超临界CO2萃取陈皮灰狼算法优化

题目：超临界CO2萃取陈皮灰狼算法优化绪论1.1中药及其精油研究概述中药(TraditionalChineseMedicine，TCM）是指以中医药理论为指导，有着独特的理论体系和应用形式，中药为中国传统中医特有药物，通常用于预防和治疗疾病并具有康复与保健作用的天然药物及其加工代用品，主要包括植物药、动物药、矿物药，按加工工艺又分为中成药、中药材。有效性与健康性是中药最显著的两个特点。中医药的临床经验与药性检验是仅有二、三百年历史的现代西医，覆盖人群相对较少的其他边缘医学所无法比拟的。此外，中药深入人心还具有以下几点，一、安全、副作用少：由于中药外治是施于体表，它可以随时观察其适应和耐受情况而决定去留，不会像内服药物，如不对症，发生副作用时处理比较复杂，外治只要施治配药得当，是比较安全的，一般很少有副作用。二、对胃肠道无损伤：病人服药，首先入胃再吸收，药物对胃肠道的刺激损伤是令人头痛的问题，尤其一些病人胃的情况不好，又非要服药不可，往往陷入治病必服药，老病未治好，胃病又成的两难局面。那么药物外治就不存在这一问题。俗话说“良药苦口利于病”，服药的痉对许多病人是难以长期忍受的，中药外用可以起到“良药治病不苦口”。三、对肝肾刺激小：不管内服何种药物，通过胃肠吸收进入血液，其代谢产物尤其是一些毒性产物，都必须经过肝脏解毒、分解而通过肾脏排泄，这对于原先肝肾有疾病的人来说，也是难以回避的矛盾，而中药外治，大多经过皮肤、粘膜吸收，药物的成分进入体内已经通过一层屏障的过滤，有害成分也已量小、弱化，故对肝、肾的损害大多已非常小。1.2中药精油1.2.1中药精油概述精油是从天然植物中提炼萃取出来的具有挥发性及芳香气味的一种物质。而中药精油则是一种具有药物作用性质的特殊精油。中药精油不但具有治病保健的作用，并具有特殊的芳香气息。雷龙鸣[1]研究发现，薄荷精油循经推拿对社会应激性亚健康抑郁状态人群具有理想的干预性治疗作用，对比心理疏导治疗，效果十分显著。不仅如此，中药精油在其他方面也有广泛的应用。比如中药精油运用在园林中，则可驱蚊逐蝇并招引鸟蝶，令人神清气爽[2]。长毛薄荷精油、丁香罗勒精油则有降高血压作用[3,4]，广藿香精油的芳香气味能促进排便[5]，白兰叶、薄荷、艾叶、肉豆蔻和当归等中药精油则有抗癌作用[6]。1.2.2陈皮精油提取中药药对是中医临床常用的相对固定的两药味的配伍组合,是中药配伍应用中的基本形式。其中‘陈皮-枳壳’为临床上常用的药对，被广泛应用于各种中药方剂。黄景晟等[7]用超临界CO2萃取法提取了产地来自于广东德庆且储存时间为一年的陈皮。通过GC-MS对陈皮精油进行化学成分分析，可以从该精油中鉴定出31种不同的化合物，含量最高的三种化学成分为9,12-十八烷二烯酸甲酯(31.90%)、反-9-十八碳烯酸甲酯(24.52%)及亚麻酸甲酯(17.43%)。YuL.F等[8]用水蒸气蒸馏法提取陈皮精油并对其化学组成进行分析，其陈皮精油的化学成分主要是D-柠檬烯(75.28%)、1-甲基-4-(1-甲基乙基)-1,4-环己二烯(7.7%)、β一月桂烯(2.98%)、α,α-4-三甲基-3-环己烯-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]用改进的水蒸气蒸馏法分别提取了储存年份为1994、1998、2001、2003和2008五种陈皮，通过GC-MS分析可以确定出这五种年份的陈皮所获得的精油有53种挥发性化合物，包括萜烯烃类、醇类、醛类、酮类和酯类，其中D-柠檬烯是其精油的主要成分。KusumaH.S等[10]研究了无溶剂微波萃取法提取广蕾香精油，确定了该提取方法最优操作条件为微波功率450W，原料质量与蒸馏器体积(F/D)之比为0.06g/mL，原料尺寸为(4.66士1.41cm)，提取时间90min。1.3超临界CO2萃取精油1.3.1中药萃取精油萃取自草本植物的腺体、导管或细胞，以及木本植物的组织和树液。但即使是同一植物，不同的部位萃取的精油成分会有所不同，其疗效及危险性也有别。1.3.2超临界CO2萃取的优点超临界CO2（supercriticalcarbondioxide,SC-CO2）萃取技术是近几十年来研究开发的一项新技术，具有常温、无毒、无溶剂残留、环保、操作参数易控制、萃取时间短、产品质量高等诸多优点，特别适合于热不稳定性天然产物和生理活性物质的分离与精制[11,12]，在油脂及活性物质提取方面具有广阔的应用前景。目前，陈皮挥发油的提取通常采用冷榨法和水蒸汽蒸馏法。李瑞明等采用正交试验设计优化了水蒸馏法提取陈皮[13]挥发油,平均收得率为5.24%+0.28%。于莲等采用正交试验设计优化了陈皮挥发油超临界CO2萃取工艺,但提取率仅为2.04%[14]。本研究利用SC-CO2萃取陈皮挥发油，旨在提高萃取率及产品质量，通过响应面分析试验和灰狼算法优化，确定对陈皮挥发油萃取率的显著影响因素，获得萃取陈皮挥发油的最优工艺条件，为陈皮挥发油的产业化生产提供工艺参数参考。同时为陈皮的综合利用和深加工，及其植物分类工作提供一条有效途径[15]。1.4响应面法响应面法(ResponseSurfaceMethodology,RSM)是由Box和其合作者在50年代开发的[16]。Basaga[17]等提出一种矢量投影法用于生成样本点，并且执行二阶可靠性方法以获得可靠性指标和失效概率的响应面法。Kim和Na[18]提出通过使用梯度投影技术来安排实验点以使它们接近原始极限状态函数。响应面分析法以最经济的方式、较少的试验次数和较短的时间对所选试验参数进行全面分析,以得出正确结论,其优越性已为越来越多的研究人员所关注并应用于各种生物、化工处理过程[19,20]。响应面法的主要方法是建立一个具有明确表达形式的多项式，来近似代表隐式函数关系[21]。如果设计变量和系统的输出之间的关系以隐含的方式存在，则响应面法提供了一种获得这种隐含关系的高效途径。伴随着结构优化设计方案的需求以及结构优化学科的研究的深入，近年来该方法在结构优化中得到了广泛的应用。响应面法通过对指定设计空间内的样本点的集合进行有限的试验设计，拟合出输出变量(系统响应)的全局逼近来代替真实响应面。在工程优化设计中，应用响应面法不仅可以得到响应目标与设计变量之间的变化关系，而且可以得到优化方案，即设计变量的最优组合，使目标函数达到最优[22]。构建响应面近似模型之前应该明确设计变量与分析目标之间的关系，选择合适的函数形式描述当前设计变量与分析目标之间的关系。响应面试验设计方法有多种，较为常用的有BoxBehnkenDesign(BBD)和CentralCompositeDesign(CCD)，其中BBD被更广泛的使用。1.5智能优化算法为了使系统达到最优的目标所提出的各种求解方法称为最优化方法。对于简单的函数优化问题，经典算法比较有效，且能获得函数的精确最优解。但是对于具有非线性、多极值等特点的复杂函数及组合优化问题而言，经典算法往往无能为力。基于系统动态演化的算法及基于此类算法而构成的混合型算法又可称为智能优化算法。近年来，随着优化理论的发展，一些新的智能算法得到了迅速发展和广泛应用，成为解决传统优化问题的新方法，如遗传算法、蚁群算法、粒子群算法、灰狼优化算法等。其中灰狼优化算法具有操作简单、调节参数少、编程易实现等特点。在函数优化方面，与其他群智能优化算法相比有明显的优越性。但同时也存在着易陷入局部最优、求解精度不高、收敛速度慢等缺点。魏政磊等[23]采用计算分配值的方法提出了一种自适应搜索的灰狼求解算法从而加快算法的收敛速度;罗佳等[24]将混沌序列方法引入初始化种群个体，给出了一种寻优性和鲁棒性更好的改进GWO算法。龙文等[25]引入了佳点集理来初始化狼群，并用非固定多段映射罚函数法处理约束条件，利用改进GWO算法求解约束优化问题，并验证了其有效性。超临界提取陈皮枳壳精油2.1实验材料陈皮、枳壳药材（来源于湖南中医药研究院）；浓度为99.9%二氧化碳（来源于湖南省长沙市长岗煤气有限公司）；柠檬烯和橙皮内酯对照品（来源于北京市国家药物和生物制品检验检定所）。Ps:本实验原料为陈皮枳壳混合物，每份21g是由柴胡疏肝散配方按4：3比例配置而成，其后将药材于室温下干燥，粉碎，再分别过40目和20目筛进行粒径分等级。表2.1实验仪器列表仪器型号产地超临界萃取装置电子分析天平高速多功能粉碎机电热鼓风干燥箱超声波清洗器FY230-40-11ME204E／02HCP-100101-0AQTK美国AppliedSeparations公司上海梅特勒-托利多仪器公司浙江省康氏金穗机械制造厂天津市泰斯特仪器公司天津市瑞普电子仪器公司2.2挥发油提取前处理：不同产地的柴胡于40℃下干燥12个小时，用粉碎机打成粉，分别编号。柴胡挥发油提取：用天平称取柴胡粗粉35g，将称取好的柴胡粗粉放入1000ml的硬质圆底烧瓶中，注入400ml蒸馏水，使柴胡粗粉浸泡在水中，浸泡时间为12h。将挥发油测定器与冷凝回流管连接起来，从冷凝管上端加水直至蒸馏水充满挥发油测定器的刻度部分，并溢流到烧瓶为止，再加入800μL正己烷，将烧瓶置于电热套中缓慢加热至沸腾，并保持约4h的微沸，直到测定器中的油量不再增加时，停止加热，静置一段时间，打开测定器的下端活塞，将水缓慢放出，直到油层上端抵达刻度0线上面5mm处，关闭活塞，静置1h以上后，再打开活塞使油层下降到其上端正好与刻度0线齐平，收集获得挥发油。将得到的挥发油密封于棕色小瓶中，用于分析。2.2.1静态萃取操作流程首先将原材料放置萃取釜中，关闭萃取釜后检查气密性；其次设定萃取釜内温度并打开二氧化碳储罐出口阀，使二氧化碳先后通过冷凝器以及压缩泵，待二氧化碳液化并增压至设定好的压力参数后，打开萃取釜入口阀使二氧化碳与原料充分反应；然后等一定萃取时间，再打开萃取釜出口阀，并收集萃取物和液态二氧化碳，同时降低压力使二氧化碳迅速汽化；最后调节流量收集剩余的萃取物并将其置于-20°环境下储存。最终的提取率由产率（Yield，Y）表示，计算由式（2-1）计算所得：Y%=woil其中Woil代表提取精油的重量，Wpowderofmedicines代表药材重量。2.3实验设计实验中影响提取率的因素有很多，如温度、压力、时间等等。提取率受不同的因素影响程度不同，而且这些因素相互之间还有交互效应。为了寻找其最适合的提取条件，本实验选用响应面法来分析各因素之间的相互影响和结果优化。只有将各因素与响应值的关系式数学建模化，才能精准的分析因素之间的交互作用影响差异以及各因素对提取率的影响程度。本实验选用温度T、压力P和时间t这3个因素为变量因素，其余因素均为固定变量，如粒径为20目，陈皮枳壳药材重量为21g，CO2流量为15L/h。通过这3个变量因素对提取率Y的影响来构建响应面设计，选用BoxBehnkenDesign方案设计出三因素三水平组合方案并进行一系列实验。表2.2三因素三水平取值因素A:萃取压力/barB:萃取温度/℃C:萃取时间/min-1200353003004575140055120表3.1是本次实验设计中的3因素3水平表，其中3因素分别为P、T和t，3水平分别为每个因素的最小值（-1），中间值（0）和最大值（1）。通过Design-expert8.05软件进行试验设计，并进行数据分析：把已知条件的提取率Y填入表后用响应面法建模。使用ANOVA分析实验结果，并确定模型的稳定性（运用F值检验法和p值）。运用非线性拟合的方法，建立二次多项回归拟合方程，且以此预测最高产率，同时使用目标函数的相关系数来表征回归模型的相关度，使用复相关系数评价模型可行性。分别使用商业软件与智能算法计算模型函数的最优解，以增加函数的最优响应指标与响应值的准确度。LINKWord.Document.12"C:\\Users\\Administrator\\Desktop\\万景的论文0519.docx""OLE_LINK1"\t\a响应面的结果与分析3.1响应面优化结果表3.1RSM实验设计及结果StdTypeA:T/℃B:P/barC:t/minYield/15436240045300.140973200451200.2029430035300.135514530045750.15043620055750.176487400451200.2536128300551200.25854940055750.221421040035750.188451120045300.0583151230045750.194911320035750.13671114300351200.1417101530044300.1481方差分析是为了确定模型函数的稳定性，其中p值与F值决定因素对结果影响的显著性，p值越小，F值越大则表明该因素或不同因素的交互作用对响应值的影响越显著。本实验建立的模型使用ANOVA获得的F值和p值判断各系数的显著性。如表3.2所示，模型的方差分析结果表明影响高度显著，而失拟检验结果为不显著，说明该模型可行。表3.2方差分析结果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通过最小二乘法能计算模型的截距、一次项系数、二次项系数和交叉项系数，建立二次多项式拟合方程，计算结果见表3.3。表3.3二次多项式方程回归系数及误差表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根据表3.3的截距、一次项系数、二次项系数和各交叉项系数拟合得二次多项式回归方程如下：Y=1.86+0.38∗A+0.13∗B+0.32∗表3.4二次多项式方程相关系数表Std.Dev.0.18R-Squared0.9545Mean1.36AdjR-Squared0.8726C.V.%13.48PredR-Squared0.3574PRESS2.37AdeqPrecision11.031该方程的复相关系数“R2”，校正的复相关系数“adjustedR2”和预测的复相关系数“predictedR2”如表3.3所示。其中，相关系数R2为0.9545，说明响应值Y的变化有95.45%与T、P和t三个因素有关。图2.1是该方程的残差的正态概率分布图，Design-Expert软件还给出了残差与预测值分布（图2.2）、预测值与实际值分布（图2.3）。若残差的正态概率分布点、实际值与预测值分布点成线性关系，残差与预测值分布很散乱，则表明RSM模型的稳定性越好。观察图可以得出结论，利用RSM拟合的‘陈皮枳壳’SCE工艺模型稳定性较好。图3.1残差正态概率分布图3.2残差与预测值分布图3.3预测值与实际值分布3.2单个因素对产率的影响通过响应面中的回归模型可以得到单个因素对响应值的影响。在图2.4中可以看到在实验参数范围内，T、P和t三个因素分别对Y的影响如下：一、Y随着P的增加而增加，这表明高压环境是有利于Y的提升的；主要原因有两个。①当P增大时，溶剂CO2体积变小密度增大，因此精油和CO2分子充分接触，导致精油在CO2中的溶解度增加，导致Y增加；②随着P的增加，溶剂CO2的扩散系数降低，因此Y的增加逐渐变为平缓，但溶剂CO2的密度的增加影响更为显著，故整体表现为P对Y的增强作用。二、Y随着T的增加先缓慢增加后不变，其折点温度为45℃。这说明温度设置有一个最佳值，温度过高或者过低都不利于提取。T对超临界的影响与密度和精油的挥发性有关。①精油的饱和蒸汽压随着T的增加而增加，这使得精油成分更容易溶于CO2中，故产率Y的增加；②当T升高时，溶剂的密度会降低，导致精油在CO2中的溶解度变小，所以Y会减少。故产率随T升高而呈现先增后减趋势。三、随着t的增加，提取率先快速增加，大于等于95min时Y达到最高后保持不变，说明提取时间最优为95min。①萃取刚开始时，由于CO2与陈皮枳壳粉末颗粒没有充分混合，接触面积不大，导致收率较低；但随着t增加，CO2流体与陈皮颗粒接触越来越充分，使得Y快速增加；②当到达一定时间后，由于而溶剂中的精油含量饱和，所以陈皮枳壳粉末颗粒中的精油基本不会被萃取了，因此Y并无明显增加；不仅如此，因为部分易挥发物质随着时间增加而流失，Y反而略有减小。图3.4单因素分析3.3两个因素交互作用对提取率的影响响应曲面图与等高线图的作用即为分析多因素之间的交互作用。两因素的交互作用对响应值的影响越显著，则得到的响应曲面越陡峭；而两因素间的交互作用越显著、相互作用强度越强，其等高线的形状越不规则或者越密集。于是本实验选用压力P、温度T、时间t三个因素通过BBD设计了‘陈皮-枳壳’SCE工艺的RSM数学模型，通过目标函数（2-2）的一次项系数、二次项系数和各交叉项系数来绘制响应曲面图与等高线图。将试验数据利用DesignExpert软件进行处理，处理方式如下：(1).选定一个温度T定值，观察压力P变量及时间t变量对精油得率的影响。(2).选定一个时间t定值，观察温度T变量及压力P变量对精油得率的影响。(3).选定一个压力P定值，观察温度T变量及时间t变量对精油得率的影响。图3.5多因素交互作用分析从图3.5（1）的响应曲面图可以看出，压力P侧的曲面比温度T侧的曲面更加陡峭，这表示压力P对萃取率的影响比温度T更显著，且两因素生成的响应曲面整体较陡峭，说明两因素之间的相互作用比较强；从图3.1（1）的等高线图可以看出，等高线整体较为密集，这说明压力P和温度T的相互作用较强，对提取率Y的影响比较大，且沿压力P方向的等高线比沿温度T方向的等高线更密集，这表示压力P对提取率Y的影响相比温度T的影响更显著。从图3.5（2）的响应曲面图可以看出，时间t侧的曲面比压力P侧的曲面更加陡峭，这表示时间t对萃取率的影响比压力P更显著，且两因素生成的响应曲面整体较平缓，说明两因素之间的相互作用比较弱；从图3.1（2）的等高线图可以看出，等高线整体较为稀疏，这说明压力P和温度T的相互作用较弱，对提取率Y的影响较小，且沿时间t方向的等高线比沿压力P方向的等高线更密集，这表示时间t对提取率Y的影响相比压力P的影响更显著。从图3.5（3）的响应曲面图可以看出，时间t侧的曲面比温度T侧的曲面更加陡峭，这表示时间t对萃取率的影响比温度T更显著，且两因素生成的响应曲面整体非常陡峭，说明两因素之间的相互作用非常强；从图3.1（3）的等高线图可以看出，等高线整体非常密集，这说明时间t和温度T的相互作用很强，对提取率Y的影响很大，且沿时间t方向的等高线比沿温度T方向的等高线更密集，这表示时间t对提取率Y的影响相比温度T的影响更显著。综上所述，三个因素的交互作用显著性大小为BC>AB>AC；其中A为压力P，B为温度T，C为时间t。LINKWord.Document.12"C:\\Users\\Administrator\\Desktop\\万景的论文0519.docx""OLE_LINK2"\t\a灰狼算法优化4.1灰狼算法介绍灰狼优化(GreyWolfOptimization,GWO)是近年来澳大利亚学者Mirjalil[26]提出的一种被广泛应用于求解优化问题的智能优化算法，其灵感来自于领导行为和独特的灰狼寻找机制，通过模拟灰狼群体在捕食过程中的跟踪、包围、追捕、攻击猎物等行为来实现目标优化[27]，具体理论如下：狼群能通过构建种群间的4层（α、β、δ和ω）社会等级管理模式来实现跟踪、包围和攻击猎物等步骤。首先，分别有α、β和δ三位头狼来追铺猎物，以获取猎物的准确位置；其次，ω代表剩余的所有狼，通过跟随三位头狼移动位置，以接近头狼确定的猎物位置，跟踪和包围猎物，与头狼共同完成捕食任务。因此，在狼群中，所有个体狼的位置会围绕猎物的位置更新。狼群在追铺猎物的位置更新的过程可以看作GWO在最优解空间中寻优的迭代过程。在解空间中将所有解按适应值顺序排列，最靠近最优的解定义为α狼，排在第二与第三位的解则分别定义为β和δ狼。剩余解均定义为ω，根据狼群的捕猎过程会使得在解空间中的所有解随着迭代更新而接近最优值。当迭代完成后α狼代表GWO得到的最优值。另外式（3-1）与（3-2）可以表达在d维空间中的寻优过程： Did=Cid∗ Xidt+1=Xpd式（4-1）表示个体与猎物的距离确认，其中个体狼的位置向量为X（1，2，…i），Xp是猎物的位置向量，t为迭代次数，D代表第i只狼与猎物的距离，式（4-2）为迭代后的个体狼位置确认，如此循环。最后，多次迭代后α狼的位置即为所求的最靠近猎物的最优解。图4.1为狼群更新示意图。图4.1灰狼算法概述4.2灰狼算法的实施流程1）设置算法参数，随机产生的种群规模N，最大迭代次数Max_iteration,初始化,,,和等，其中.2）设定所需优化参数的允许范围[ub,lb]，在搜索空间内初始化Logistic混沌映射方程所需的初始狼群数量，，狼群规模为N。3）计算群体中每个个体的适应度值并排序，确定历史最优解α，历史次优解β和历史末优解ϐ.4）更新混沌映射的混沌序列，连同所有灰狼的位置.5）对每只狼，按公式(3)初步计算灰狼的位置，进一步更新灰狼位置.6）迭代次数，根据公式(4)计算出改进后的收敛因子的值，进而更新,,和等，其中.7）判断当前迭代次数是否达到最大迭代次数，若满足，则进入Step8，否则返回执行Step3.8）返回最优最优个体位置，算法结束.

StartStartSetupthealgorithmparametersSetupthealgorithmparametersInputthesizeoftherandompopulationInputthesizeoftherandompopulation,max_iterationandinitializethenumberoftheparameters(,,,,andxn)etc.Calculatethefitnessvalueofeachindividualinthegroupandsorted,determinethehistoryoftheoptimalsolutionα,theCalculatethefitnessvalueofeachindividualinthegroupandsorted,determinethehistoryoftheoptimalsolutionα,thesuboptimalsolutionβandtheperipheralendoptimalsolutionϐUpdatethechaoticsequenceofchaoticmappingUpdatethechaoticsequenceofchaoticmappingandallthepositionofthewolvesCalculatethenupdatethelocationofthepreliminarywolf,accordingtotheformula(5)Calculatethenupdatethelocationofthepreliminarywolf,accordingtotheformula(5).UpdatethenumberofiterationsUpdatethenumberofiterations,accordingtotheformula(4)tocalculatethevalueoftheimprovedandupdatetheparameters(,,,,andxn)etc.Isterminationcriteriamet?Isterminationcriteriamet?NOUpdatethebestpositionUpdatethebestpositionStopStop4.3灰狼优化算法的缺点与不足Mirjalili等采用多个基准测试函数对GWO的性能进行测试,并将其与PSO,DE等算法进行对比分析，可总结出GWO存在如下缺点:1)种群多样性差,这是由GWO的初始种群生成方式导致的。随机初始化生成初始种群的方式无法保证较好的种群多样性。2)后期收敛速度慢。这是由GWO算法的搜索机制造成的。狼群主要依据与a,β和δ的距离来判断与猎物之间的距离,导致后期的收敛速度较慢。3).易陷入局部最优,这是因为a狼不一定是全局最优点，在不断的迭代中，ω不断逼近前3匹狼,导致GWO算法陷入局部最优解。针对GWO存在的缺陷，许多学者进行了相关改进，以便提升GWO算法的性能。4.4灰狼优化算法的改进及应用在群体智能算法中都普遍存在着全局搜索和局部搜素的平衡问题，全局搜索能力强则能保证种群的多样性，局部能力搜索强则可保证局部搜索的精准性，加快算法收敛速度，所以也要处理好GWO算法在全局搜索能力和局部搜索能力之间的平衡。在基本GWO算法中的收敛因子a随着迭代次数增加从2线性递减至0，但算法在不断的收敛过程中并非线性收敛，收敛因子a的线性收敛策略无法完全体现出实际优化搜索过程[28]。通过文献查阅得到一种新的非线性收敛方式[29]：(4)其中：为自然对数的底数，为当前迭代次数，是最大迭代次数，的非线性递减曲线图如图2所示：图2收敛因子a的非线性递减曲线图由图2可知收敛因子a随着迭代次数从2到0呈非线性递减，在初期a的衰减度降低，是为了更好的寻找全局最优解，到了后期a的衰减程度提高，可以更加精确的寻找局部最优解，从而更有效的平衡来了全局搜索能力和局部搜索能力。4.5RSM模型的最优化结果在确立‘陈皮-枳壳’SCE工艺响应面模型之后，还需要获得模型的最优化结果。这里有两种方法可以计算获取，①通过商业软件优化功能对该模型优化获取；②通过智能算法计算目标函数获取。下面分别用两种方法计算获得‘陈皮-枳壳’SCE工艺的最优值。Design-Expert软件中自带有模型优化程序。得到SCE工艺的响应面模型之后，首先，点击Optimization按钮转到求最优值界面，其次点击Numerical选择数据，再次，设定各因素的取值范围与所需要的响应值的极值，在Goal下拉框选择maximum，即可确定计算响应值（萃取率）的最优值，最后点击Solutions按钮可得到Design-Expert软件计算出的最优化因素与最优响应值。得到最佳试验条件: A=400、B=49.37、C=87.43，即最佳条件为:P=400bar、T=49℃、t=87min，此时提取产率响应值为Y=2.15%。智能算法中具有代表性的灰狼算法（GWO）可以用来计算SCE工艺的响应面模型。响应面法能将最佳工艺问题转化为二次多项式方程最优解问题，因此GWO只需要对目标函数求解即可获得最优化值。首先，设置灰狼算法的参数，最大迭代次数为100，狼群体大小设置为20，变量数设置为3，可变参数lb=[lb1，lb2，lb3]=[-1，-1，-1]，值ub=[ub1，ub2，ub3]=[1,1,1]；其次，通过Matlab可以实现最大值搜索和可变参数优化，得到该方程的最优解；最后将二次多项式方程最优解及其变量值转换为相应的实际值。优化后获得的最大产率Y为2.1431%，其相应的操作参数为400bar（P），48.0495℃（T）和87.0016min（t）。通过比较，与Design-Expert软件优化条件基本一致，证明两种最优化方法都能获得最优值，且灰狼算法获得的最优值具有更高的精度。结论与展望‘陈皮-枳壳’精油的超临界萃取及其工艺优化是本实验的重点，首先，基于BBD的RSM实验设计考察温度、压力和时间三个因素对SCE提取的影响；其次，该实验运用响应面法对数据进行处理并确定模型的稳定性，之后评价模型可行性；然后在使用design-expert分析实验数据之后发现，在交互影响之中，T与t的交互因素影响最明显，P与T的交互因素次之，P与t的交互因素影响最不明显；最后运用灰狼算法将数据进行优化，结果得出超临界萃取‘陈皮-枳壳’精油的最佳坐标点是:P=400bar、T=48.0495℃、t=87.0016min，提取产率值为Y=2.1431%。

参考文献[1]雷龙鸣,伦轼芳,黄锦军,等.薄荷精油循经推拿调治社会应激性亚健康抑郁状态93例.中华中医药杂志,2011,(2).[2]刘志强,刘士敏.芳香疗法在园林中的应用研究.辽宁林业科技,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]贺玉琢.广藿香精油的芳香气味对排便的影响(2).国际中医中药杂志,2006,(3).[6]孙伟,肖家祁,王淳凯,等.精油对人鼻咽癌细胞生长抑制的研究.上海中医药杂志,2005,39(9):53-55.[7]黄景晨,张帅,刘飞,等.超临界CO2萃取陈皮挥发油及其化学成分分析[J].现代食品科技,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]厉剑剑,张文焕,黄惠华.超临界CO2萃取小球藻精油及其抗氧化分析[J].现代食品科技,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]张莉.纳豆加工工艺的研究和产品开发[D].济南:山东轻工业学院,2012.[14]谢元,季家举,蒋柯,等.纳豆的研制与风味改良[J].轻工科技,20