O algoritmo de otimização do lobo cinzento (GWO), baseado em inteligência de enxame, possui vantagens como poucos parâmetros, estrutura simples e fácil implementação, mas tem pouca aplicação na área espectral. Este estudo introduz o algoritmo GWO na seleção de variáveis do espectro do infravermelho próximo, tomando dados de milho como exemplo. Foram avaliados o desempenho da matilha de lobos, o número de iterações, a quantidade de lobos e a eficiência computacional do algoritmo GWO, e foi estabelecido um modelo de mínimos quadrados parciais (PLS) para a determinação do teor de proteína, gordura, umidade e amido em amostras de milho. Os resultados mostram que a eficiência computacional do algoritmo GWO é muito alta; após a otimização dos parâmetros, foi construído um modelo PLS cujas variáveis retidas para proteína, gordura, umidade e amido foram 19, 19, 14 e 34, respectivamente, e o erro quadrático médio da previsão (RMSEP) diminuiu de 0,2458, 0,1224, 0,3398, 1,1058 no modelo PLS com comprimento total para 0,1477, 0,0801, 0,1762, 0,7398, com reduções de 40%, 35%, 48% e 33%, respectivamente, e com aumento correspondente nos coeficientes de correlação. Portanto, o algoritmo GWO não só apresenta rápida velocidade de otimização e selecção de poucas variáveis, como também pode melhorar significativamente a precisão preditiva do modelo PLS, sendo um método eficaz para a seleção de variáveis do espectro do infravermelho próximo.

espectro do infravermelho próximo;seleção de variáveis;algoritmo do lobo cinzento (GWO);mínimos quadrados parciais (PLS)