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。

SAAFC Model for Probability-integral Method Parameters Inversion