一種綜合咖啡智能拼配方法研究

郭廣頌陳良驥

(1. 鄭州航空工業(yè)管理學院機電工程學院，河南 鄭州 450046；2. 天津工業(yè)大學機械工程學院，天津 300387)

一種綜合咖啡智能拼配方法研究

郭廣頌1陳良驥2

(1. 鄭州航空工業(yè)管理學院機電工程學院，河南 鄭州 450046；2. 天津工業(yè)大學機械工程學院，天津 300387)

為了提高綜合咖啡拼配質量與效率，研究了一種基于交互式遺傳算法(IGA)的咖啡智能拼配方法。該方法將拼配方案作為樣本個體，采用改進的自適應交叉和變異概率，交互界面提供10項評價指標用于個體適應值。研究由5位用戶參與優(yōu)化，結果顯示該方法界面友好、操作簡便，可以在4～5代內獲得一致性滿意解，且各組分比例差異均小于5%，適應值均超過85。以傳統(tǒng)杯測拼配法為參照試驗，結果表明，采用IGA 優(yōu)化方法超過傳統(tǒng)拼配方案水平?；贗GA在進化優(yōu)化中的成功應用，為咖啡拼配提供了一種智能化新思路。

遺傳算法；咖啡拼配；交互；設計；杯測

咖啡拼配是相對單品咖啡而言的[1]。拼配咖啡是指將不同品種、不同產(chǎn)地或不同烘焙度的咖啡豆按照某種需要組合在一起，也稱綜合咖啡或混合咖啡?？Х绕磁涞哪康囊话阌?個[2]：① 降低成本，為追求某種風味而用一些價格較低的咖啡豆，調配出與某種價格較高的咖啡豆近似的風味；② 平衡口感，為將咖啡豆最顯著的風味特點放大，需要通過拼配來平衡各種味道；③ 穩(wěn)定風味，作為農(nóng)作物，即使是同種同產(chǎn)區(qū)的咖啡豆，其風味每年也會有差異，所以將幾種咖啡豆混合可以使每年的風味基本保持一致；④ 特有的風味，對于飲用任何一種單品咖啡都不能滿足用戶的口味，或者有些商家為了擁有屬于自己獨特風味的咖啡豆，都會將幾種咖啡豆進行拼配。拼配咖啡一般不采取等比例拼配，因為這樣咖啡豆可能會互相抑制特有的風味，所以拼配時各組分需要按一定比例混合才能拼配出更美妙的味道。拼配咖啡不僅需要咖啡師的經(jīng)驗和靈感，更要通過一定的科學計算才能完成，所以咖啡拼配是一門藝術性和技術性很強的工作[3]。

目前，對傳統(tǒng)食品研究采用智能化方法是一種發(fā)展趨勢。作為主要智能優(yōu)化算法的遺傳算法已經(jīng)應用于食品品質預測[4]、食品發(fā)酵[5-8]、食品生產(chǎn)線設計[9]、食品機械參數(shù)優(yōu)化[10-11]等領域。咖啡拼配方案設計主要受咖啡豆烘焙、混合比例、產(chǎn)地等因素約束，拼配方案的確定強烈依賴感官評價，是典型的混合性能指標評價問題。20世紀80年代在傳統(tǒng)遺傳算法的基礎上提出的交互式遺傳算法是一種可以將人的主觀活動引入進化過程中的進化優(yōu)化算法。因為交互式遺傳算法的個體適應值由人評價，所以可以將感官評價融入進化，再利用遺傳策略對隱式性能指標或混合性能指標進行優(yōu)化。目前咖啡拼配設計還沒有應用交互式遺傳算法的先例。基于上述情況，本試驗擬設計一種基于改進交互式遺傳算法的咖啡智能拼配進化優(yōu)化系統(tǒng)，旨在大幅縮短咖啡拼配設計周期，實現(xiàn)簡單，且適用于非專業(yè)或半專業(yè)人員拼配咖啡。

1 材料與方法

1.1 材料

巴西咖啡豆：波旁種，自然干燥式200 g，巴西Cafe Bom Dia Ltda公司；

摩卡咖啡豆：埃塞俄比亞種，水洗式200 g，意大利Segafredo Zanetti S.p.A公司；

藍山咖啡豆：牙買加種，水洗式200 g，牙買加Roasted Mans公司；

曼特寧咖啡豆：蘇門答臘種，蘇門答臘式200 g，意大利Kimbo S.P.A公司。

選用的樣品咖啡豆必須是烘焙后24 h以內并且至少放置8 h。烘焙應該在8～12 min內完成，不能出現(xiàn)明顯的黑頭或焦糊豆。樣品豆烘焙好后應該迅速用冷風冷卻(不能用水冷卻)。當樣品豆冷卻到室溫時(75 ℉或20 ℃)，應該將其放入密封盒或密封袋保存至杯評時，以減少與空氣的接觸并防止污染。

1.2 儀器與設備

咖啡烘焙機： R300C型，北京SANTOKER公司；

自動咖啡機：ESAM 6900.M型，邑隆貿(mào)易(上海)有限公司；

電動磨豆機：M-520A型， 臺灣正晃行公司；

電子天平：WT100型，杭州萬特衡器有限公司。

1.3 咖啡智能拼配方法

1.3.1 染色體編碼 綜合咖啡有甜、咸、酸、苦4種基礎味道，其中除咸味由調配工藝決定外，其余3種風味均由咖啡豆決定。拼配咖啡時一般采用3～4種咖啡豆，如果咖啡豆種類多于6種會使咖啡的香味無法辨認，所以本試驗選用苦味(巴西)、酸味(摩卡)、甜味(藍山)和醇味(曼特寧)4種新咖啡豆為原料拼配綜合咖啡。由于咖啡豆的烘焙程度對口味有較大影響，所以每種咖啡豆設置一致烘焙(中度)和雙重烘焙(中深度)兩種烘焙度。

基于上述咖啡拼配原則，本試驗將咖啡拼配樣本設置成“苦味”“酸味”“甜味”“醇味”四部分，每部分由7位二進制編碼組成，其中第1位代表烘焙程度，0代表一致烘焙，1代表雙重烘焙，其余6位表示該咖啡豆的拼配比例(按重量計，范圍0%～63%)。本試驗算法的染色體是對咖啡拼配樣本的編碼，即整條染色體是一個28位的二進制編碼串，如染色體1011110001010000101000011110代表的拼配比例是“巴西(雙重烘焙)30%、摩卡20%、藍山20%、曼特寧30%”，這是一種濃味型綜合咖啡的拼配方案。

1.3.2 咖啡杯測方法 對于綜合咖啡的評價，參考美國特種咖啡協(xié)會(Specialty Coffee Association of America，SCAA)專業(yè)咖啡杯測體系[12]。即按干香/濕香、風味、余韻、酸、醇厚度、一致性、平衡感、干凈度、甜和總評10個小項進行評價。每個小項滿分為10分，以6分為起評分，共分為4個級別，其中6分為“好”；7分為“非常好”；8分為“優(yōu)秀”；9分以上為“超凡”。每個級別又分4個給分等級，給分單位是0.25分，所以4個等級共16個給分點。每杯咖啡的最終得分為上述10個小項得分相加，滿分為100分。

進行杯測時，準備好咖啡豆并在杯測開始前現(xiàn)磨，磨好的咖啡粉到浸水之前的放置時間不能超過15 min；熱開水 沖泡用水水溫應在90～93 ℃；清洗湯勺用水：為不影響咖啡液的溫度，清洗湯勺水用1/3室溫開水和2/3熱開水混合。進行干香/濕香評價熱水應直接澆注到咖啡粉上并達到杯子的邊緣，確保所有咖啡粉都被浸濕。樣本咖啡粉的克數(shù)以杯子大小為基準，適宜的比率是每8.25 g的咖啡粉用150 mL水，咖啡量調節(jié)誤差控制在0.25 g以內。為防止咖啡味道散失，每次杯測應在4 min內完成。

1.3.3 系統(tǒng)交互式界面與操作 本系統(tǒng)采用Visual Basic 6.0 實現(xiàn)。首先，本系統(tǒng)將綜合咖啡口味風格劃分為“苦味型”“酸味型”“大眾型”“甜味型”“濃味型”五類，樣本空間依據(jù)于這五類風格相應劃分為5個搜索區(qū)域，系統(tǒng)則根據(jù)用戶對咖啡風格需求在相關樣本區(qū)域內確定初始化種群，這既可以縮小搜索空間又可以滿足用戶需求，用戶需求交互界面見圖1；然后系統(tǒng)進入圖2所示交互優(yōu)化界面，用戶首先點擊“初始化”按鈕選取初始拼配方案，咖啡智能拼配系統(tǒng)的每一進化代提供6種拼配方案(個體)，即種群規(guī)模N=6。對于咖啡豆的烘焙程度，用“+”表示雙重烘焙，否則默認為一致烘焙。為便于用戶拼配，系統(tǒng)同時給出每種拼配方案的咖啡豆混合比例。用戶根據(jù)各拼配方案沖調咖啡，并做出評價。結合咖啡杯測方法，拼配方案的評價設置干濕香等10項指標，各項評價指標以0.25分為計分單位，總分合計100分，用戶通過拖拽滑動條對指標進行賦值。用戶評價結束后，點擊“下一代”按鈕，系統(tǒng)完成遺傳操作，生成進化后的新一代拼配方案，供用戶繼續(xù)選擇。最后，當各拼配方案的巴西咖啡豆比例均方差小于5%、其他咖啡豆比例均方差小于3%時，可以認為優(yōu)選方案收斂，從6種優(yōu)選方案中選擇數(shù)目占最多的方案作為最佳拼配方案，點擊“結束”按鈕輸出該方案。此外，交互界面還提供“進化代數(shù)”等輔助信息。

1.3.4 自適應遺傳算子 由于采用固定的交叉和變異概率會使算法搜索性能下降，為了提高優(yōu)化質量，采取自適應遺傳操作[13-14]，即第t代進化種群x(t)中的第i個進化個體為xi(t)，其適應值為f[xi(t)]，xi(t)∈x(t)，i=1,2,…,N，N為種群規(guī)模。則第t代的個體交叉概率pc(t)設計為：

(1)

式中：

t——種群進化代數(shù)；

fmax——種群最大適應值；

favg——種群平均適應值；

f'——參與交叉的兩個個體中較大的適應值；

T——最大進化代數(shù)；

k1——常數(shù)。

相似地，第t代的個體變異概率pm(t)設計為：

(2)

式中：

f——待變異個體適應值；

k2——常數(shù)。

2 結果與分析

2.1 系統(tǒng)優(yōu)化試驗

為了驗證系統(tǒng)的有效性，采用固定優(yōu)化解對照測試，即選擇1.3.1節(jié)“巴西(雙重烘焙)30%、摩卡20%、藍山20%、曼特寧30%(染色體1011110001010000101000011110)”拼配方案為優(yōu)化目標方案，記為方案O。為了體現(xiàn)評價的客觀性，評審員在測試過程中始終不知道目標方案O的具體參數(shù)。測試分為采用系統(tǒng)優(yōu)化方法(項目A)和傳統(tǒng)拼配方法(項目B)2個項目進行：

項目A：從某咖啡培訓機構選擇5位咖啡師作為評審員，首先按方案O沖煮咖啡供評審員品嘗，確定優(yōu)化方案，然后采用本系統(tǒng)進行拼配方案優(yōu)化。系統(tǒng)參數(shù)設置：輪賭法選擇個體、k1=9,k2=10，T=10。圖3顯示了5位用戶的平均適應值變化情況，可以看到各用戶的適應值均隨進化代數(shù)增加而增加，算法收斂時適應值均大于85，而且5位評審員只需4～5代進化即可獲得滿意的拼配方案。圖4給出了各拼配方案中咖啡組分的進化優(yōu)化箱型圖，可以看出各組分的比例分布與目標方案基本一致。5位咖啡師最終獲得的最佳拼配方案分別記為A1、A2、A3、A4和A5，具體見表1。從拼配比例看，與目標方案O相比，5位評審員優(yōu)化出的拼配方案基本一致。另外，各方案對烘焙程度的結論也一致，即巴西咖啡豆是雙重烘焙，其余咖啡豆為一致烘焙。這表明采用本文方法對于不同用戶，可以獲得一致性的優(yōu)化解，具有明顯的優(yōu)化普適性。

項目B：項目A測試結束1周后，進行項目B測試。項目B采用傳統(tǒng)杯測法確定拼配方案，仍由參與項目A的5人做為評審員。為了體現(xiàn)杯測的一致性，首先為5位評審員提供等比例組合拼配樣本，然后各評審員根據(jù)目標方案O進行樣本成分調整，確定拼配方案。項目B中，5位評審員獲得的最佳拼配方案分別記為B1、B2、B3、B4和B5，具體見表2。與項目A結果相同，5位評審員對咖啡豆的烘焙程度結論一致。

2.2 驗證分析

為了更客觀辨別評價結果，從某咖啡培訓機構另外選擇5名咖啡師，對目標方案O及項目A和項目B獲得的拼配方案進行對比測試。為了避免受心理因素干擾，對比測試采用盲評機制，即5位評審員分別對A1、A2、A3、A4、A5和B1、B2、B3、B4、B5兩組拼配方案進行打分評價，但評價過程中評審員并不知道兩種方案參數(shù)與背景。結果顯示兩組方案評分基本一致，說明采用本文方法進行咖啡拼配是可行的。

最后，統(tǒng)計兩種方案相對于目標方案O的組分誤差比例，結果見圖5。由圖5(a)可知，項目A各方案的組分誤差比例均小于5%；由圖5(b)可知，項目B各方案的組分誤差比例最大為5%，這雖然體現(xiàn)了手工拼配的特點(咖啡師習慣以5%比例調整拼配比例)，但誤差比例整體則比項目A大。相比之下，本方法可以獲得更精確的拼配比例。

3 結論

采用改進的交互式遺傳算法進行咖啡拼配方案優(yōu)化，在4～5個進化代內對不同用戶可以獲得一致性的滿意解，且滿意方案的適應值均大于85，達到精品咖啡標準。與傳統(tǒng)杯測法拼配咖啡對比試驗，采用改進的交互式進化優(yōu)化方法整體上達到專業(yè)杯測拼配水平。

從方法的操作性考察，交互式進化優(yōu)化方法用于咖啡拼配對于專業(yè)用戶可以提供更多的設計靈感，對于半專業(yè)和非專業(yè)用戶則操作界面友好簡便、優(yōu)化效果優(yōu)異。本研究有助于提高咖啡拼配質量，提升方法優(yōu)化效率，繼續(xù)探尋交互式遺傳算法的工程應用是進一步研究的問題。

[1] 伊記. 咖啡鑒賞[M]. 北京: 新世界出版社, 2014: 195-203.

[2] 郭光玲. 咖啡師手冊[M]. 北京: 化學工業(yè)出版社, 2008: 29-34.

[3] 張粵華. 咖啡調制[M]. 重慶: 重慶大學出版社, 2013: 2-9.

[4] 李冬冬, 賈柳君, 張海紅, 等. 基于介電譜技術結合遺傳算法的草莓品質預測[J]. 食品工業(yè)科技, 2016, 37(11): 141-146.

[5] 談亞麗, 李嘯, 鄒嫚, 等. 基于BP神經(jīng)網(wǎng)絡和遺傳算法的面包酵母高密度發(fā)酵培養(yǎng)基優(yōu)化[J].工業(yè)微生物, 2013, 43(1): 64-68.

[6] 朱曉媛, 胡鐵, 黎繼烈, 等. 基于遺傳算法的纖維素酶分批發(fā)酵動力學研究[J]. 中國食品學報, 2014, 14(1): 47-51.

[7] 沙如意, 樓堅, 蔡成崗, 等. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙酮丁醇梭菌發(fā)酵預測模型研究[J]. 發(fā)酵科技通訊, 2016, 45(1): 23-26.

[8] 徐利, 周麗偉, 郭文強, 等. 基于支持向量機-遺傳算法灰樹花發(fā)酵模型的建立及優(yōu)化[J]. 食品科學, 2016, 37(11): 143-146.

[9] 張良安, 馬寅東, 單家正, 等. 基于遺傳算法和Petri網(wǎng)絡的機器人裝配生產(chǎn)線平衡方法[J]. 食品與機械, 2012, 28(2): 79-82.

[10] 王小勇, 李兵, 曾晨, 等. 基于遺傳算法的茶葉理條機參數(shù)優(yōu)化設計[J]. 茶葉科學, 2016, 36(4): 440-444.

[11] 張國平. 食品機械平面四桿機構的遺傳算法優(yōu)化設計[J]. 食品與機械, 2010, 26(3): 117-119.

[12] 崛口俊英. 咖啡完全掌握手冊[M]. 福州: 福建科學技術出版社, 2014: 62-76.

[13]GONGDun-wei,CHENJian,SUNXiao-yan,etal.Evaluatingindividualsininteractivegeneticalgorithmsusingvariationalgranularity[J].SoftComputing, 2015, 19(3): 621-635.

[14]GONGDun-wei,JIXin-fang,SUNJing,etal.Interactiveevolutionaryalgorithmswithdecision-maker'spreferencesforsolvingintervalmulti-objectiveoptimizationproblems[J].Neurocomputing, 2014, 137(4): 241-251.

A Research of Intelligent Method for Evolving Blends of Coffee

GUO Guang-song1CHENLiang-ji2

(1.SchoolofMechatronicsEngineering,ZhengzhouUniversityofAeronautics,Zhengzhou,Henan450046,China; 2.SchoolofMechanicalEngineeringTianjinPolytechnicUniversity,Tianjin300387,China)

In order to improve the quality and efficiency of coffee blend, a method based on interactive genetic algorithm (IGA) for it was studied. The blending solutions were used as individuals, with the improved adaptive crossover and mutation probability, and the interactive interface provides 10 indexes for individual fitness, and then five users participated the optimization. The results showed that the method was easy to operate, a consistent satisfactory solution could be obtained within 4～5 generations, with the difference of component ratio less than 5% and the fitness more than 85. Compared with the traditional cup testing, the results showed that the IGA optimization method was superior to the traditional one. Based on the successful application in evolutionary optimization of IGA, this research provided a new intelligent way for coffee blends.

Genetic Algorithm(GA); coffee blends; interactive; design; cup testing

國家自然科學基金面上項目(編號：51275485)；河南省科技攻關項目(編號：172102210513)

郭廣頌(1978—),男，鄭州航空工業(yè)管理學院副教授，碩士。E-mail:guogs78@126.com

2017-01-09

10.13652/j.issn.1003-5788.2017.03.040