量之間的非線性關(guān)系[5]；盧紅兵等采用遺傳算法-神經(jīng)網(wǎng)絡(luò)(genetic algorithm-back propagation，簡稱GA-BP)方法建立煙草香味成分分析數(shù)據(jù)與感官評價(jià)數(shù)據(jù)的預(yù)測模型[6]。但這些方法計(jì)算量都比較大，對于需要反復(fù)評吸再定型的煙草產(chǎn)品來說具有較大的實(shí)現(xiàn)困難。采用智能方法優(yōu)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(fā)了一種煙葉質(zhì)量評價(jià)和葉組配方專家系統(tǒng)，可以有效縮短葉組配方的研發(fā)周期[7]，但專家系統(tǒng)的開發(fā)造價(jià)高，經(jīng)濟(jì)負(fù)擔(dān)巨大。此外遺傳算法也被應(yīng)用于配方優(yōu)化[8]，但其優(yōu)化指標(biāo)未包含感官評價(jià)，所以優(yōu)化結(jié)果的針對性不強(qiáng)。

20世紀(jì)80年代在傳統(tǒng)遺傳算法基礎(chǔ)上提出的交互式遺傳算法是一種可以將人的主觀活動(dòng)引入進(jìn)化過程的進(jìn)化優(yōu)化算法。因?yàn)榻换ナ竭z傳算法的個(gè)體適應(yīng)值由人評價(jià)，所以可以將感官評價(jià)融入進(jìn)化，再利用遺傳策略對隱式性能指標(biāo)或混合性能指標(biāo)進(jìn)行優(yōu)化。該算法實(shí)現(xiàn)簡單，且能體現(xiàn)強(qiáng)烈的個(gè)性化需求，現(xiàn)已被應(yīng)用于語音合成[9]、珠寶加工[10]、色彩推薦[11]、海報(bào)設(shè)計(jì)[12]等領(lǐng)域。但單純采用傳統(tǒng)交互式遺傳算法構(gòu)建的優(yōu)化系統(tǒng)，其設(shè)計(jì)性能并不理想。因?yàn)榻换ナ絻?yōu)化的每款產(chǎn)品適應(yīng)值(評價(jià)值)均由人評價(jià)產(chǎn)生，人進(jìn)行長時(shí)間評價(jià)容易產(chǎn)生疲勞，這會(huì)限制算法的種群規(guī)模和進(jìn)化代數(shù)。另外，傳統(tǒng)交互式遺傳算法多采用單機(jī)實(shí)現(xiàn)，不利于采集多人多組評價(jià)數(shù)據(jù)，評價(jià)結(jié)果具有較大的局限性。

葉組配方設(shè)計(jì)主要受煙葉成本、煙氣指標(biāo)和煙葉產(chǎn)地等因素約束，葉組配方的確定強(qiáng)烈依賴于感官評價(jià)，是典型的混合性能指標(biāo)評價(jià)問題?；谏鲜銮闆r，本研究設(shè)計(jì)一種基于改進(jìn)交互式遺傳算法的淡香混合型煙草葉組配方進(jìn)化優(yōu)化系統(tǒng)。與傳統(tǒng)方法相比，本系統(tǒng)能大幅縮短葉組設(shè)計(jì)周期，且實(shí)現(xiàn)簡單，成本低廉，選型性能優(yōu)異。由于目前煙草葉組配方設(shè)計(jì)還沒有應(yīng)用交互式遺傳算法的先例，因此本研究可為煙草企業(yè)提供一種新的葉組設(shè)計(jì)方法。

1 智能煙葉配方優(yōu)化系統(tǒng)設(shè)計(jì)

1.1 染色體編碼

本系統(tǒng)針對淡香混合型煙草葉組設(shè)計(jì)，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(gòu)成交互式遺傳算法的染色體，即染色體是一個(gè)二進(jìn)制基因組g=(a1,a2,…,am)，其中ai,i=1,2,…,m表示染色體組分。根據(jù)煙葉葉組情況，染色體由4個(gè)參數(shù)組成，每個(gè)參數(shù)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(jù)淡香混合型卷煙葉組實(shí)踐經(jīng)驗(yàn)，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(jìn)制編碼構(gòu)成，碼段為0110111～1000110；其他組分比例由5位二進(jìn)制編碼構(gòu)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(wǎng)絡(luò)的實(shí)現(xiàn)

鑒于單機(jī)實(shí)現(xiàn)交互式遺傳算法的局限性，本系統(tǒng)采用局域網(wǎng)絡(luò)實(shí)現(xiàn)遠(yuǎn)程人機(jī)交互功能?？蛻舳擞糜谟脩魠⑴c評價(jià)，各客戶端的運(yùn)行平臺是同構(gòu)的，主要用于存放交互式遺傳算法所需的私有數(shù)據(jù)。服務(wù)器端主要用于客戶管理、運(yùn)行交互式遺傳算法平臺客戶端系統(tǒng)及優(yōu)化結(jié)果生成等。服務(wù)器端采用結(jié)構(gòu)化查詢語言(structured query language，簡稱SQL)Server 2000數(shù)據(jù)庫作為全局?jǐn)?shù)據(jù)庫存放共享信息。所有進(jìn)化數(shù)據(jù)均存儲在數(shù)據(jù)庫服務(wù)器上，各交互式遺傳算法平臺客戶端通過自動(dòng)調(diào)用系統(tǒng)命令ipconfig獲得客戶機(jī)的網(wǎng)卡物理地址，并作為在數(shù)據(jù)庫服務(wù)器上的唯一標(biāo)志，以便數(shù)據(jù)庫服務(wù)器區(qū)分不同客戶端的評價(jià)數(shù)據(jù)。算法實(shí)現(xiàn)的拓?fù)浣Y(jié)構(gòu)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(jī)、思科SF100D-08(SD208T)8口以太網(wǎng)交換機(jī)等組成。終端操作系統(tǒng)為Windows XP。

1.3 交互式界面設(shè)計(jì)

本系統(tǒng)的交互式界面分為客戶端界面和服務(wù)器界面等2個(gè)部分，均采用Visual Basic 6.0 實(shí)現(xiàn)。其中客戶端用于評審員對樣品打分，每一進(jìn)化代提供6個(gè)評價(jià)樣本，即種群規(guī)模N=6，客戶端交互界面如圖2所示。煙草感官評價(jià)標(biāo)準(zhǔn)參照GB 5606.4—2005《卷煙 第4部分：感官技術(shù)要求》，感官評吸指標(biāo)包含光澤、香氣、諧調(diào)、雜氣、刺激性、余味等6項(xiàng)。各項(xiàng)評價(jià)標(biāo)準(zhǔn)如表1所示，各項(xiàng)指標(biāo)以0.5分為計(jì)分單位，總分100分，通過拖拽滑動(dòng)條對項(xiàng)目進(jìn)行賦值。為增強(qiáng)評價(jià)的公平性，采用盲評機(jī)制，即評審員評吸時(shí)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(dòng)加速度頻譜。對比正弦波供電,當(dāng)逆變器供電時(shí),振動(dòng)幅值整體增加。不同電流供電下振動(dòng)加速度的最大幅值點(diǎn)均出現(xiàn)在8 500 Hz,9 533 Hz,10 700 Hz,11 400 Hz附近,接近模態(tài)分析結(jié)果中0階和8階固有頻率。開關(guān)頻率10 kHz附近振動(dòng)加速度增加較大,究其原因是引入逆變器開關(guān)頻率的諧波電流加劇了高頻段的結(jié)構(gòu)共振。

表1 卷煙感官質(zhì)量評判標(biāo)準(zhǔn)

1.4 遺傳算子

定義1：當(dāng)f[xi(t)]，f[xj(t)]同時(shí)為區(qū)間數(shù)或者有1個(gè)為區(qū)間數(shù)時(shí)，則

(1)

式(1)為xi(t)占優(yōu)xj(t)的概率，即xi(t)為聯(lián)賽選擇優(yōu)勝個(gè)體的概率為Pij。根據(jù)互補(bǔ)性，xj(t)占優(yōu)xi(t)的概率為Pji=1-Pij。

定義2：當(dāng)f[xi(t)]、f[xj(t)]均為實(shí)數(shù)時(shí)，則

(2)

1.4.2 自適應(yīng)交叉和變異算子 由于個(gè)體適應(yīng)值是由不同評審員打分構(gòu)成的區(qū)間數(shù)，顯而易見，區(qū)間寬度越小，評價(jià)的不確定性越小，評價(jià)結(jié)果越精確，反之則相反。所以一個(gè)種群的評價(jià)偏差可以表示為

(3)

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

交叉算子的設(shè)計(jì)主要體現(xiàn)在當(dāng)評價(jià)差異比較大時(shí)，采用較大的交叉概率增加新個(gè)體的數(shù)量；當(dāng)評價(jià)差異較小時(shí)，采用較小的交叉概率加快算法收斂。由此，設(shè)計(jì)交叉算子是關(guān)于進(jìn)化代數(shù)t和評價(jià)偏差θ(t)的S函數(shù)：

pc(t)={1+e-k1·[θ(t)/t]}-1。

(4)

式中：k1是調(diào)節(jié)系數(shù)。

變異算子的設(shè)計(jì)主要體現(xiàn)在：(1)當(dāng)評價(jià)差異比較大時(shí)，為增加種群的多樣性，采用較大的變異概率；當(dāng)評價(jià)差異較小時(shí)，采用較小的變異概率加快算法收斂。(2)在進(jìn)化后期，為保證算法收斂，應(yīng)使變異概率降低。由此，設(shè)計(jì)變異算子為

pm(t)=1-[1+e(-k2·t)/θ(t)]-1。

(5)

式中：k2是調(diào)節(jié)系數(shù)。

1.5 算法步驟

結(jié)合上述內(nèi)容，本系統(tǒng)的算法步驟如下：(1)服務(wù)器初始化種群，發(fā)送至各客戶端，令t=0；(2)評審員評價(jià)個(gè)體，從客戶端提交評價(jià)結(jié)果；(3)服務(wù)器匯總評價(jià)結(jié)果，對個(gè)體賦區(qū)間適應(yīng)值；(4)利用式(1)、式(2)選擇個(gè)體；(5)根據(jù)式(3)至式(5)進(jìn)行交叉和變異操作，產(chǎn)生新一代個(gè)體；(6)解碼，輸出個(gè)體組分；(7)若對新一代個(gè)體已滿意，或是已達(dá)到最大進(jìn)化代數(shù)，則停止進(jìn)化過程，否則t=t+1，返回步驟(2)。

2 系統(tǒng)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(dá)到完全諧調(diào)和保持明顯穩(wěn)定的均勻質(zhì)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(jīng)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(jīng)過強(qiáng)化發(fā)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(jìn)化優(yōu)化過程

為使葉組配方的進(jìn)化優(yōu)化具有針對性，避免盲目進(jìn)化，初始種群由用戶確定，即事先根據(jù)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(biāo)準(zhǔn)，但還不是最佳葉組配方。系統(tǒng)工作時(shí)，根據(jù)事先制備好的待評葉組樣本個(gè)體編碼，服務(wù)器從數(shù)據(jù)庫中調(diào)配出6個(gè)相關(guān)個(gè)體組成初始化種群，發(fā)送至各客戶端。選擇6位評審員對樣品進(jìn)行評吸。評價(jià)過程分為3個(gè)階段：第1階段先向評審員分發(fā)標(biāo)準(zhǔn)樣品，統(tǒng)一評價(jià)口徑；第2階段向評審員分別分發(fā)6支卷煙樣品，按評價(jià)指標(biāo)在各客戶端填報(bào)樣品項(xiàng)目評價(jià)結(jié)果；第3階段再次向評審員分發(fā)相同的6支卷煙樣品重新評價(jià)，用于修正評價(jià)結(jié)果并提交。每代進(jìn)化優(yōu)化需要12人次的評吸。服務(wù)器將評價(jià)結(jié)果匯總后，根據(jù)設(shè)定的遺傳參數(shù)，進(jìn)行進(jìn)化優(yōu)化，生成下一代種群。將新種群的個(gè)體解碼后，制備新的樣品再讓評審員評吸，繼續(xù)進(jìn)化直至找到最優(yōu)解。由于遺傳算法的進(jìn)化方向由偏好決定，所以優(yōu)化結(jié)果會(huì)逐漸接近最佳口味，最終獲得的最優(yōu)解就是最佳的葉組配方。

2.3 優(yōu)化效果分析

系統(tǒng)參數(shù)設(shè)定：k1=0.9，k2=1.1，系統(tǒng)運(yùn)行數(shù)據(jù)如表2所示，表中給出了每次進(jìn)化過程樣品的葉組與適應(yīng)值。

分析表2可以發(fā)現(xiàn)，進(jìn)化優(yōu)化達(dá)到第4代時(shí)，組分為[0.62；0.19；0.04；0.15]的葉組出現(xiàn)4次，且區(qū)間適應(yīng)值占優(yōu)，算法已經(jīng)收斂，所以葉組[0.62；0.19；0.04；0.15]即為最優(yōu)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(jīng)過初期優(yōu)化的振蕩后，最終均趨于穩(wěn)定，說明葉組組分逐漸符合評審員的最佳口感，優(yōu)化結(jié)果代表滿意的評判標(biāo)準(zhǔn)。在4種組分的優(yōu)化曲線中，烤煙與白肋煙的優(yōu)化曲線較為平穩(wěn)，烤煙比例由初期的70%左右逐漸穩(wěn)定于60%左右，白肋煙比例大致穩(wěn)定于20%；而香料煙和曬晾煙的優(yōu)化區(qū)間波動(dòng)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(dǎo)致進(jìn)化曲折，也反映出優(yōu)化對象的復(fù)雜性對算法優(yōu)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(jìn)化優(yōu)化結(jié)果

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

采用本系統(tǒng)只需4～5代進(jìn)化周期即可找到最佳葉組配方，與傳統(tǒng)方法相比，大大縮短葉組配方的開發(fā)時(shí)間。傳統(tǒng)配方設(shè)計(jì)方法須要在單料煙質(zhì)量評吸的基礎(chǔ)上先進(jìn)行曬晾煙和烤煙基團(tuán)設(shè)計(jì)，再進(jìn)行烤煙基團(tuán)和香料煙配伍的正交試驗(yàn)設(shè)計(jì)，試驗(yàn)步驟和周期較長。采用交互式遺傳算法優(yōu)化時(shí)，可以直接進(jìn)行混合型煙葉的整體配伍優(yōu)化，減少設(shè)計(jì)步驟。針對煙草葉組的特殊性，本系統(tǒng)的進(jìn)化初始樣品采用針對性設(shè)計(jì)，即設(shè)定較大的烤煙比例(70%)，香料煙和地方曬晾煙比例則設(shè)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(yōu)化方向。這可以確保進(jìn)化方向在進(jìn)化滿意域內(nèi)進(jìn)行，有效縮小搜索空間，避免盲目進(jìn)化，加快優(yōu)化進(jìn)程，在縮短進(jìn)化周期的同時(shí)提高優(yōu)化質(zhì)量。

對最終的優(yōu)化葉組[0.62；0.19；0.04；0.15]還需要進(jìn)行二次加料、加香，卷制小批量樣品煙，分析煙絲主要化學(xué)組分，測定煙支焦油含量和煙堿含量，進(jìn)一步調(diào)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(chǎn)品。從進(jìn)化優(yōu)化角度看，葉組仍有進(jìn)化空間，若希望找到其他滿意的葉組方案，可以重復(fù)操作，進(jìn)行進(jìn)一步對比優(yōu)化。但從實(shí)際角度考察，若評審員對樣品給出高度一致的高分評價(jià)，且算法收斂，則可以認(rèn)為選型結(jié)束。

表3 配方煙絲化學(xué)成分及煙氣分析結(jié)果

混合型卷煙配方的研制是一項(xiàng)受煙葉質(zhì)量、加香技術(shù)制約的復(fù)雜、細(xì)致工作，任何環(huán)節(jié)的細(xì)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(shù)，一直是國內(nèi)外制煙企業(yè)的技術(shù)機(jī)密，采用本方法可以加快技術(shù)突破。交互式遺傳算法的工程應(yīng)用目前總體比較薄弱，本系統(tǒng)只根據(jù)GB 5606.4—2005《卷煙 第4部分：感官技術(shù)要求》設(shè)計(jì)評價(jià)界面，評價(jià)指標(biāo)尚比較單一，如果融合其他評價(jià)方法(如感知標(biāo)示量度、多級指標(biāo)評價(jià)等)，則樣品評價(jià)會(huì)更精確，優(yōu)化質(zhì)量也將提升，這也是下一步要做的工作。

3 結(jié)論

本研究開發(fā)1套針對淡味混合型卷煙配方的智能優(yōu)化選型系統(tǒng)，該系統(tǒng)基于改進(jìn)的交互式遺傳算法實(shí)現(xiàn)，采用局域網(wǎng)遠(yuǎn)程評價(jià)。通過個(gè)體區(qū)間適應(yīng)值刻畫種群評價(jià)偏差，設(shè)計(jì)自適應(yīng)交叉和變異算子，提高算法優(yōu)化性能。結(jié)果表明，該系統(tǒng)能夠根據(jù)用戶口味選擇葉組配方，極大縮短煙草葉組研發(fā)周期。繼續(xù)探尋交互式遺傳算法的工程應(yīng)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(fèi)體驗(yàn)感官評價(jià)方法的建立與應(yīng)用[J]. 煙草科技，2015，48(5)：80-84.

[2]喬學(xué)義，王 兵，馬宇平，等. 烤煙煙葉質(zhì)量風(fēng)格特色感官評價(jià)方法的建立與應(yīng)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(jià)分析方法的建立及應(yīng)用[J]. 煙草科技，2011(5)：15-18.

[4]崔 凱，屈 展，馬 驥，等. 感知標(biāo)示量度卷煙感官評價(jià)方法的建立及應(yīng)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(guī)化學(xué)成分與感官評價(jià)指標(biāo)非線性關(guān)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(wǎng)絡(luò)的煙草品質(zhì)評價(jià)方法[J]. 煙草科技，2011(3)：27-31.

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

[8]王 濤，王 麗. 遺傳算法在配方優(yōu)化中的應(yīng)用[J]. 微計(jì)算機(jī)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(wèi)，等. 基于區(qū)間適應(yīng)值交互式遺傳算法的加權(quán)多輸出高斯過程代理模型[J]. 自動(dòng)化學(xué)報(bào)，2014，40(2)：172-184.