El algoritmo de optimización del lobo gris (GWO) basado en inteligencia de enjambre tiene ventajas como pocos parámetros, estructura simple y fácil implementación, pero su aplicación en el campo espectral es limitada. Este estudio introduce el algoritmo GWO en la selección de variables en el espectro del infrarrojo cercano, tomando datos de maíz como ejemplo. Se evaluaron el rendimiento de la manada de lobos, el número de iteraciones, la cantidad de lobos y la eficiencia computacional en el algoritmo GWO, y se estableció un modelo de mínimos cuadrados parciales (PLS) para medir el contenido de proteína, grasa, humedad y almidón en muestras de maíz. Los resultados muestran que la eficiencia computacional del algoritmo GWO es muy alta; tras la optimización de parámetros, se desarrolló un modelo PLS cuyas variables retenidas para proteína, grasa, humedad y almidón fueron 19, 19, 14 y 34, respectivamente, y el error cuadrático medio de predicción (RMSEP) descendió de 0.2458, 0.1224, 0.3398, 1.1058 en el modelo PLS de longitud completa a 0.1477, 0.0801, 0.1762, 0.7398, con disminuciones de 40%, 35%, 48% y 33%, respectivamente, y con un aumento correspondiente en los coeficientes de correlación. Por lo tanto, el algoritmo GWO no solo tiene una velocidad de optimización rápida y selecciona pocas variables, sino que también mejora significativamente la precisión predictiva del modelo PLS, siendo un método eficaz para la selección de variables en el espectro del infrarrojo cercano.

espectro del infrarrojo cercano;selección de variables;algoritmo del lobo gris (GWO);mínimos cuadrados parciales (PLS)