概率积分法参数反演的SAAFC模型

针对传统算法在概率积分法参数反演时无法获取全局最优解或收敛速率慢,以及基于生物遗传进化的智能寻优算法反演参数存在最优解非唯一的情况,为了更有效地进行概率积分法参数反演,引入新型群智能寻优方法,采用一种动态改变步长和视野的 SAAFC 算法预计概率积分法参数并与实际下沉值和水平移动值组合成目标函数,从而使参数反演问题转化为目标优化问题,建立了概率积分法参数反演的SAAFC模型。以朱集东矿1242（1）工作面为工程实例,根据该矿其它工作面岩移观测站实测数据解算的预计参数值给定反演参数初值范围,生成初始鱼群并模拟人工鱼的觅食、聚群、追尾和随机4种行为,设定试探次数上限并不断选择适应度最优的行为执行,直到获得全局最优参数或者达到迭代次数上限终止并输出参数值。利用模型反演所得参数预计地表下沉、水平移动、倾斜变形、曲率变形及水平变形,与5种实测变形拟合曲线进行对比,并计算预计下沉值的决定系数和泛化性能指标,综合评定模型的参数反演性能。比较预计下沉曲面与实测空间下沉曲线构建的实际下沉曲面轮廓,检验反演所得参数用于下沉预计的可行性。在地质采矿条件和解空间相同的条件下,利用AFC算法和LSM算法对该工作面的概率积分法参数进行反演,与所建模型进行对比,进一步验证模型的参数反演精度和收敛速率。结果表明：①模型反演参数预计地表下沉的决定系数为0.930 0,泛化性能指数为0.971 7,说明模型的参数反演可靠性较高;②模型反演所得概率积分法参数 预计的下沉曲面较贴近实测空间下沉曲线,拟合效果较好;③3种模型反演参数预计的下沉和水平移动空间拟合曲线中,SAAFC算法更加贴近实测曲线,AFC算法较LSM算法更加贴近实测曲线。SAAFC、AFC、LSM算法反演参数下沉预计中误差分别为32.958、67.857、74.288 mm,走向水平移动预计中误差分别为42.818、52.144、57.512 mm,倾向水平移动预计中误差分别为79.391、86.671、92.739 mm。总体上,SAAFC算法反演8个概率积分法参数的收敛速率较AFC算法和LSM算法更快,AFC算法相比LSM算法收敛速率略快些。     

概率积分参数的交互式反演方法研究

概率积分法是我国矿山开采沉陷预计的主要方法,其预计的精度直接取决于参数准确性。目前国内外学者尝试采用各种智能算法进行概率积分参数反演的研究工作。在反演过程中,由于实测数据监测误差、地表变形不规律、概率积分参数相关性、反演过程中拟合误差评价准则的选取等问题,产生的对反演结果准确性的影响,是难以通过优化反演算法消除的。因此,研究采用交互式方法,通过提高关键部位变形数据的拟合效果,直接实时地干预和调整不合理的参数组合,有效提高了参数反演结果的准确性和可靠性。研究结合Visual Basic编程语言,设计和开发了交互式参数反演程序,实际工程案例的分析应用,确定了该方法的有效性。     

群智能优化算法反演概率积分参数的性能比较与分析

目前,各种群智能优化算法涌现且各有特色、性能各异、普适性不强、在开采沉陷领域应用较少,更为重 要的是,众多学者面对该类算法,无法有效选择最优算法进行开采沉陷研究。 常见的群智能优化算法中狮群算法( Lion Swarm Optimization,LSO)、蝙蝠算法(Bat Algorithm,BA)、人工鱼群算法(Artificial Fish School Algorithm,AFSA)具有 不同的特征,且在概率积分参数反演中鲜有应用。 为此,将上述 3 种群智能优化算法引入概率积分参数反演中,并从 抗随机误差性能、抗粗差干扰性能、观测点缺失的抗干扰性能、参数波动性和全局搜索性能等几个角度对群智能优化 算法进行研究分析。 模拟试验及工程实例分析表明,上述 3 种群智能优化算法均满足应用精度要求。 LSO 算法在抗 随机误差干扰影响、观测点缺失的抗干扰能力方面以及参数结果总体波动性方面相对于 BA、AFSA 算法有一定优势; BA 算法在抗粗差干扰能力方面优于 LSO、AFSA 算法;在全局搜索性能方面,随着反演参数解空间范围扩大为原来的 2 倍后,用 AFSA 算法反演概率积分参数的精度优于 LSO、BA 算法。 通过详细比较分析,总结了上述 3 种算法在开采 沉陷中的性能表现,可为有效选择合适的群智能优化算法进行概率积分参数反演提供参考。     

基于递减步长果蝇算法的概率积分法修正模型反演

由于标准地表移动观测站限制较多,提出布设非主断面地表移动观测站来获取更多的采空区地表实测资料;为了更好地利用实测数据来反演地表移动变形参数,提出基于实测下沉数据的观测点定权方法;针对概率积分法在采空区边缘预计精度较差的问题,引用概率积分法修正模型并利用递减步长的果蝇算法对模型参数进行反演,利用反演得到的概率积分法修正模型参数计算各观测点的拟合值并与实测值进行对比验证,结果表明递减步长果蝇算法对概率积分法修正模型参数的反演具有适用性,有助于提高利用非主断面地表移动观测站实测数据反演地表移动变形参数的精度,对研究特定工作面开采上方地表的移动变形规律具有积极作用。     

智能优化算法在概率积分参数反演中的比较

概率积分法是我国矿山开采沉陷预计的主要方法,其预计的精度直接取决于参数准确性。采用智能优化算法对实测地表沉陷数据反演是获取概率积分法参数的主要方法。为研究优化算法在开采沉陷概率积分参数反演中的应用效果,采用VB语言编程实现了模矢法、遗传算法、粒子群算法、模拟退火算法等常见概率积分参数反演算法,通过构造理论数据分析和比较了这4种算法参数反演的效果,并从运行时间、求参稳定性、搜索性能、抗局部解能力等方面对4种算法进行综合评价。研究结果表明:4种算法参数反演结果精度较高,参数相对误差小于2%,且对观测站中的观测值随机误差、粗差问题具有较强的抗干扰能力。模矢法运行效率高但容易陷入局部解,粒子群算法效率较低,遗传算法和退火算法全局能力强但后期收敛能力较弱。     

基于FWA-Logistic方法的概率积分动态参数预测

求取精准可靠的概率积分参数在开采沉陷移动变形预测中至关重要,在非线性模型广泛应用于参数预测的背景下,开展了融合FWA和Logistic模型的概率积分动态参数预测方法(FWA-Logistic方法)。结合Logistic模型的应用情况,考虑到非线性最小二乘求取模型参数的波动性较大,且不合理的初值选取会导致求参结果发散,因此引入了一种FWA算法;综合FWA算法原理、Logistic模型和概率积分动态参数变化规律,提出了FWA-Logistic方法。试验结果表明,拟合样本参数q、tanβ、θ的效果较好,拟合中误差分别为0.028、0.100和0.023°;预测各期参数q、tanβ、θ的平均相对误差分别为2.87%、2.02%、0.03%;最大相对误差约为4.39%。为验证预测参数的实用性,基于预测的各期的概率积分动态参数,代入动态概率积分模型进行地表主断面下沉预计;与实测相比,预计下沉误差在-343～208mm之间,中误差分别为47.66mm、113.60mm、86.67mm、89.23mm。     

利用果蝇算法反演概率积分法开采沉陷预计参数

针对概率积分法开采沉陷预计参数反演时存在算法复杂、计算量大等问题,将具有算法简单、计算量小、精度高等特点的果蝇算法引入到概率积分法开采沉陷预计参数反演中,研究了利用果蝇算法反演概率积分法开采沉陷预计参数的基本原理,构造了下沉拟合值与实测值均方差最小的适应度函数模型。结合安徽省某煤矿的实测数据,分别采用果蝇算法、遗传算法以及粒子群算法反演概率积分法开采沉陷预计参数,并以下沉拟合值与实测值的均方差为各算法反演精度的评价标准进行对比分析,结果表明：利用果蝇算法反演出的下沉拟合值与实测值的均方差（33.7 mm）以及相对中误差（1.4%）均小于同类条件下遗传算法、粒子群算法的反演结果,说明果蝇算法适用于反演概率积分法开采沉陷预计参数,对于提高概率积分法开采沉陷预计的精度有一定的参考价值。     

量子粒子群算法反演概率积分法参数

概率积分法预计模型反演参数过程中存在计算量大、过程复杂等问题,现有的智能优化算法可以弥补这些不足,但存在易陷入早熟收敛、粒子全局搜索效果较差、收敛速度较慢等缺陷。通过试验发现量子粒子群（Quantum-behaved Particle Swarm Optimization Algorithm,QPSO）算法能够在保证精度不变的基础上极大降低算法的运行时间,并降低粒子陷入早熟收敛的概率,将粒子扩大为全局唯一的解空间。将量子粒子群算法引入到开采沉陷预计参数求解中,以下沉和移动变形的实测值与预计值之差的绝对值累加和最小为求参代价函数,构建了基于QPSO算法的概率积分法参数反演模型。研究结果表明：①模拟试验中,在相同的运行环境下,QPSO算法与粒子群（Particle Swarm Optimization,PSO）算法的求参精度相当,QPSO算法求参稳定性略高,且求参效率大幅度提高（QPSO算法运行时间比PSO算法减少近90%）,验证了基于QPSO算法的概率积分法参数反演模型的有效性与可靠性;②利用所建立的QPSO参数反演模型求解了顾桥南矿1414（1）工作面概率积分法参数,求取结果为：q=1.041 5,tanβ=1.910 8,b=0.374 2,θ=85.086 9 ,S1=55.663 5 m,S2=37.161 8 m,S3=-0.667 0 m,S4=-9.798 0 m,下沉与水平移动拟合中误差为72.04 mm,符合工程应用标准,尽管QPSO算法与PSO算法求解精度相当,但运算效率显著提高。所构建的模型对于开采沉陷预计参数精准反演具有一定的参考价值。     

基于松散层厚影响的概率积分法开采沉陷预计模型

为提高厚松散层开采下概率积分法的预计地表沉陷精度,表明下沉盆地边缘收敛缓慢的问题,基于概率积分法理论提出了新的开采沉陷预计模型,该模型考虑了松散层厚度的影响,引入了松散层影响系数这一新参数。结合淮南潘北矿1212(3)工作面实例验证,研究结果表明:新预计模型比概率积分模型的预计精度高,拟合相对中误差由原来的8%减少到6%;松散层影响系数与主要影响半径呈正相关,两者之间大小关系明确。     

基于 RF-PSO 混合算法的边坡软弱夹层力学参数反演应用研究

针对传统类神经网络智能优化算法存在的拟合性和泛化性不足等缺陷,引入一种集成学习算法———随 机森林(RF)算法,为智能优化方法提供了一种新的求解方式。 通过以黄山某石灰石矿山边坡软弱夹层力学参数为对 象构建正交设计样本,将随机森林(RF)算法与传统 BP 神经网络和 GA-BP 神经网络模型的性能进行对比,结果表明 RF 算法在数据拟合精度和运行速率相较于类神经网络算法有很明显的优势,凭借其不易陷入过拟合以及泛化能力强 的特点,能够很好地构建数据间的映射关系,同时算法模型凭借控制参数较少具有很好的可操作性。 结合粒子群算 法(PSO)的全局寻优能力,组合成 RF-PSO 混合算法应用到矿山边坡软弱夹层力学参数反演分析中,获得的反演力学 参数通过边坡工程地质数值模型进行正分析对比,结果表明反演力学参数正分析计算的精度达 95%以上,为矿山边 坡软弱夹层力学参数反演分析提供了一种新的方法。     

概率积分法预计参数反演方法研究进展

概率积分法是我国矿山开采沉陷预计的主要方法,其预计的精度直接取决于参数的准确性,如何利用合适的方法准确稳定地求取预计参数是实际应用中的关键问题。全面总结了概率积分法预计参数反演的常用方法并分析了各种方法的优缺点,着重介绍了具有全局搜索能力遗传算法在参数求取中的应用。最后,从概率积分法求参误差、求参准则、求参范围、参数相关性及其模型的非线性等角度,提出概率积分法预计参数求取中存在的问题及需要进一步研究的内容。     

不同智能优化算法反演概率积分法参数的对比研究

传统的概率积分法求参方法虽能较为精确地反演参数,但存在对工作面的类型以及测站的布设要求高、计算工作量大、效率低等不足,智能算法为精确确定概率积分模型最优参数提供了新方法。为探究不同智能优化算法在概率积分法求参过程中的性能,采用Matlab编程语言编写了模矢法、遗传算法、文化-粒子群算法、粒子群算法、果蝇算法和蚁群算法的运算程序,通过模拟试验,分别从算法的反演准确性、稳定性、抗误差干扰能力、全局寻优能力以及运行效率等方面进行了对比与分析。结果表明：当参数初值接近真值时,模矢法的反演准确性和效率最高;当参数初值与真值相差较大时,模矢法会陷入局部最优解,此时遗传算法的反演准确性和稳定性最强。从参数反演准确性和效率综合考虑,当参数范围已知时,最优算法为模矢法;当参数范围未知时,最优算法的选择依次为文化-粒子群算法、遗传算法、果蝇算法、粒子群算法、蚁群算法和模矢法。     

基于改进果蝇算法的概率积分法预计参数反演

由于概率积分法函数模型的非线性表现形式以及各参数之间的相关性,概率积分法开采沉陷预计参数反演时存在计算复杂、易发散、容易陷入局部最优解等问题。利用参数设置少、计算效率高、算法实现容易、全局寻优能力强且精度较高的果蝇算法进行基于概率积分法的开采沉陷预计参数反演,并对算法进行改进。以实测下沉值为参照,将预计结果与实测值相比较,结果表明,改进的果蝇算法对概率积分法的开采沉陷预计参数反演具有适用性,对于用概率积分法进行开采沉陷预计的精度的提高有一定的积极作用。     

基于遗传算法的概率积分法预计参数反演

地表移动观测站实测数据反演求取概率积分法参数是这一方法应用过程中的关键问题,现有算法存在求参易发散,难以获取最优解的缺陷.提出采用遗传算法反演概率积分法参数,研究了该算法反演结果的准确性和可靠性.研究结果表明,遗传算法反演概率积分法预计参数精度高,参数相对误差小于1.5%,对观测站中的观测值随机误差、粗差、观测点缺失的问题具有较强的抗干扰能力,较最小二乘法、模矢法在参数反演准确性和可靠性方面有明显优越性.     

基于狼群算法的概率积分法模型参数反演方法研究

概率积分法模型属于典型的多元复杂非线性函数,且部分参数存在相关性,使得概率积分法模型参数反演一直是开采沉陷数据处理的热点问题和难点问题。WPA(狼群算法)作为一种新群体智能算法,已在多维背包求解问题、水电站水库优化调度以及旅行商等复杂非线性最优化问题中得到成功应用,但在开采沉陷数据处理领域尚未见文献报道。鉴于此,本文首次将WPA引入概率积分法模型参数反演中,构建了基于WPA的概率积分法模型参数反演方法。研究结果表明:WPA反演概率积分法模型参数具有较高的准确度、较好的精度、良好的稳健性,且满足工程应用标准。本文研究成果对概率积分法模型参数精准反演具有重要参考价值。     

概率积分参数反演中的开采影响传播角问题研究

为了根据实测数据反演出可用的开采沉陷概率积分参数,研究概率积分参数的反演,采用VB语言编制了模矢法求参程序,但是在实际应用中求取开采影响传播角不符合其物理意义.针对此问题,提出了6参数法求取开采沉陷预计参数,并有效解决了概率积分参数反演中的开采影响传播角问题,特别是在数据质量不高时,可以用这种改进的方法获得比较合理的沉...     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。