Алгоритм оптимизации серого волка (GWO), основанный на коллективном интеллекте, имеет преимущества малого количества параметров, простой структуры и легкости реализации, но применяется редко в области спектроскопии. В данном исследовании алгоритм GWO применяется для отбора переменных в ближневосточном инфракрасном спектре на примере данных кукурузы. Рассматривались производительность стаи волков, количество итераций, количество волков и вычислительная эффективность алгоритма GWO, а также была построена модель частичных наименьших квадратов (PLS) для определения содержания белка, жира, влаги и крахмала в образцах кукурузы. Результаты показали высокую вычислительную эффективность алгоритма GWO; после настройки параметров была построена PLS-модель, при этом количество сохранённых переменных для белка, жира, влаги и крахмала составило 19, 19, 14 и 34 соответственно, а корень из среднеквадратичной ошибки предсказания (RMSEP) снизился с 0,2458, 0,1224, 0,3398, 1,1058 (полноволновое PLS-моделирование) до 0,1477, 0,0801, 0,1762, 0,7398 соответственно, уменьшившись на 40%, 35%, 48% и 33%, при этом коэффициенты корреляции также повысились. Таким образом, алгоритм GWO не только отличается высокой скоростью оптимизации и небольшим числом выбранных переменных, но и значительно улучшает точность прогноза модели PLS, являясь эффективным способом выбора переменных в ближнем инфракрасном спектре.

ближний инфракрасный спектр;выбор переменных;алгоритм серого волка (GWO);частичные наименьшие квадраты (PLS)