刘 薇 赵剑锟 刘义保 李蔚成 邢义强

1（东华理工大学核技术应用教育部工程研究中心 南昌 330013）

2（东华理工大学核科学与工程学院 南昌 330013）

γ能谱较其他能谱更为复杂，传统能谱解析方法很难在短时间内得到核素的精确信息。现阶段，常用的解析方法有基于神经网络的核素识别方法［1−2］、基于深度学习和模糊理论的快速识别方法［3］以及基于元启发算法的全谱解析方法等［4−5］。

2014 年亚格里菲斯大学 Mirjalili［6］提出了灰狼算法，它是一种基于种群等级制度的智能算法，整个族群按等级严格的分为α、β、δ 和ω。灰狼算法具有原理简单、全局搜索能力强等特点，但实际应用中迭代后期收敛速度慢，易陷入局部最优。本文提出了一种基于改进后灰狼算法的γ 能谱解析方法，对原始灰狼算法的收敛因子公式进行更改，并引入逐维更新策略，改善了灰狼算法收敛速度慢，易陷入局部最优的缺点，为γ能谱的解析提供了一种新的思路。

1 基本原理

在能谱数据已知的条件下，若样品中所含核素的能量响应矩阵已知，可通过式（1）计算对应核素的活度。

式中：Hij表示第j种核素在第i道的响应；Rij表示第j种核素在第i道计数率，s−1；Xj表示第j种核素活度，Bq。

根据式（1）基于灰狼算法的γ 能谱解析流程如下：

1）构建核素能量响应矩阵；

2）设置相关参数（迭代次数，种群数目），并随机初始化种群中灰狼的位置，狼的维度根据核素种类设定；

3）根据式（2）计算每匹狼的适应度，选出适应度最好的作为α狼；

式中：CH表示道址；CHmax表示混合谱道址最大值；……