Der auf Schwarmintelligenz basierende Grauwolf-Optimierungsalgorithmus (GWO) zeichnet sich durch wenige Parameter, einfache Struktur und leichte Implementierung aus, findet aber in der Spektralanalyse bisher wenig Anwendung. In dieser Studie wurde der GWO-Algorithmus in die Variablenselektion des nahinfraroten Spektrums eingeführt, am Beispiel von Maisdaten. Es wurden die Leistung der Wolfsrudel, die Anzahl der Iterationen, die Anzahl der Wölfe und die Rechenleistung des GWO-Algorithmus untersucht sowie ein Partial Least Squares (PLS)-Modell zur Bestimmung von Protein-, Fett-, Feuchtigkeits- und Stärkegehalt in Maisproben erstellt. Die Ergebnisse zeigen, dass die Rechenleistung des GWO-Algorithmus sehr hoch ist. Nach Parameteroptimierung wurde ein PLS-Modell aufgebaut, wobei die Anzahl der erhaltenen Variablen für Protein, Fett, Feuchtigkeit und Stärke jeweils 19, 19, 14 und 34 betrug. Der Root Mean Square Error of Prediction (RMSEP) sank von 0,2458, 0,1224, 0,3398, 1,1058 beim vollwelligen PLS-Modell auf 0,1477, 0,0801, 0,1762, 0,7398, was einer Reduktion von 40%, 35%, 48% und 33% entspricht, wobei sich die Korrelationskoeffizienten entsprechend verbesserten. Somit optimiert der GWO-Algorithmus nicht nur schnell bei geringer Variablenauswahl, sondern verbessert auch signifikant die Vorhersagegenauigkeit des PLS-Modells und stellt somit eine effektive Methode zur Variablenselektion im nahinfraroten Spektrum dar.

nahinfrarotspektrum;Variablenselektion;Grauwolf-Algorithmus (GWO);Partial Least Squares (PLS)