L'algorithme d'optimisation du loup gris (GWO) basé sur l'intelligence collective présente l'avantage d'avoir peu de paramètres, une structure simple et une mise en œuvre facile, mais son application dans le domaine spectral est limitée. Cette étude introduit l'algorithme GWO dans la sélection des variables du spectre proche infrarouge, en prenant comme exemple les données de maïs. Elle examine la performance de la meute de loups, le nombre d'itérations, le nombre de loups et l'efficacité de calcul dans l'algorithme GWO, et établit un modèle de moindres carrés partiels (PLS) pour la détermination de la teneur en protéines, en matières grasses, en humidité et en amidon des échantillons de maïs. Les résultats montrent que l'efficacité de calcul de l'algorithme GWO est très élevée. Après optimisation des paramètres, un modèle PLS a été établi, avec un nombre de variables retenues respectivement de 19, 19, 14 et 34 pour les protéines, les matières grasses, l'humidité et l'amidon. L'erreur quadratique moyenne de la prédiction (RMSEP) est passée de 0,2458, 0,1224, 0,3398, 1,1058 dans la modélisation PLS à pleine longueur d'onde à 0,1477, 0,0801, 0,1762, 0,7398 respectivement, soit une réduction de 40%, 35%, 48% et 33%, avec une amélioration correspondante du coefficient de corrélation. Ainsi, l'algorithme GWO non seulement optimise rapidement, sélectionne peu de variables, mais améliore aussi significativement la précision de prédiction du modèle PLS, constituant une méthode efficace de sélection des variables du spectre proche infrarouge.

spectre proche infrarouge;sélection des variables;algorithme du loup gris (GWO);moindres carrés partiels (PLS)