数学算法在白酒勾调中的应用研究进展

高紫瑶，邵 燕，侯冰峰，李 丽*

（1.四川轻化工大学，四川宜宾 644000；2.泸州老窖股份有限公司，四川泸州 646000）

中国白酒酿制技艺历经千年积淀、传承和改进，已发展形成了十二大香型泸州老窖等多家白酒名企的传统酿制技艺，且均入选了国家非物质文化遗产[1-2]，白酒勾调技艺是其核心技艺之一。白酒企业中的勾调技艺包括基础酒组合和调味，均由具有多年酿酒生产经验的专家担任，凭借其丰富的勾调经验和敏锐的感官品尝技能，将不同发酵窖池、窖池窖龄、发酵周期、发酵工艺以及储存周期等原因形成的风格各异的基础酒组合成香味协调、口感舒适、风格典型的美酒[3-6]。但是，勾调过程会受到尝评专家的身体、心理、情绪、环境等诸多因素的影响。自计算机推广应用以来，采用人工智能数学算法进行白酒勾调一直都是行业研究的热点，泸州老窖、汾酒和沱牌等知名企业都开发并拥有了自己的微机勾兑系统，为人工智能勾调和鉴评积累了丰富的经验[7-8]。

1 白酒勾调数学算法

20 世纪70 年代以来，色谱分析技术在白酒行业中得到了推广应用，白酒专家认识到白酒中的成分除了水和乙醇外，还有300 多种香味物质，并将其分为色谱骨架成分、协调成分和复杂的微量成分，且在勾调过程中要控制酒的色谱骨架成分含量和比例。不同类型的微量成分起到的作用不同，酯类一般可决定酒体风格，酸类可增味，醇类可平衡多种味道，醛酮主要是辅佐放香，酸酯平衡是口感协调的关键[9]。白酒中呈香呈味微量成分的定性和定量分析为计算机勾调系统的实现奠定了数字基础。白酒专家通过分析优级酒中微量成分的含量范围及其量比关系，采用线性规划、目标规划、模糊数学、神经网络算法和遗传算法等计算机算法，模拟人工组合和调味，以达到提高效率、稳定酒质和降低成本的目的。

1.1 线性规划

线性规划是研究在线性约束条件下求解目标函数极值的方法。1983 年唐锡华[10]提出勾酒与数学的线性关系，由于当时计算水平落后，尚未求解。1985 年沈国坤等[11]首次提出用线性规划解决计算机勾兑名酒的思路和方法，但并未对该方法的计算过程进行阐述。20 世纪90 年代，计算机勾调成为白酒专家竞相研究的热点。最初的研究只是根据色谱成分进行数学建模，约束条件是各种微量成分的含量范围及四大酯的比例关系，目标函数有勾兑的半成品酒量最大、使用的好酒量最少、使用的差酒量最大和相对偏差的平方和最小等，通过模型求解能够初步实现勾兑质量稳定、减轻人工勾兑劳动力、提高勾兑效率等[12-16]。任鹿海等[17]、张景鹏等[18]建立了感官指标和理化指标之间的数学模型，在线性规划中增加了感官指标质量评分为目标函数进行优化，使计算机勾兑模型进一步完善。黄汉英等[19]以五大酸、四大酯、两醛及四大酸比例为约束条件，以成本最低为目标进行优化，采用线性规划方法计算得到的配方的成本与手工计算的配方相比，有明显降低。根据陶坛储酒用于勾兑的生产需要，李慧玲等[20]建立了白酒勾兑混合整数线性规划模型，该模型提出分层求解策略，通过参数调整得到最优解。勾调模型的计算结果与纯线性规划相比，白酒整坛数更多，大大提高了基酒储存空间的利用率，降低了勾调组合的操作成本和仓储成本。泸州老窖和四川轻化工大学联合开发了白酒微机勾兑调味辅助系统（GTS 系统），该系统基于线性规划原理设计，构建了可模仿学习的专家调味知识系统，通过不断迭代修正来调整、升级专家调味知识系统，以指导计算机调味[21-22]。

在应用线性规划解决勾兑问题时，经常遇到无法满足所有约束条件的区间，线性规划出现无解情况。另外，线性规划的目标只有一个，而实际生产中的目标可能会很多，主要有白酒勾兑配方的成本最低、酒体感官评分最高、酸酯成分比例最佳、卫生指标最优等多个目标。因此，要解决各目标之间存在的矛盾，就需要用到多目标规划。

1.2 目标规划

目标规划在线性规划的基础上进一步升级，突破了线性规划的局限性，把所有的约束条件均转化为目标，然后根据其重要程度来赋予不同目标的权重，最终将多目标规划转化为单一目标并进行优化。李家明[23-24]设计了多目标规模模型。与线性规划的对比结果显示，在相同的条件下目标规划的配方成本更低、微量成分平衡协调、口感更佳。黄晓峰[25]构建了理化指标和成本价格双目标规划模型，并为每个目标设置了优先因子，得到的配方能够同时满足风味物质均衡、感官评分较高、用酒成本最低等多个条件的要求。王莹莹[26]构建的多目标规划模型，将微量成分含量、成分比例约束、目标酒总量、基础酒限量、基础酒等级、基础酒酒龄和成本等约束条件全部转化为目标函数，根据其重要程度赋予不同的权重，权重越大越重要，从而平衡了多个目标函数的关系，提高了勾兑计算过程的准确性，降低了技术人员的劳动强度。目标规划的约束条件是非刚性约束，允许目标出现合理偏差，因此会出现多个优化结果。该算法虽然克服了线性规划的目标单一性缺点，但也带来了优化结果的较大不确定性，可能会出现约束不严、优化配方不符合要求的结果。

1.3 模糊数学

模糊数学是研究和处理模糊性现象的数学理论和方法。赵继伦[27]、周瑛等[28]采用模糊数学方法研究白酒的感官品评，提高了品评结果的可靠性。由于基础酒中微量成分的含量及对成品酒质量作用具有不确定性，因此可在勾调模型中引入模糊数学方法。李家明[24,29]在线性规划模型基础上引入模糊约束集，并根据其丰富经验和标样酒指标确定各种微量成分含量的伸缩量，当约束条件完全满足时隶属函数值为1，约束条件超过伸缩量时隶属函数为0，其他则介于0 与1 之间。模糊数学勾调模型是模拟勾兑专家的调配过程，能够根据影子价格对约束条件自动进行调整、计算，直到给出理想的结果。在相同基础酒条件下进行手工配方、线性规划、目标规划和模糊数学规划对比研究，模糊数学方法建立的模型可通过伸缩量调整配方，虽然在某些微量成分上略低于标准值，但仍不影响酒体整体的平衡协调，是4种方法中成本最低、口感最佳的方法。采用模糊数学方法进行勾调的研究较少。虽然模糊数学模型具有规则简单、计算速度快、自我调整等优点，但伸缩量的设定需要丰富的勾调经验，初学者不易掌握。

1.4 神经网络算法

神经网络算法是模拟人脑神经网络来实现类人工智能的机器学习技术。2006 年，HINTON[30]首次提出了“深度信念网络”的概念，掀起了深度学习研究的热潮。多层感知器的神经网络是神经网络模型的深化发展。与单层神经网络相比，多层神经网络可以无限逼近任意连续函数。完整的神经网络是由若干节点组成的一个输入层、一个输出层和一个以上的中间隐藏层组成，各层之间由权值相连接，一个神经网络的训练算法就是让权重的值迭代到最优值，使得整个网络的预测结果最优。在白酒勾调研究中，张东升[31]利用色谱分析技术提取白酒微量成分，建立基础酒勾调配方优化的数学模型，使用神经网络反向传播算法来构建神经网络学习模型，通过机器学习升级改进感官评分系统，报道中只是阐述理论模型，并无勾调结果。李志民[32]将酒体理化数据转换成理化信息矩阵和评分矩阵，采用matlab 的神经网络工具箱建立一个三层的网络，其中隐含层设计了20 个神经元，使用的传递函数为tan-sigmoid，在输出层使用的是线性传递函数，利用BP 神经网络的训练挖掘理化数据中的关联信息，建立酒体微量成分指标和酒体质量之间的函数关系，实现了白酒的智能勾兑。黄晓峰等[33]解决了目标规划算法中权重难以确定的问题，利用人工神经网络算法改进和优化了目标规划算法。结果表明，基于神经网络优化算法的勾调成功率提高到98%，成本降低了6%，得到了满足多目标的最优勾调配方。黄余等[34]使用神经网络算法优化了配方，使组合出来的白酒口感最佳、成本最低。

1.5 遗传算法

遗传算法是模仿生物系统进化机制而形成的随机全局搜索和优化的方法，能在搜索过程中自动获取和积累搜索区域的经验，并调节、控制搜索过程来得到全局最佳解，具有并行计算、高效优化、全局搜索的优点。刘淑玲等[35]基于遗传算法设计的白酒智能勾兑系统，可以大大缩短勾调周期。曾黄麟等[22]、张良等[22]在研究泸州老窖微机勾调系统时，采用遗传算法非线性优化方法来寻求最优解，解决了线性规划没解的问题。

2 结语

未来人工智能白酒勾调研究将主要集中在计算机硬件研究、智能软件研究和智能技术集成研究等3个方面。目前白酒的窖香、糟香、粮香、曲香、陈香、焦糊香等香气成分的定性和定量检测仍未实现，只有检测范围更广、分辨率更高、检测精度更高的检测硬件设备的发展，才能更全面、更深入、更准确地对白酒进行剖析。另外，储存信息量更大、计算速度更快的计算机硬件发展也为复杂软件的运行提供了可能。数据训练出更强大的程序，程序产生更优的数据，未来也可以开展基于深度学习的人工智能白酒勾调系统研究，深度融合云计算和大数据等前沿技术，训练出计算速度更快、架构更优、算法更准的人工智能白酒勾调系统。相信不远的将来，智能白酒勾调系统将纵向融合智能化酿造、智能化酒库、智能化包装和智能化物流系统，使中国白酒传统产业被打造成高科技的智慧工厂。