遗传与细菌觅食混合优化算法及在白酒品质分析中的应用制造技术

本发明专利技术公开了一种遗传与细菌觅食混合优化算法及在白酒品质分析中的应用，集成了遗传与细菌觅食混合优化算法，经改进量子旋转角使其自适应

【技术实现步骤摘要】
遗传与细菌觅食混合优化算法及在白酒品质分析中的应用


[0001]本专利技术涉及白酒品质定量缝隙
，具体涉及遗传与细菌觅食混合优化算法及在白酒品质分析中的应用
。

技术介绍

[0002]白酒提高香气，通过固态高温发酵阶段
‑
采用带陶粒球的陶瓷窖进行发酵，使得白酒中的乙醇分子排列逐渐规整，降低乙醇分子的活度，使得白酒口味更加绵软
、
柔和；同时在白酒中加入苹果汁，使得苹果汁发酵产生的醋酸与白酒中溢出的乙醇发生酯化反应，生成新的产物酯，将白酒中的醇类转变为带香味的酯香，其香气馥郁；充分利用果实中纤维素的吸附和氧化作用，不仅吸附了原基酒中的甲醇
、
甲醛等有害物质，更产生了乙酸乙酯
、
乳酸乙酯
、
已酸乙酯
、
丁酸乙酯等香类物质来丰富白酒口感的醇香
。
[0003]上述工艺从底层技术满足提升白酒特别是高档白酒香型品质的需求，但这一传统工艺需进行定性定量分析，则需要一系列分析手段完成
。
目前可能涉及以下算法进行分析
。
[0004]一
、
标准的细菌觅食优化
(BFO)
算法
[0005]细菌觅食行为通常包含以下四步：
[0006]步骤一
、
对附近区域进行搜索，判断是否存在食物源；
[0007]步骤二
、
根据步骤一中的判断，决定是否进去此区域，若进入则执行步骤三，否则进入新区域搜索食物源；
[0008]步骤三
、
在进入的区域内对食物源进行搜索；
[0009]步骤四
、
当选定区域内的食物被消耗到一定程度，考虑是开辟新的区域搜索食物源还是留在此区域内继续觅食
。
[0010]通常，细菌可能遇到两类区域：
[0011]一是遇到食物丰富型的区域时，细菌会在此区域停留并进行觅食，一段时间后，该区域可能变成食物匮乏型区域，此时细菌会通过鞭毛的快速移动去寻找新的食物源；
[0012]二是当遇到食物匮乏型区域时，细菌会凭借自身觅食经验，朝着可能存在丰富食物源的方向移动
。
[0013]标准的细菌觅食优化
(BFO)
算法如下：
[0014]1.
趋向操作
[0015]游动和翻转是大肠杆菌觅食过程中的两个基本动作，两种运动的主要区别在于翻转是为了寻找新的方向，而游动则保持运动方向不变
。
这两种基本运动构成了
BFO
算法中的趋向性操作
。
趋向性的具体操作步骤：一是
、
细菌在随机方向上游动；二是
、
计算当前所在方向的适应度值，并与之前的适应度值作比较，若当前适应度值更高，则朝着该随机方向游动，否则执行翻转行为，选择其它随机方向游动；当某个细菌个体达到最大趋向性操作次数时，停止该个体的趋向性操作，执行下一个细菌个体的趋向性操作
。
假设
P(i,j,k,m)
是第
i
个细菌在第
j
次趋向性操作
、
第
k
次复制操作和第
m
次迁徙操作后的位置；
C(i)
是第
i
个细菌在随机方向上游动的单位步长；是细菌游走第
j
步的方向角；
Δ
(i)
是随机方向上的单
位向量
。
细菌趋向性操作的步骤如下所示：
[0016][0017][0018]C(i)
取值越大，算法的全局搜索能力越强；
C(i)
取值越小，则算法的局部搜索能力更显著；
C(i)
的选择取决于自适应值的大小
。
[0019][0020]上式中，
S
表示细菌种群的大小；
θ
n
(i)
表示第
i
个细菌的第
n
个分量；
θ
n
表示细菌种群其它细菌的第
n
个分量；
d
attr
和
w
attr
分别表示吸引力的深度和宽度，
h
repe
和
w
repe
分别表示排斥力的高度和宽度
。
[0021]J
cc
(
θ
,P(j,k.m))
称为适应度函数值，其值的大小影响细菌个体间的信号传递
。
在加入聚集行为的趋向性操作中，第
i
个细菌对应的适应值如式
(4)。
[0022]J(i,j+1,k,m)
＝
J(i,j,k,m)+J
cc
(
θ
(i,j,k,m),P(j+1,k,m))(4)
[0023]2.
复制操作
[0024]细菌觅食过程中，那些寻找食物能力强的细菌保留，并将其进行复制；淘汰掉那些觅食能力弱的细菌
。
这种优胜劣汰过程在
BFO
算法中称之为复制操作
。BFO
算法的复制操作步骤如为：对种群中每个细菌个体的适应度值进行降序排列，淘汰掉适应度值较小的一半个体，保留并复制剩下适应度值较大的细菌个体，保持种群总数不变
。
[0025]3.
迁徙操作
[0026]细菌所处的环境随时都在发生变化
‑
如食物从丰富到匮乏的渐进变化，或温度骤升剧烈变化，这两种环境可变性使细菌去其它区域觅食或者直接被杀死
。
我们称由环境变化引起的细菌种群变化现象在
BFO
算法中称为迁徙操作
。
[0027]迁徙操作虽然破坏了细菌的趋向行为，但它增大了细菌找到另一个充满丰富食物区域的可能性，从长远看，有利于细菌的繁殖
。
经过几代的复制操作后，细菌以一定的概率
P
ed
进行迁徙操作
。
其过程：当一个细菌个体满足概率
P
ed
时，该个体将死亡，并在搜索空间中随机产生一个新个体
。
新旧个体的位置可能不同，即菌群具有不同的觅食能力
。
该操作提高了算法的全局搜索能力，有利于跳出局部最优解
。
[0028]BFO
算法的主要操作步骤如下所示：
[0029]Step1
对算法中趋向操作次数
N
c
、
复制操作次数
N
re
、
迁徙操作次数
N
re
、
迁徙概率
P
re
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种遗传与细菌觅食混合优化算法，其特征在于，对遗传量子旋转角进行修正，能够使量子旋转角自适应
、
连续地更新，定义如下：
M1＝
sgn((x
i
‑
0.5)
α
i
β
i
)(1)M2＝
sgn(
θ
i
‑
θ
d
)(2)
θ
＝
M1M2θ0e
(
‑
η
)
(3)
它的改进有三个步骤：
1)
通过
(1)
式计算出
M1，得到用于控制修正第一步骤旋转角的方向；其中，经典世界信息论中的基本单位比特，只有0和1两种状态；在量子比特中，0和1两种状态称为基本态，量子比特位的状态还可能是两种状态
|0>
态或
|1>
态的叠加态即：
|
ψ
>
＝
α
i
|0>+
β
i
|1>
；量子态
|
ψ
>
坍缩到
|0>
的概率为
|
ψ
>
坍缩到
|1>
的概率为并且
α
i
，
β
i
满足归一化条件为：
x
i
是当前菌体经过测量操作生成的二进制解；
2)
通过
(2)
式计算出
M2，得到用于控制修正第二步骤旋转角的方向；其中，
θ
i
和
θ
d
分别代表当前菌体和最佳菌体在单位圆上的遗传量子旋转角，且满足
θ
d
＜
θ
i
；
sgn(
·
)
是符号函数，该函数是指返回一个整型变量
、
指出参数的正负号的函数；
3)
是在前两个步骤基础上通过
(3)
计算出最佳修正旋转角
θ
，其中，
θ0是遗传量子旋转角的初始值，
θ0和
θ
i
分别为
|q0>
和
|q
i
>
在单位园上的旋转角度，且满足
θ0＜
θ
d
＜
θ
i
，
η
是迭代次数与最大迭代次数的比值；
gen
是迭代次数；
Maxgen
是最大迭代次数
。2.
根据权利要求1所述的遗传与细菌觅食混合优化算法，其特征在于，还包括：引入概率幅修正因子对遗传量子旋转门更新后的概率幅进行修正，概率幅修正因子定义为：式中，
γ
是一个远小于1的正数，0＜
γ
＜＜1；
T
是括号内向量转置，即：
|q0>
为当前最优菌体的某个量子比特，
|q
I
>
为当前菌体的某个量子比特，
α0和
β0为
|q0>
的概率幅，和为
|q
i
>
状态修正后的概率幅；
i
＝1，2，
…
，
n
；则是经过遗传量子旋转门更新后的概率幅，
else
表示不满足的其他情况；则是通过
(4)
得到的概率幅修正因子
。3.
根据权利要求2所述的遗传与细菌觅食混合优化算法，其特征在于，还包括：构建一个最优旋转角修正概率
R
θ
，所述最优旋转角修正概率
R
θ
的定义为：式中，
θ
d
为最佳细菌某个量子比特在单位圆上旋转角度，
μ
和
ε
是取值区间为
(0
，
1)
的随
机数，
R
θ
为所提供最优旋转角修正概率；因
μ
取值在
(0
，
1)
区间均匀分布随机数，
θ
d
以相同的概率取值
θ
d
*
μ
或
θ
d
*(1
‑
μ
)
，因此
R
θ
的值设定为
0.5。4.
根据权利要求3所述的遗传与细菌觅食混合优化算法，其特征在于，所述信息素挥发因子为：式中，
k
＝
0.2
，
e
为自然常数，
log(9)E
cho
是指以9为底的
E
cho
对数，其中，
E
cho
为迭代的代数，为最大迭代的代数
。5.
根据权利要求4所述的遗传与细菌觅食混合优化算法，其特征在于，算法的进化过程包括：初始化细菌觅食优化算法，将定义域...

【专利技术属性】
技术研发人员：唐辉荣，唐军，唐子涵，于同奎，
申请(专利权)人：四川云引智创科技开发有限公司，
类型：发明
国别省市：