《Biomimetics》：An Improved Artificial Lemming Algorithm and Its Preliminary Application to NIR-Based Prediction of Dendrobium huoshanense Polysaccharides
编辑推荐：
石斛多糖是评价霍山石斛质量的重要指标。为提高多糖含量的预测精度，本研究提出了一种改进的人工旅鼠算法（Improved Artificial Lemming Algorithm，IALA）优化的BP神经网络模型。在IALA中，引入了周期性突变策略和快速混合对立学
石斛多糖是评价霍山石斛质量的重要指标。为提高多糖含量的预测精度，本研究提出了一种改进的人工旅鼠算法（Improved Artificial Lemming Algorithm，IALA）优化的BP神经网络模型。在IALA中，引入了周期性突变策略和快速混合对立学习策略（Fast Hybrid Opposition-Based Learning，FHOBL），以增强种群多样性、提高全局搜索能力并避免早熟收敛。本研究首先在CEC2017和CEC2020基准函数上对所提出的IALA进行了评估。实验结果表明，与另外七种算法相比，IALA在平均适应度、最佳适应度和标准差方面取得了更优或具有竞争力的性能。包括Wilcoxon秩和检验和Friedman检验在内的统计检验进一步验证了IALA的显著优越性和鲁棒性。随后，研究人员将IALA用于优化BP神经网络的初始权重和阈值，以预测石斛多糖含量。结果显示，IALA-BP取得了最佳的整体预测性能，其R2为0.8731，RMSE为2.1581，MSE为4.6683。与标准BP和其他优化BP模型相比，IALA-BP提供了更准确、更稳定的预测结果。因此，所提出的IALA-BP模型对于石斛多糖含量的快速预测是有效的。
**论文解读：改进人工旅鼠算法优化BP神经网络用于近红外光谱预测霍山石斛多糖**
**研究背景与现存问题**
霍山石斛（*Dendrobium huoshanense*）是传统名贵中药材，其多糖（polysaccharide）是评价药效与商业价值的关键质量指标。传统多糖测定方法如苯酚-硫酸法、高效液相色谱法虽准确，但样品制备复杂、耗时长、成本高，难以满足大规模快速检测需求。近红外光谱（NIRS）技术因快速、无损、低成本的优点被引入，但其光谱数据存在高维、严重重叠、强相关及非线性关系，导致定量建模困难。传统线性模型如偏最小二乘回归（PLSR）难以捕捉非线性关系，而BP神经网络虽具有非线性映射能力，却对初始权重和阈值敏感，易陷入局部最优且收敛慢。群体智能优化算法虽可用于优化BP网络参数，但现有算法仍存在早熟收敛、种群多样性不足等问题。因此，研究人员提出改进人工旅鼠算法（IALA）以优化BP神经网络，实现准确、稳健的多糖含量预测。
**研究内容与结论**
研究人员首先提出了IALA，在原始人工旅鼠算法（ALA）中引入周期性突变策略（periodic mutation）和快速混合对立学习策略（FHOBL），以增强全局探索与局部开发能力。在CEC2017和CEC2020基准函数上，IALA在平均适应度、最佳适应度和标准差方面优于ALA、LSHADE、粒子群优化（PSO）、随机社会学习优化（SSLO）、差分进化（DE）、无分类家庭交互算法（UFIA）和灰狼优化（GWO）等七种算法。Wilcoxon秩和检验和Friedman检验证实了IALA的显著优越性和鲁棒性。随后，将IALA用于优化BP神经网络的初始权重和阈值，构建IALA-BP模型，并应用于近红外光谱预测霍山石斛多糖含量。基于157个样本（来自安徽霍山县的林下和岩石生境）的NIR光谱数据（900–1700 nm，119个光谱变量），研究人员采用5次独立随机划分实验进行验证。结果表明，IALA-BP模型取得了最佳预测性能，R2为0.8731，RMSE为2.1581，MSE为4.6683，均优于标准BP及其他优化BP模型（如ALA-BP、PSO-BP等）。稳定性分析显示，IALA-BP在五次实验中的标准差最小，具有最佳鲁棒性。该研究为中药材质量快速评价提供了有效方法，并展示了改进群体智能算法在光谱定量分析中的潜力。
**主要技术方法**
研究人员采用的主要关键技术方法包括：（1）在IALA中引入**周期性突变机制**，以固定周期振荡和随机幅度扰动扰动精英个体，增强全局探索能力；（2）提出**快速混合对立学习（FHOBL）算子**，融合局部精英自适应对立学习（OBL）与简化差分进化（DE）扰动机制，在单次评估预算内降低计算开销，提升搜索效率；（3）构建**单隐层BP神经网络**，通过灵敏度分析确定隐层神经元数为3，输入为119个近红外光谱变量，输出为多糖含量（采用苯酚-硫酸法测定），训练集与测试集按3:1比例随机划分，重复5次独立实验；（4）模型性能评价采用R2、RMSE、MSE、MAPE和MAE指标，并计算标准差评估稳定性。样本来源为安徽霍山县，共157个样本，涵盖林下与岩石两种生境。
**研究结果**
**3.1 实验设置**：在MATLAB R2024a环境下，采用CEC2017和CEC2020测试套件，维度设为30、50、100，种群规模20，最大迭代1000次，与七种算法对比。
**3.2 整体性能比较**：在30维CEC2017函数上，IALA在29个测试函数中17个取得最佳平均适应度；在最佳适应度上，IALA在多数函数上最低；标准差方面，IALA在多数函数上取得较小或竞争性标准差，表现出良好稳定性。在CEC2020上，IALA在H2–H5、H7、H9、H10等函数上取得最低平均适应度，最佳适应度及标准差同样具有优势。
**3.3 统计分析**：Wilcoxon秩和检验表明，IALA在CEC2017 30维上以25/3/1（胜/平/负）显著优于ALA，在100维上达到29/0/0；Friedman检验p值均小于0.001，证明算法间性能差异显著，IALA整体排名最优。
**3.4 可扩展性分析**：平均排名热图显示，IALA在所有测试情况下（2017-30至2020-100）均获得最低平均排名（1.2–1.8）；首次排名次数热图显示，IALA在CEC2017 30维上获得17次第一，显著高于其他算法。
**3.5 代表性收敛曲线**：在选定的CEC2017（F5、F17、F26）和CEC2020（H3、H6、H9）函数上，IALA收敛速度更快，最终适应度更低，表明其平衡探索与开发能力更强。
**4 应用结果**：在霍山石斛多糖预测中，IALA-BP模型的R2=0.8731，RMSE=2.1581，MSE=4.6683，均优于BP（0.8242、2.7019、7.4115）和ALA-BP（0.8579、2.2615、5.2244）等模型。标准偏差方面，IALA-BP的R2标准差为0.0138，远低于BP的0.0679，稳定性提升约79.68%。实测值与预测值对比图及散点图进一步证实IALA-BP具有更高的拟合精度和泛化能力。
**讨论与结论**
研究人员在讨论部分指出，基于有限样本（157个）的重复随机划分验证证实了IALA-BP的有效性，但未来需收集更多不同产地、生长年份和加工条件的样本以提升模型泛化能力。同时，应探索光谱预处理和特征选择方法以降低噪声、识别关键波长，并与更先进的机器学习及深度学习方法进行比较。翻译结论部分如下：本研究通过引入周期性突变和FHOBL策略，提出了一种改进人工旅鼠算法（IALA）。CEC2017和CEC2020的基准测试结果表明，IALA在优化精度、稳定性和鲁棒性方面优于ALA及大多数对比算法。Wilcoxon秩和检验、Friedman检验、热图和收敛曲线进一步证实了改进策略的有效性。此外，将IALA用于优化BP神经网络的初始权重和阈值以预测霍山石斛多糖含量，所提出的IALA-BP模型在所有对比模型中取得了最高的R2和最低的RMSE、MSE，表明其具有优越的拟合能力和预测精度。实测值与预测值的对比也显示，IALA-BP能更好地捕捉近红外光谱数据与多糖含量之间的非线性关系。总体而言，所提出的IALA-BP模型为霍山石斛多糖含量预测提供了一种有效方法。
