題目：超臨界CO2萃取陳皮灰狼算法優(yōu)化緒論1.1中藥及其精油研究概述中藥(TraditionalChineseMedicine，TCM）是指以中醫(yī)藥理論為指導，有著獨特的理論體系和應用形式，中藥為中國傳統中醫(yī)特有藥物，通常用于預防和治療疾病并具有康復與保健作用的天然藥物及其加工代用品，主要包括植物藥、動物藥、礦物藥，按加工工藝又分為中成藥、中藥材。有效性與健康性是中藥最顯著的兩個特點。中醫(yī)藥的臨床經驗與藥性檢驗是僅有二、三百年歷史的現代西醫(yī)，覆蓋人群相對較少的其他邊緣醫(yī)學所無法比擬的。此外，中藥深入人心還具有以下幾點，一、安全、副作用少：由于中藥外治是施于體表，它可以隨時觀察其適應和耐受情況而決定去留，不會像內服藥物，如不對癥，發(fā)生副作用時處理比較復雜，外治只要施治配藥得當，是比較安全的，一般很少有副作用。二、對胃腸道無損傷：病人服藥，首先入胃再吸收，藥物對胃腸道的刺激損傷是令人頭痛的問題，尤其一些病人胃的情況不好，又非要服藥不可，往往陷入治病必服藥，老病未治好，胃病又成的兩難局面。那么藥物外治就不存在這一問題。俗話說“良藥苦口利于病”，服藥的痙對許多病人是難以長期忍受的，中藥外用可以起到“良藥治病不苦口”。三、對肝腎刺激?。翰还軆确畏N藥物，通過胃腸吸收進入血液，其代謝產物尤其是一些毒性產物，都必須經過肝臟解毒、分解而通過腎臟排泄，這對于原先肝腎有疾病的人來說，也是難以回避的矛盾，而中藥外治，大多經過皮膚、粘膜吸收，藥物的成分進入體內已經通過一層屏障的過濾，有害成分也已量小、弱化，故對肝、腎的損害大多已非常小。1.2中藥精油1.2.1中藥精油概述精油是從天然植物中提煉萃取出來的具有揮發(fā)性及芳香氣味的一種物質。而中藥精油則是一種具有藥物作用性質的特殊精油。中藥精油不但具有治病保健的作用，并具有特殊的芳香氣息。雷龍鳴[1]研究發(fā)現，薄荷精油循經推拿對社會應激性亞健康抑郁狀態(tài)人群具有理想的干預性治療作用，對比心理疏導治療，效果十分顯著。不僅如此，中藥精油在其他方面也有廣泛的應用。比如中藥精油運用在園林中，則可驅蚊逐蠅并招引鳥蝶，令人神清氣爽[2]。長毛薄荷精油、丁香羅勒精油則有降高血壓作用[3,4]，廣藿香精油的芳香氣味能促進排便[5]，白蘭葉、薄荷、艾葉、肉豆蔻和當歸等中藥精油則有抗癌作用[6]。1.2.2陳皮精油提取中藥藥對是中醫(yī)臨床常用的相對固定的兩藥味的配伍組合,是中藥配伍應用中的基本形式。其中‘陳皮-枳殼’為臨床上常用的藥對，被廣泛應用于各種中藥方劑。黃景晟等[7]用超臨界CO2萃取法提取了產地來自于廣東德慶且儲存時間為一年的陳皮。通過GC-MS對陳皮精油進行化學成分分析，可以從該精油中鑒定出31種不同的化合物，含量最高的三種化學成分為9,12-十八烷二烯酸甲酯(31.90%)、反-9-十八碳烯酸甲酯(24.52%)及亞麻酸甲酯(17.43%)。YuL.F等[8]用水蒸氣蒸餾法提取陳皮精油并對其化學組成進行分析，其陳皮精油的化學成分主要是D-檸檬烯(75.28%)、1-甲基-4-(1-甲基乙基)-1,4-環(huán)己二烯(7.7%)、β一月桂烯(2.98%)、α,α-4-三甲基-3-環(huán)己烯-1-甲醇(0.94%)、2-甲氧基-4-乙烯基苯酚(0.87%)和α-蒎烯(0.53%)。GaoB等[9]用改進的水蒸氣蒸餾法分別提取了儲存年份為1994、1998、2001、2003和2008五種陳皮，通過GC-MS分析可以確定出這五種年份的陳皮所獲得的精油有53種揮發(fā)性化合物，包括萜烯烴類、醇類、醛類、酮類和酯類，其中D-檸檬烯是其精油的主要成分。KusumaH.S等[10]研究了無溶劑微波萃取法提取廣蕾香精油，確定了該提取方法最優(yōu)操作條件為微波功率450W，原料質量與蒸餾器體積(F/D)之比為0.06g/mL，原料尺寸為(4.66士1.41cm)，提取時間90min。1.3超臨界CO2萃取精油1.3.1中藥萃取精油萃取自草本植物的腺體、導管或細胞，以及木本植物的組織和樹液。但即使是同一植物，不同的部位萃取的精油成分會有所不同，其療效及危險性也有別。1.3.2超臨界CO2萃取的優(yōu)點超臨界CO2（supercriticalcarbondioxide,SC-CO2）萃取技術是近幾十年來研究開發(fā)的一項新技術，具有常溫、無毒、無溶劑殘留、環(huán)保、操作參數易控制、萃取時間短、產品質量高等諸多優(yōu)點，特別適合于熱不穩(wěn)定性天然產物和生理活性物質的分離與精制[11,12]，在油脂及活性物質提取方面具有廣闊的應用前景。目前，陳皮揮發(fā)油的提取通常采用冷榨法和水蒸汽蒸餾法。李瑞明等采用正交試驗設計優(yōu)化了水蒸餾法提取陳皮[13]揮發(fā)油,平均收得率為5.24%+0.28%。于蓮等采用正交試驗設計優(yōu)化了陳皮揮發(fā)油超臨界CO2萃取工藝,但提取率僅為2.04%[14]。本研究利用SC-CO2萃取陳皮揮發(fā)油，旨在提高萃取率及產品質量，通過響應面分析試驗和灰狼算法優(yōu)化，確定對陳皮揮發(fā)油萃取率的顯著影響因素，獲得萃取陳皮揮發(fā)油的最優(yōu)工藝條件，為陳皮揮發(fā)油的產業(yè)化生產提供工藝參數參考。同時為陳皮的綜合利用和深加工，及其植物分類工作提供一條有效途徑[15]。1.4響應面法響應面法(ResponseSurfaceMethodology,RSM)是由Box和其合作者在50年代開發(fā)的[16]。Basaga[17]等提出一種矢量投影法用于生成樣本點，并且執(zhí)行二階可靠性方法以獲得可靠性指標和失效概率的響應面法。Kim和Na[18]提出通過使用梯度投影技術來安排實驗點以使它們接近原始極限狀態(tài)函數。響應面分析法以最經濟的方式、較少的試驗次數和較短的時間對所選試驗參數進行全面分析,以得出正確結論,其優(yōu)越性已為越來越多的研究人員所關注并應用于各種生物、化工處理過程[19,20]。響應面法的主要方法是建立一個具有明確表達形式的多項式，來近似代表隱式函數關系[21]。如果設計變量和系統的輸出之間的關系以隱含的方式存在，則響應面法提供了一種獲得這種隱含關系的高效途徑。伴隨著結構優(yōu)化設計方案的需求以及結構優(yōu)化學科的研究的深入，近年來該方法在結構優(yōu)化中得到了廣泛的應用。響應面法通過對指定設計空間內的樣本點的集合進行有限的試驗設計，擬合出輸出變量(系統響應)的全局逼近來代替真實響應面。在工程優(yōu)化設計中，應用響應面法不僅可以得到響應目標與設計變量之間的變化關系，而且可以得到優(yōu)化方案，即設計變量的最優(yōu)組合，使目標函數達到最優(yōu)[22]。構建響應面近似模型之前應該明確設計變量與分析目標之間的關系，選擇合適的函數形式描述當前設計變量與分析目標之間的關系。響應面試驗設計方法有多種，較為常用的有BoxBehnkenDesign(BBD)和CentralCompositeDesign(CCD)，其中BBD被更廣泛的使用。1.5智能優(yōu)化算法為了使系統達到最優(yōu)的目標所提出的各種求解方法稱為最優(yōu)化方法。對于簡單的函數優(yōu)化問題，經典算法比較有效，且能獲得函數的精確最優(yōu)解。但是對于具有非線性、多極值等特點的復雜函數及組合優(yōu)化問題而言，經典算法往往無能為力?；谙到y動態(tài)演化的算法及基于此類算法而構成的混合型算法又可稱為智能優(yōu)化算法。近年來，隨著優(yōu)化理論的發(fā)展，一些新的智能算法得到了迅速發(fā)展和廣泛應用，成為解決傳統優(yōu)化問題的新方法，如遺傳算法、蟻群算法、粒子群算法、灰狼優(yōu)化算法等。其中灰狼優(yōu)化算法具有操作簡單、調節(jié)參數少、編程易實現等特點。在函數優(yōu)化方面，與其他群智能優(yōu)化算法相比有明顯的優(yōu)越性。但同時也存在著易陷入局部最優(yōu)、求解精度不高、收斂速度慢等缺點。魏政磊等[23]采用計算分配值的方法提出了一種自適應搜索的灰狼求解算法從而加快算法的收斂速度;羅佳等[24]將混沌序列方法引入初始化種群個體，給出了一種尋優(yōu)性和魯棒性更好的改進GWO算法。龍文等[25]引入了佳點集理來初始化狼群，并用非固定多段映射罰函數法處理約束條件，利用改進GWO算法求解約束優(yōu)化問題，并驗證了其有效性。超臨界提取陳皮枳殼精油2.1實驗材料陳皮、枳殼藥材（來源于湖南中醫(yī)藥研究院）；濃度為99.9%二氧化碳（來源于湖南省長沙市長崗煤氣有限公司）；檸檬烯和橙皮內酯對照品（來源于北京市國家藥物和生物制品檢驗檢定所）。Ps:本實驗原料為陳皮枳殼混合物，每份21g是由柴胡疏肝散配方按4：3比例配置而成，其后將藥材于室溫下干燥，粉碎，再分別過40目和20目篩進行粒徑分等級。表2.1實驗儀器列表儀器型號產地超臨界萃取裝置電子分析天平高速多功能粉碎機電熱鼓風干燥箱超聲波清洗器FY230-40-11ME204E／02HCP-100101-0AQTK美國AppliedSeparations公司上海梅特勒-托利多儀器公司浙江省康氏金穗機械制造廠天津市泰斯特儀器公司天津市瑞普電子儀器公司2.2揮發(fā)油提取前處理：不同產地的柴胡于40℃下干燥12個小時，用粉碎機打成粉，分別編號。柴胡揮發(fā)油提?。河锰炱椒Q取柴胡粗粉35g，將稱取好的柴胡粗粉放入1000ml的硬質圓底燒瓶中，注入400ml蒸餾水，使柴胡粗粉浸泡在水中，浸泡時間為12h。將揮發(fā)油測定器與冷凝回流管連接起來，從冷凝管上端加水直至蒸餾水充滿揮發(fā)油測定器的刻度部分，并溢流到燒瓶為止，再加入800μL正己烷，將燒瓶置于電熱套中緩慢加熱至沸騰，并保持約4h的微沸，直到測定器中的油量不再增加時，停止加熱，靜置一段時間，打開測定器的下端活塞，將水緩慢放出，直到油層上端抵達刻度0線上面5mm處，關閉活塞，靜置1h以上后，再打開活塞使油層下降到其上端正好與刻度0線齊平，收集獲得揮發(fā)油。將得到的揮發(fā)油密封于棕色小瓶中，用于分析。2.2.1靜態(tài)萃取操作流程首先將原材料放置萃取釜中，關閉萃取釜后檢查氣密性；其次設定萃取釜內溫度并打開二氧化碳儲罐出口閥，使二氧化碳先后通過冷凝器以及壓縮泵，待二氧化碳液化并增壓至設定好的壓力參數后，打開萃取釜入口閥使二氧化碳與原料充分反應；然后等一定萃取時間，再打開萃取釜出口閥，并收集萃取物和液態(tài)二氧化碳，同時降低壓力使二氧化碳迅速汽化；最后調節(jié)流量收集剩余的萃取物并將其置于-20°環(huán)境下儲存。最終的提取率由產率（Yield，Y）表示，計算由式（2-1）計算所得：Y%=woil其中Woil代表提取精油的重量，Wpowderofmedicines代表藥材重量。2.3實驗設計實驗中影響提取率的因素有很多，如溫度、壓力、時間等等。提取率受不同的因素影響程度不同，而且這些因素相互之間還有交互效應。為了尋找其最適合的提取條件，本實驗選用響應面法來分析各因素之間的相互影響和結果優(yōu)化。只有將各因素與響應值的關系式數學建?；?，才能精準的分析因素之間的交互作用影響差異以及各因素對提取率的影響程度。本實驗選用溫度T、壓力P和時間t這3個因素為變量因素，其余因素均為固定變量，如粒徑為20目，陳皮枳殼藥材重量為21g，CO2流量為15L/h。通過這3個變量因素對提取率Y的影響來構建響應面設計，選用BoxBehnkenDesign方案設計出三因素三水平組合方案并進行一系列實驗。表2.2三因素三水平取值因素A:萃取壓力/barB:萃取溫度/℃C:萃取時間/min-1200353003004575140055120表3.1是本次實驗設計中的3因素3水平表，其中3因素分別為P、T和t，3水平分別為每個因素的最小值（-1），中間值（0）和最大值（1）。通過Design-expert8.05軟件進行試驗設計，并進行數據分析：把已知條件的提取率Y填入表后用響應面法建模。使用ANOVA分析實驗結果，并確定模型的穩(wěn)定性（運用F值檢驗法和p值）。運用非線性擬合的方法，建立二次多項回歸擬合方程，且以此預測最高產率，同時使用目標函數的相關系數來表征回歸模型的相關度，使用復相關系數評價模型可行性。分別使用商業(yè)軟件與智能算法計算模型函數的最優(yōu)解，以增加函數的最優(yōu)響應指標與響應值的準確度。LINKWord.Document.12"C:\\Users\\Administrator\\Desktop\\萬景的論文0519.docx""OLE_LINK1"\t\a響應面的結果與分析3.1響應面優(yōu)化結果表3.1RSM實驗設計及結果StdTypeA:T/℃B:P/barC:t/minYield/15436240045300.140973200451200.2029430035300.135514530045750.15043620055750.176487400451200.2536128300551200.25854940055750.221421040035750.188451120045300.0583151230045750.194911320035750.13671114300351200.1417101530044300.1481方差分析是為了確定模型函數的穩(wěn)定性，其中p值與F值決定因素對結果影響的顯著性，p值越小，F值越大則表明該因素或不同因素的交互作用對響應值的影響越顯著。本實驗建立的模型使用ANOVA獲得的F值和p值判斷各系數的顯著性。如表3.2所示，模型的方差分析結果表明影響高度顯著，而失擬檢驗結果為不顯著，說明該模型可行。表3.2方差分析結果SumofMeanFp-valueSourceSquaresdfSquareValueProb>FModel3.5290.3911.650.0073significantA-P1.1811.1835.220.0019B-T0.1410.144.220.0950C-t0.8210.8224.370.0043AB2.545E-00312.545E-0030.0760.7940AC2.381E-00312.381E-0030.0710.8005BC0.01010.0100.300.6052A20.1110.113.290.1292B20.1410.144.270.0937C21.2211.2236.480.0018Residual0.1750.034LackofFit0.1430.0484.210.1981notsignificantPureError0.02320.011CorTotal3.6814通過最小二乘法能計算模型的截距、一次項系數、二次項系數和交叉項系數，建立二次多項式擬合方程，計算結果見表3.3。表3.3二次多項式方程回歸系數及誤差表FactorCoefficientEstimatedfStandardError95%CILow95%CIHighVIFIntercept1.8610.111.592.13A-P0.3810.0650.220.551.00B-T0.1310.065-0.0330.301.00C-t0.3210.0650.150.491.00AB0.02510.092-0.210.261.00AC-0.02410.092-0.260.211.00BC0.05010.092-0.180.291.00A2-0.1710.095-0.420.0721.01B2-0.2010.095-0.440.0481.01C2-0.5810.095-0.82-0.331.01根據表3.3的截距、一次項系數、二次項系數和各交叉項系數擬合得二次多項式回歸方程如下：Y=1.86+0.38?A+0.13?B+0.32?表3.4二次多項式方程相關系數表Std.Dev.0.18R-Squared0.9545Mean1.36AdjR-Squared0.8726C.V.%13.48PredR-Squared0.3574PRESS2.37AdeqPrecision11.031該方程的復相關系數“R2”，校正的復相關系數“adjustedR2”和預測的復相關系數“predictedR2”如表3.3所示。其中，相關系數R2為0.9545，說明響應值Y的變化有95.45%與T、P和t三個因素有關。圖2.1是該方程的殘差的正態(tài)概率分布圖，Design-Expert軟件還給出了殘差與預測值分布（圖2.2）、預測值與實際值分布（圖2.3）。若殘差的正態(tài)概率分布點、實際值與預測值分布點成線性關系，殘差與預測值分布很散亂，則表明RSM模型的穩(wěn)定性越好。觀察圖可以得出結論，利用RSM擬合的‘陳皮枳殼’SCE工藝模型穩(wěn)定性較好。圖3.1殘差正態(tài)概率分布圖3.2殘差與預測值分布圖3.3預測值與實際值分布3.2單個因素對產率的影響通過響應面中的回歸模型可以得到單個因素對響應值的影響。在圖2.4中可以看到在實驗參數范圍內，T、P和t三個因素分別對Y的影響如下：一、Y隨著P的增加而增加，這表明高壓環(huán)境是有利于Y的提升的；主要原因有兩個。①當P增大時，溶劑CO2體積變小密度增大，因此精油和CO2分子充分接觸，導致精油在CO2中的溶解度增加，導致Y增加；②隨著P的增加，溶劑CO2的擴散系數降低，因此Y的增加逐漸變?yōu)槠骄?，但溶劑CO2的密度的增加影響更為顯著，故整體表現為P對Y的增強作用。二、Y隨著T的增加先緩慢增加后不變，其折點溫度為45℃。這說明溫度設置有一個最佳值，溫度過高或者過低都不利于提取。T對超臨界的影響與密度和精油的揮發(fā)性有關。①精油的飽和蒸汽壓隨著T的增加而增加，這使得精油成分更容易溶于CO2中，故產率Y的增加；②當T升高時，溶劑的密度會降低，導致精油在CO2中的溶解度變小，所以Y會減少。故產率隨T升高而呈現先增后減趨勢。三、隨著t的增加，提取率先快速增加，大于等于95min時Y達到最高后保持不變，說明提取時間最優(yōu)為95min。①萃取剛開始時，由于CO2與陳皮枳殼粉末顆粒沒有充分混合，接觸面積不大，導致收率較低；但隨著t增加，CO2流體與陳皮顆粒接觸越來越充分，使得Y快速增加；②當到達一定時間后，由于而溶劑中的精油含量飽和，所以陳皮枳殼粉末顆粒中的精油基本不會被萃取了，因此Y并無明顯增加；不僅如此，因為部分易揮發(fā)物質隨著時間增加而流失，Y反而略有減小。圖3.4單因素分析3.3兩個因素交互作用對提取率的影響響應曲面圖與等高線圖的作用即為分析多因素之間的交互作用。兩因素的交互作用對響應值的影響越顯著，則得到的響應曲面越陡峭；而兩因素間的交互作用越顯著、相互作用強度越強，其等高線的形狀越不規(guī)則或者越密集。于是本實驗選用壓力P、溫度T、時間t三個因素通過BBD設計了‘陳皮-枳殼’SCE工藝的RSM數學模型，通過目標函數（2-2）的一次項系數、二次項系數和各交叉項系數來繪制響應曲面圖與等高線圖。將試驗數據利用DesignExpert軟件進行處理，處理方式如下：(1).選定一個溫度T定值，觀察壓力P變量及時間t變量對精油得率的影響。(2).選定一個時間t定值，觀察溫度T變量及壓力P變量對精油得率的影響。(3).選定一個壓力P定值，觀察溫度T變量及時間t變量對精油得率的影響。圖3.5多因素交互作用分析從圖3.5（1）的響應曲面圖可以看出，壓力P側的曲面比溫度T側的曲面更加陡峭，這表示壓力P對萃取率的影響比溫度T更顯著，且兩因素生成的響應曲面整體較陡峭，說明兩因素之間的相互作用比較強；從圖3.1（1）的等高線圖可以看出，等高線整體較為密集，這說明壓力P和溫度T的相互作用較強，對提取率Y的影響比較大，且沿壓力P方向的等高線比沿溫度T方向的等高線更密集，這表示壓力P對提取率Y的影響相比溫度T的影響更顯著。從圖3.5（2）的響應曲面圖可以看出，時間t側的曲面比壓力P側的曲面更加陡峭，這表示時間t對萃取率的影響比壓力P更顯著，且兩因素生成的響應曲面整體較平緩，說明兩因素之間的相互作用比較弱；從圖3.1（2）的等高線圖可以看出，等高線整體較為稀疏，這說明壓力P和溫度T的相互作用較弱，對提取率Y的影響較小，且沿時間t方向的等高線比沿壓力P方向的等高線更密集，這表示時間t對提取率Y的影響相比壓力P的影響更顯著。從圖3.5（3）的響應曲面圖可以看出，時間t側的曲面比溫度T側的曲面更加陡峭，這表示時間t對萃取率的影響比溫度T更顯著，且兩因素生成的響應曲面整體非常陡峭，說明兩因素之間的相互作用非常強；從圖3.1（3）的等高線圖可以看出，等高線整體非常密集，這說明時間t和溫度T的相互作用很強，對提取率Y的影響很大，且沿時間t方向的等高線比沿溫度T方向的等高線更密集，這表示時間t對提取率Y的影響相比溫度T的影響更顯著。綜上所述，三個因素的交互作用顯著性大小為BC>AB>AC；其中A為壓力P，B為溫度T，C為時間t。LINKWord.Document.12"C:\\Users\\Administrator\\Desktop\\萬景的論文0519.docx""OLE_LINK2"\t\a灰狼算法優(yōu)化4.1灰狼算法介紹灰狼優(yōu)化(GreyWolfOptimization,GWO)是近年來澳大利亞學者Mirjalil[26]提出的一種被廣泛應用于求解優(yōu)化問題的智能優(yōu)化算法，其靈感來自于領導行為和獨特的灰狼尋找機制，通過模擬灰狼群體在捕食過程中的跟蹤、包圍、追捕、攻擊獵物等行為來實現目標優(yōu)化[27]，具體理論如下：狼群能通過構建種群間的4層（α、β、δ和ω）社會等級管理模式來實現跟蹤、包圍和攻擊獵物等步驟。首先，分別有α、β和δ三位頭狼來追鋪獵物，以獲取獵物的準確位置；其次，ω代表剩余的所有狼，通過跟隨三位頭狼移動位置，以接近頭狼確定的獵物位置，跟蹤和包圍獵物，與頭狼共同完成捕食任務。因此，在狼群中，所有個體狼的位置會圍繞獵物的位置更新。狼群在追鋪獵物的位置更新的過程可以看作GWO在最優(yōu)解空間中尋優(yōu)的迭代過程。在解空間中將所有解按適應值順序排列，最靠近最優(yōu)的解定義為α狼，排在第二與第三位的解則分別定義為β和δ狼。剩余解均定義為ω，根據狼群的捕獵過程會使得在解空間中的所有解隨著迭代更新而接近最優(yōu)值。當迭代完成后α狼代表GWO得到的最優(yōu)值。另外式（3-1）與（3-2）可以表達在d維空間中的尋優(yōu)過程： Did=Cid? Xidt+1=Xpd式（4-1）表示個體與獵物的距離確認，其中個體狼的位置向量為X（1，2，…i），Xp是獵物的位置向量，t為迭代次數，D代表第i只狼與獵物的距離，式（4-2）為迭代后的個體狼位置確認，如此循環(huán)。最后，多次迭代后α狼的位置即為所求的最靠近獵物的最優(yōu)解。圖4.1為狼群更新示意圖。圖4.1灰狼算法概述4.2灰狼算法的實施流程1）設置算法參數，隨機產生的種群規(guī)模N，最大迭代次數Max_iteration,初始化,,,和等，其中.2）設定所需優(yōu)化參數的允許范圍[ub,lb]，在搜索空間內初始化Logistic混沌映射方程所需的初始狼群數量，，狼群規(guī)模為N。3）計算群體中每個個體的適應度值并排序，確定歷史最優(yōu)解α，歷史次優(yōu)解β和歷史末優(yōu)解?.4）更新混沌映射的混沌序列，連同所有灰狼的位置.5）對每只狼，按公式(3)初步計算灰狼的位置，進一步更新灰狼位置.6）迭代次數，根據公式(4)計算出改進后的收斂因子的值，進而更新,,和等，其中.7）判斷當前迭代次數是否達到最大迭代次數，若滿足，則進入Step8，否則返回執(zhí)行Step3.8）返回最優(yōu)最優(yōu)個體位置，算法結束.

StartStartSetupthealgorithmparametersSetupthealgorithmparametersInputthesizeoftherandompopulationInputthesizeoftherandompopulation,max_iterationandinitializethenumberoftheparameters(,,,,andxn)etc.Calculatethefitnessvalueofeachindividualinthegroupandsorted,determinethehistoryoftheoptimalsolutionα,theCalculatethefitnessvalueofeachindividualinthegroupandsorted,determinethehistoryoftheoptimalsolutionα,thesuboptimalsolutionβandtheperipheralendoptimalsolution?UpdatethechaoticsequenceofchaoticmappingUpdatethechaoticsequenceofchaoticmappingandallthepositionofthewolvesCalculatethenupdatethelocationofthepreliminarywolf,accordingtotheformula(5)Calculatethenupdatethelocationofthepreliminarywolf,accordingtotheformula(5).UpdatethenumberofiterationsUpdatethenumberofiterations,accordingtotheformula(4)tocalculatethevalueoftheimprovedandupdatetheparameters(,,,,andxn)etc.Isterminationcriteriamet?Isterminationcriteriamet?NOUpdatethebestpositionUpdatethebestpositionStopStop4.3灰狼優(yōu)化算法的缺點與不足Mirjalili等采用多個基準測試函數對GWO的性能進行測試,并將其與PSO,DE等算法進行對比分析，可總結出GWO存在如下缺點:1)種群多樣性差,這是由GWO的初始種群生成方式導致的。隨機初始化生成初始種群的方式無法保證較好的種群多樣性。2)后期收斂速度慢。這是由GWO算法的搜索機制造成的。狼群主要依據與a,β和δ的距離來判斷與獵物之間的距離,導致后期的收斂速度較慢。3).易陷入局部最優(yōu),這是因為a狼不一定是全局最優(yōu)點，在不斷的迭代中，ω不斷逼近前3匹狼,導致GWO算法陷入局部最優(yōu)解。針對GWO存在的缺陷，許多學者進行了相關改進，以便提升GWO算法的性能。4.4灰狼優(yōu)化算法的改進及應用在群體智能算法中都普遍存在著全局搜索和局部搜素的平衡問題，全局搜索能力強則能保證種群的多樣性，局部能力搜索強則可保證局部搜索的精準性，加快算法收斂速度，所以也要處理好GWO算法在全局搜索能力和局部搜索能力之間的平衡。在基本GWO算法中的收斂因子a隨著迭代次數增加從2線性遞減至0，但算法在不斷的收斂過程中并非線性收斂，收斂因子a的線性收斂策略無法完全體現出實際優(yōu)化搜索過程[28]。通過文獻查閱得到一種新的非線性收斂方式[29]：(4)其中：為自然對數的底數，為當前迭代次數，是最大迭代次數，的非線性遞減曲線圖如圖2所示：圖2收斂因子a的非線性遞減曲線圖由圖2可知收斂因子a隨著迭代次數從2到0呈非線性遞減，在初期a的衰減度降低，是為了更好的尋找全局最優(yōu)解，到了后期a的衰減程度提高，可以更加精確的尋找局部最優(yōu)解，從而更有效的平衡來了全局搜索能力和局部搜索能力。4.5RSM模型的最優(yōu)化結果在確立‘陳皮-枳殼’SCE工藝響應面模型之后，還需要獲得模型的最優(yōu)化結果。這里有兩種方法可以計算獲取，①通過商業(yè)軟件優(yōu)化功能對該模型優(yōu)化獲??；②通過智能算法計算目標函數獲取。下面分別用兩種方法計算獲得‘陳皮-枳殼’SCE工藝的最優(yōu)值。Design-Expert軟件中自帶有模型優(yōu)化程序。得到SCE工藝的響應面模型之后，首先，點擊Optimization按鈕轉到求最優(yōu)值界面，其次點擊Numerical選擇數據，再次，設定各因素的取值范圍與所需要的響應值的極值，在Goal下拉框選擇maximum，即可確定計算響應值（萃取率）的最優(yōu)值，最后點擊Solutions按鈕可得到Design-Expert軟件計算出的最優(yōu)化因素與最優(yōu)響應值。得到最佳試驗條件: A=400、B=49.37、C=87.43，即最佳條件為:P=400bar、T=49℃、t=87min，此時提取產率響應值為Y=2.15%。智能算法中具有代表性的灰狼算法（GWO）可以用來計算SCE工藝的響應面模型。響應面法能將最佳工藝問題轉化為二次多項式方程最優(yōu)解問題，因此GWO只需要對目標函數求解即可獲得最優(yōu)化值。首先，設置灰狼算法的參數，最大迭代次數為100，狼群體大小設置為20，變量數設置為3，可變參數lb=[lb1，lb2，lb3]=[-1，-1，-1]，值ub=[ub1，ub2，ub3]=[1,1,1]；其次，通過Matlab可以實現最大值搜索和可變參數優(yōu)化，得到該方程的最優(yōu)解；最后將二次多項式方程最優(yōu)解及其變量值轉換為相應的實際值。優(yōu)化后獲得的最大產率Y為2.1431%，其相應的操作參數為400bar（P），48.0495℃（T）和87.0016min（t）。通過比較，與Design-Expert軟件優(yōu)化條件基本一致，證明兩種最優(yōu)化方法都能獲得最優(yōu)值，且灰狼算法獲得的最優(yōu)值具有更高的精度。結論與展望‘陳皮-枳殼’精油的超臨界萃取及其工藝優(yōu)化是本實驗的重點，首先，基于BBD的RSM實驗設計考察溫度、壓力和時間三個因素對SCE提取的影響；其次，該實驗運用響應面法對數據進行處理并確定模型的穩(wěn)定性，之后評價模型可行性；然后在使用design-expert分析實驗數據之后發(fā)現，在交互影響之中，T與t的交互因素影響最明顯，P與T的交互因素次之，P與t的交互因素影響最不明顯；最后運用灰狼算法將數據進行優(yōu)化，結果得出超臨界萃取‘陳皮-枳殼’精油的最佳坐標點是:P=400bar、T=48.0495℃、t=87.0016min，提取產率值為Y=2.1431%。

參考文獻[1]雷龍鳴,倫軾芳,黃錦軍,等.薄荷精油循經推拿調治社會應激性亞健康抑郁狀態(tài)93例.中華中醫(yī)藥雜志,2011,(2).[2]劉志強,劉士敏.芳香療法在園林中的應用研究.遼寧林業(yè)科技,2006,(4):52-54.[3]LahlouS,CarneiroLeaoRF,LealCardosoJH,CardiovasculareffectsoftheessentialoilofMenthaxvillosainDOCA-salt-hypertensiveratss.Phytomedieine,2002,9(8):715-720.[4]InteraminenseLF,LealCardosoJH,MagalhaesPJ,etal.EnhancedhypotensiveeffectsoftheessentialoilofOcimumgratissimumleavesanditsmainconstituent,eugenol,inDOCA-salthypertensiveconsciousrats.PlantaMed,2005,71(4):376-378.[5]賀玉琢.廣藿香精油的芳香氣味對排便的影響(2).國際中醫(yī)中藥雜志,2006,(3).[6]孫偉,肖家祁,王淳凱,等.精油對人鼻咽癌細胞生長抑制的研究.上海中醫(yī)藥雜志,2005,39(9):53-55.[7]黃景晨,張帥,劉飛,等.超臨界CO2萃取陳皮揮發(fā)油及其化學成分分析[J].現代食品科技,2013,29(08):1961-1966.[8]YuL.,LiX.,LiuS.,etal.ComparativeanalysisofvolatileconstituentsinCitrusReticulataBlancousingGC-MSandalternativemovingwindowfactoranalysis[J].JournalofSeparationScience,2009,32(20):3457-3465.[9]GaoB.，ChenYL.，ZhangM.W.,etal.ChemicalComposition,AntioxidantandantimicrobialactivityofPericarpiumCitriReticulataeessentialoil[J].Molecules,2011,16(05):4082-4096.[10]KusumaH.S.,AltwayA.，MahfudM.Solvent-freemicrowaveextractionofessentialoilfromdriedpatchouli(PogostemoncablinBenth)leaves[J].JournalofIndustrialandEngineeringChemistry,2018,58:343一348.[11]厲劍劍,張文煥,黃惠華.超臨界CO2萃取小球藻精油及其抗氧化分析[J].現代食品科技,2011,27(8):938-941.LiJJ,ZhangWH,HuangHH.AntioxidantActivityofChlorellaEssentialOilExtractedbySupercriticalCO2Fluid[J].ModernFoodScienceandTechnology,2011,27(8):938-941.[12]LeitnerW.Supercriticalcarbondioxideasagreenreactionmediumforcatalysis[J].2002,35(9):746-756.[13]張莉.納豆加工工藝的研究和產品開發(fā)[D].濟南:山東輕工業(yè)學院,2012.[14]謝元,季家舉,蔣柯,等.納豆的研制與風味改良[J].輕工科技,20