基于NSGA-Ⅱ遺傳算法的煙用香精數字化調香研究及應用

孔 波，蔡佳校，鄒 有，李燕春，盧紅兵，楊華武，譚新良，鐘科軍*

1. 湖南中煙工業有限責任公司技術中心，長沙市雨花區勞動中路386 號 410007

2. 中南大學信息與網絡中心，長沙市岳麓區麓山南路932 號 410083

近年來，香精在日化產品、食品、煙草制品等領域的作用日益增加，其對提升產品品質、改善產品風味有重要的作用[1-2]。煙用香精是卷煙生產中的重要原料之一，其在改善卷煙感官品質、突出煙草風格特征方面發揮著不可或缺的作用[3-4]。

煙用香精配方主要由不同用量的香原料組合而成。開發一個良好的香精配方并不是由調香人員將各種香原料隨機組合而成，而是需要經驗豐富的調香師，在滿足一定調香基礎理論的條件下，根據各香原料的基本特性及其在香精配方中的作用，經過長時間的反復驗證來確定。為了簡化煙用香精調香流程，提高調香效率，國內卷煙調香技術人員在利用調香理論輔助煙用調香方面進行了一些嘗試，例如許式強等[5]采用香味輪廓法建立了香原料和香基的香氣貢獻值數據庫，并以此為依據構建了卷煙輔助調香模型。目前，主要的調香理論有香氣的分維理論（計算香精主題香氣的奇怪吸引子的分維，“分維越接近于1，香精的目標香氣就越突出”）[6]、香氣共振理論（具有共振結構的香精香氣比較和諧、穩定）[7]、三值理論（用于描述香比強值、留香值和香品值及其相互之間的聯系）[8]等，這些理論對指導調香工作和簡化調香過程有一定的參考價值。

隨著計算機技術的不斷發展，人工智能得到了全面的發展，復雜的決策模型可以通過深度學習大量的數據而智能地輸出令人滿意的結果[9-11]。對于煙用香精調香而言，可將其視為求得既滿足現有調香技術又符合調香師經驗的多目標最優解的過程。在科學和工程領域，多目標優化問題（Multi-objective Optimization Problem，MOP）的最優解是由所謂Pareto 最優解或非劣解組成的集合[12]。Srinivas 等[13]提出了非支配排序遺傳算法（Non-dominated Sorting Genetic Algorithm，NSGA），用于求解MOP 的Pareto 最優解。NSGA通過非支配排序的方法保留優良個體，并且使同一個小生境內的個體在NSGA 中的適應度共享，以保證種群的多樣性，這在很多實際問題的求解過程中取得了良好效果。但是NSGA 也存在一定缺陷，為了克服這些缺陷，Deb 等[14]在初始的NSGA 分層思想的基礎上，對其進行了針對性改進，形成了新的非支配排序遺傳算法（NSGA-Ⅱ），從而簡化了求解過程，提高了求解效率。

在本研究中，采用基于NSGA-Ⅱ最優解的多目標最優化遺傳算法，利用計算機的強大計算能力，通過充分挖掘香原料數據特征，并結合現有調香理論以及調香師經驗成果，進行煙用香精配方的創作，旨在實現智能化、數字化調香，為煙用香精調配提供方法參考。

1 材料與方法

1.1 材料、試劑和儀器

用于香原料的卷煙加香作用及風格評價、香精的加香風格評價的參比卷煙均為加料未加香的卷煙，由湖南中煙工業有限責任公司提供。調香過程中使用的所有香原料和溶劑均為食用級，由廣州華芳煙用香精有限公司提供。X3603SX 電子分析天平（感量0.000 1 g，瑞士Mettler Toledo 公司）；KBF720 恒溫恒濕箱（德國Binder 公司）；HRH-286K 注射加香機（北京慧榮和科技有限公司）。

1.2 方法

1.2.1 香料香精嗅香香韻評價

煙用香料香精嗅香香韻包括常用香韻18 種（樹脂香、干草香、清香、果香、辛香、木香、青滋香、花香、藥草香、豆香、可可香、奶香、膏香、烘焙香、焦香、酒香、甜香和酸香），根據不同的嗅香香韻強度量化為0～9 分，記分單位為1 分，具體打分標準見表1。評價小組由7 位具有省級及以上感官評吸資格證（或培訓合格證）的評委組成，對于感官評價結果，在剔除離群值后，通過計算平均值的方式確定香料香精樣品各個香韻分值。在現場判斷樣品評價數據的離散程度，對離散度較大的樣品重新進行評價，確保樣品評價質量，以突出香料香精主要香韻和功能。

表1 嗅香香韻評價打分標準Tab.1 Criteria for olfactory aroma evaluation （分）

1.2.2 香料香精卷煙加香評價

為評價將香精添加到參比卷煙時其對香氣風格和品質特征的貢獻，參考文獻[15]進行香精的卷煙加香效果評價，將煙氣風格量化為0～10 分，計分單位為1 分。對于單體香原料的卷煙加香評價，考察單體香原料添加到參比卷煙后卷煙煙氣的香氣風格變化，量化為0～3 分，計分單位為1 分（具體打分標準見表2）。評價小組構成及評價結果確定方法同1.2.1 節。

表2 單體香原料卷煙加香風格評價打分標準Tab.2 Criteria for evaluating monomer fragrance materials for cigarette flavoring （分）

1.2.3 非支配排序遺傳算法（NSGA-Ⅱ）原理

NSGA-Ⅱ算法的一般流程如圖1 所示，可表述如下：①隨機產生含有N 個個體的初始種群P0，進化代數n=0；②對種群Pn中所有個體進行非劣分層，計算每個個體的擁擠距離并進行非支配排序；③采用選擇、交叉和變異因子建立規模為N 的子代種群Qn；④合并親代種群和子代種群，并對其進行非劣分層，計算擁擠距離，得到非支配排序，選擇最優的N 個個體形成新一代種群Pn+1；⑤判斷n 是否小于代數設定值Genmax，若是，轉入②，繼續搜索Pareto 最優解；否則，算法結束，輸出Pareto 最優解。

圖1 NSGA-Ⅱ算法的一般流程Fig.1 General process in NSGA-Ⅱalgorithm

2 基于NSGA-Ⅱ數字化調香方法的建立

2.1 建立香原料描述信息庫和經驗配方庫

本研究核心是調香算法，基礎是香原料各類定性、定量數據以及經驗配方單。通過儀器檢測分析、感官評價、查閱國內外文獻書籍和專業數據庫，收集了煙草行業常用的包括158 種天然香原料和186 種合成香原料在內的344 種香原料的13 個香味定量描述指標，具體包括名稱、溶解性、香比強值、留香值、香品值、來源（合成和天然）、蒸汽壓、嗅香主體香韻得分及輪廓、卷煙加香風格得分及輪廓、加香作用、用量范圍、作用閾值以及常用調香用途（頭香、體香或基香原料）。最終整理形成香原料描述信息庫，以供數字化調香算法的調用。以芳樟醇為例，其基本信息見表3。

表3 單體香原料芳樟醇基本信息Tab.3 Basic information of linalool

收集了30 個具有不同主體香氣風格的香精配方單（表4），經調香師調整驗證后，將其存儲為經驗配方單以供計算機學習和對調香模型進行約束和求解。其中，1#經驗配方單的組成信息見表5。

表4 30 個經驗配方單的主體香氣風格Tab.4 Main flavor styles of 30 empirical formulas of tobacco flavors

表5 1#經驗配方單（甜香、果香風格）的組成信息Tab.5 Information of empirical formula of tobacco flavor 1#（sweet and fruity scents）

2.2 建立調香模型

定義帶約束的多目標優化目標函數如下：

Minimize f（x）=[f1（x）, f2（x）, f3（x）] （1）

s.t. g1（x）=a；

g2（x）=b；

g3（x）=c；

g4（x）=d；

g5（x）=e；

h1（x）＞f；

其中：f（x）為3 個目標分量f1（x）、f2（x）和f3（x）組成的向量，x=（x1,x2,…,xN）為N 維決策向量，其中N 表示參與優化計算的香原料數目，xi表示第i 個香原料的用量，xi≥0，i=1,2,3,…,N。

f1（x）為三值理論模型函數：f1（x）=-log（B×L×P/1 000），B 為配方香精的香比強值，L 為配方香精的留香值，P 為配方香精的香品值，采用負對數的形式，將模型最大值求解轉換成最小值求解。

f2（x）為分維理論模型函數：f2（x）=-lnM/lnN，f2（x）即分維數的相反數，M 為N 種香原料對目標香氣的貢獻值之和，M=ΣBiCiVi/ΣBiCi，Bi表示配方中第i 個香原料的香比強值，Ci表示配方中第i 個香原料的用量百分比，Vi表示配方中第i 個香原料與調香目標相同的香韻的嗅香主體香韻得分（如果調香目標為果香，則取該香原料果香的嗅香主體香韻得分）。

f3（x）為共振理論模型函數：f3（x）=X2/Y-Y/Z，X為配方中所有頭香香原料的蒸汽壓總和，Y 為配方中所有體香香原料的蒸汽壓總和，Z 為配方中所有基香香原料的蒸汽壓總和。

g1（x）、g2（x）、g3（x）、g4（x）、g5（x）為上述模型的等式約束；g1（x）為香原料總數約束，x 中大于0的元素個數必須等于設定的香原料總數a。

g2（x）為香原料偏好約束，b=（b1,b2,…,bN）為N維香原料偏好向量，bi表示第i 個香原料的使用偏好，其取值為1.0、0.5 或0，分別表示該香原料為必用、可用或禁用狀態；若bi=1.0，則相應的xi必須大于0；若bi=0，則相應的xi必須等于0。

g3（x）為香原料主體香韻約束，c=（c1,c2,…,cN）為N 維香原料主體香韻向量，ci表示第i 個香原料的主體香韻是否滿足調香目標，其取值為1.0 或0，分別表示該香原料的主體香韻滿足調香目標或不滿足調香目標。

g4（x）為經驗配方庫約束，d=（d1,d2,…,dN）為N維香原料配方向量，di表示第i 個香原料的配方使用偏好，其取值為1.0、0.5 或0，分別表示該香原料為常用、不常用或禁用狀態；若di=1.0，則相應的xi必須大于0；若bi=0，則相應的xi必須等于0。

g5（x）為和合修飾約束，d=（e1,e2,…,eN）為N 維香原料和合修飾向量，ei表示第i 個香原料的使用搭配情況，其取值為1.0、0.5 或0，分別表示該香原料為必用、可用或禁用狀態；若ei=1.0，則相應的xi必須大于0；若bi=0，則相應的xi必須等于0。

h1（x）為模型的不等式約束，表示香精配方中天然香原料的數量/合成香原料的數量必須大于設定的比例f。

2.3 輸出調香結果

使用隨機數生成m 個配方作為初始種群，通過非支配集排序后對種群進行選擇、交叉和變異3個遺傳操作，得到第一代子代種群；將父代種群和子代種群合并進行非支配集排序，并計算每個非支配層的個體擁擠度，根據非支配關系以及個體的擁擠度選取合適的個體組成新的父代種群；通過選擇、交叉、變異得到下一代種群。如此反復，直到循環次數達到預設值，最終得到的子代種群即為生成的配方結果。

3 調香算法的應用及評價

3.1 調香目標配方單生成

分別以花香和果香香精為設計目標。以花香目標為例，依次設定調香目標，種群中個體的數量m=20，形成配方的香原料數為17（不含溶劑），迭代計算次數為15，不限定香原料使用偏好，對天然香原料與合成香原料的數量不做約束，則模型求解及配方單生成過程如下：

①首先從344 種香原料中進行隨機選擇，形成20 個初始配方，作為初始種群，每個種群中的香原料數為17。

②根據相應的花香調香目標，對這20 個配方單，按照配方單中所含單體香原料的基本信息（包括香比強值、留香值、香品值、蒸汽壓等）分別計算其f（x）值，并將得到的f（x）值由小到大進行排序，將20 個配方兩兩之間隨機交換原料或改變某原料形成第一代子群，得到190 個配方，將這190 個配方和初始的20 個配方構成新的具有210 個配方的種群，計算其f（x）值并由小到大排序。

③對這210 個配方，計算兩兩之間的不同原料個數，根據個數的差異將其分成不同的層。在該例中可以分為差異數＜2 個、差異數為3～4 個、差異數＞5 個等3 個層次，從這3 個層次中再按每層的配方數量比例隨機抽選共20 個配方單作為新的父代種群，開始下一輪計算。

④將15 次迭代計算后得到的配方單按f（x）值由小到大排序，第一個f（x）值最小的結果則為調香結果。

經過上述模型求解過程，最終分別輸出花香香精和果香香精的數字化調香結果（表6～表7）。

表6 數字化調香花香香精配方單Tab.6 Formula of floral flavor obtained by digital flavoring

3.2 調香結果評價

分別按照表6 和表7 的數字化調香配方單調制小樣，充分混合均勻并適當靜置后，組織具有相應資質的評價人員以香韻輪廓法[16]分別對香精的嗅香及卷煙加香風格進行評價。嗅香感官評價結果（圖2～圖3）表明：數字化調香花香香精以花香（7.0 分）、甜香（5.0 分）為主體香韻，輔以清香（4.0分）和果香（3.0 分）；數字化調香果香香精以果香（7.0 分）、甜香（5.5 分）為主體香韻，輔以花香（3.0分）和清香（2.0 分）；兩種數字化調香香精頭香、體香和基香均較均衡，香氣一致性和穩定性較好，留香持久，符合花香和果香香精要求。

表7 數字化調香果香香精配方單Tab.7 Formula of fruity flavor obtained by digital flavoring

圖2 數字化調香花香香精嗅香評價結果Fig.2 Olfactory aroma evaluation result of floral flavor obtained by digital flavoring

圖3 數字化調香果香香精嗅香評價結果Fig.3 Olfactory aroma evaluation result of fruity flavor obtained by digital flavoring

分別將上述兩種數字化調香香精加入參比卷煙煙絲中，添加比例為0.15%，在恒溫恒濕箱中存儲6 h，再卷制成煙支供評吸。加香前后卷煙加香香氣風格及品質特征評價結果（圖4～圖6）表明：加香前葉組整體香氣風格較均衡，協調性好，香氣豐富性較好，以烤煙煙香（8.1 分）、甜香（2.5 分）為主體香韻，輔以清香（2.0 分）和烘焙香（1.5 分）；添加數字化調香花香香精后，煙氣中花香（由0.1 分提高到2.5 分）、甜香（由2.5 分提高到3.3 分）和清香（由2.0 分提高到3.0 分）香韻有較大增強；添加數字化調香果香香精后，煙氣中果香（由0.5 分提高到3.2 分）、甜香（由2.5 提高到3.5 分）和清香（由2.0 分提高到3.1 分）香韻也有較大幅度提升；添加兩種香精后對煙氣品質特征中的香氣、豐富性、雜氣和煙氣濃度均有一定程度的改善，與葉組配方協調性較好，較為符合煙用香精的實際應用需求。

圖4 數字化調香花香香精加香前后香氣風格評價結果Fig.4 Flavor style evaluation result of cigarette smoke before and after adding floral flavor obtained by digital flavoring

圖5 數字化調香果香香精加香前后香氣風格評價結果Fig.5 Flavor style evaluation result of cigarette smoke before and after adding fruity flavor obtained by digital flavoring

圖6 數字化調香香精加香前后品質特征評價結果Fig.6 Sensory quality evaluation results of cigarettes before and after adding flavors obtained by digital flavoring

由于初始種群為隨機選取，因此在迭代不充分的情況下，輸出的結果存在一定差異，但仍能保持一致的香韻目標。若希望得到具有一致性調香目標且不失個性的多個候選調香結果，可通過降低迭代次數來實現。例如，以花香為主體香韻目標，配方原料數量為16（不含溶劑），迭代次數設置為6 次。進行4 次數字化調香試驗，并對得到的配方單中所用香原料的占比（以香原料的主體香韻為代表）進行比較。結果（表8）表明：4 次數字化調香輸出結果中均帶有分別以果香、花香、甜香、清香和烤煙煙香為主體香韻的香原料，其中第1次和第2 次輸出結果中，所用具有相同主體香韻的原料數量完全一致；此外，4 次結果中共有的香原料數量為7 個，占單個配方原料數量比例為43.75%。可見，該數字化調香算法能輸出與主體香韻目標一致的結果，其結果的差異可以增加配方的個性特征，為后續不同的卷煙加香需求提供更多選擇。

表8 4 次數字化調香結果所用香原料的主體香韻占比Tab.8 Proportion of main flavors in four digital flavoring formulas （%）

4 結論

利用計算機算法和人工智能技術，結合調香理論及實踐經驗，通過引入基于NSGA-Ⅱ最優解的多目標最優化遺傳算法，以所建立的344 種單體香原料描述信息庫和30 組香精經驗配方單為基礎，建立了煙用香精數字化調香方法，并實現了煙用香精的數字化調香應用。通過數字化調香制備了花香香精和果香香精，配方評價結果表明，基于上述數字化調香方法得到的香精能夠滿足相應的調香目標要求。其中，數字化調香花香香精的嗅香以花香和甜香為主體香韻，加香后卷煙煙氣中花香、甜香和清香香韻有較大改善；數字化調香果香香精的嗅香以果香、甜香為主體香韻，加香后能明顯增強煙氣中的果香、甜香和清香香韻；且兩種香精均能較好地與葉組配方相協調，具有較強的實用性價值。同時，由于經驗配方單數量的限制，調香結果準確度仍有待進一步提高，在主體香韻突出的前提下，對于輔助香韻的協調以及香原料用量仍需調香師進一步優化。