应用遗传算法的扫描式ICP-AES光谱定性分析.pdfVIP

第 22 卷 ，第 3 期 光 谱 学 与 光 谱 分 析 VoI . 22 ， No . 3 ， pp458-460 2 0 0 2 年 6 月 Spectroscopy and SpectraI AnaIysis June ， !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 2002 应用遗传算法的扫描式 ICP-AES 光谱定性分析 彭 彬，刘克玲，李治民，王岳松，黄图江 中国科学院过程工程研究所（原化工冶金研究所），北京 100080 摘 要 用遗传算法进行了扫描式 ICP AES 的自动光谱定性分析。无需标样并能克服光谱干扰自动报出未 知样品中的元素成分及含量范围，复制、杂交及变异算子分别为 0.6 ， 0.4 和 0 。实际样品的光谱分析结果初步 表明：对光谱峰位移进行一定的预处理，并在适应值函数中考虑谱线的强度信息后，遗传算法能够应用于光谱 图的解析。 主题词 定性分析； ICP AES ；遗传算法 中图分类号： 0657.31 文献标识码： A 文章编号： 1000 0593 （ 2002 ） 03 0458 03 收稿日期： 2000-12-26 ，修订日期： 2001-04-30 作者简介：彭 彬，女， 1977 年生，中国科学院过程工程研究所硕士研究生 通信联系人 电感耦合等离子体原子发射光谱法（ ICP AES ）是一种广 泛使用、有效的光谱定量分析方法，由于对元素周期表中的 70 多种元素都具有很低的检出限，它也应该适于定性分析和 半定量分析。但我国目前大多数扫描式 ICP AES 装置由单色 仪和光电倍增管 PMT 组成，由于发射光谱图复杂、谱线干扰、 光谱峰位移等因素的影响， ICP 谱图的识别比较困难。遗传 算法［1，2］是模拟自然界生物进化机制的一种高度并行搜索算 法，通过对待求问题的参数的编码运算，算法将问题的求解转 化为对最优解的一个搜索过程。遗传算法最初是用在人工智 能及机器学习的研究中，广泛应用于图像处理、参数计算、模 式识别、网络计算、气象分析等等。近年来，在分析化学各领 域如参数优化、多变量分析、分子构象分析［3］也得到了成功的 应用。本文以智能波长校正装置［4，5］为基础，探讨了使用遗 传算法的 ICP AES 的光谱定性分析。 1 遗传算法及应用原理简介 遗传算法（ Genetic AIgonthms ， GAs ）是在 60 年代由美国 Michigan 大学的 ~oIIand ［ 2 ］创建的，在确定了编码方案、适应值 函数及遗传算子后，算法利用遗传过程中获得的信息自行组 织搜索，以“优胜劣汰”原则，使得较优个体具有较高生存概 率，直到产生最优个体。遗传算法以简单的编码技术和繁殖 机制来表现复杂的现象，不受搜索空间的限制性假设的约束， 不必要求诸如连续性、导数存在和单峰等假设，其最大特点智 能性及固有的并行性使得搜索效率大大高于传统搜索方法， 尤其适于处理传统搜索方法解决不了的复杂和非线性搜索问 题。在分析化学中，遗传算法在参数优化、多变量分析和分子 构象分析等方面的应用［3］尤为广泛。 在遗传算法中，问题的搜索空间中每个可能的点（即可能 的解）被表示为确定长度的特征串（二进制串是常用的表示方 法）。每个特征串按某种度量方法得到一个适应值，以反映该 个体在群体中的适应程度，即它在群体中是否比其它个体更 具生存能力，能够在进化中生存下来。在每一代中，利用上一 代适应性好的串的位和段来生成一个新的串群体（通过复制 算子和杂交算子实现），作为额外增添，偶尔也要在串结构中 尝试用新的位和段来替代原来的部分（通过变异算子实现）。 遗传算法是一类随机算法，但它不是简单的随机走动，通过随 机的然而是有组织的信息交换来重新组合那些适应性好（适 应值高）的串，它可以有效地利用已有的信息来搜寻那些有希 望改善解质量的串，进而得到最好的串［1］。与自然界相似，遗 传算法对待求解问题的本身一无所知，它所需要的仅是对算 法所产生的每个串进行评价，并基于适应值来选择个体串，使 适应性好的串比适应性差的串有更多的繁殖机会。 ICP AES 的光谱定性分析也就是谱图的解析，对照测量 得到的谱图和标准谱图，从测量谱图和标准谱图的某些部分 的相似性得到分析结果。从搜索的角度，也可以认为定性分 析就是从元素组合的大量可能中，搜索一个最佳元素组合，最 佳的判定就是这个组合所模拟出的谱图与测量得到的谱图最 接近。选择元素数目 N 为群体规模，并均匀初始化初始群体 P （ 0 ） = （ a 1 （ 0 ）， a 2 （ 0 ），? a N （ 0 ）），其 中 P （ 0 ）为 初 始 群 体， a k （ i ）为群体中的个体（称为