針對遺傳神經(jīng)網(wǎng)絡(luò)（GA-BP）建立的尾礦壩形變預(yù)測模型易出現(xiàn)早熟現(xiàn)象、預(yù)測結(jié)果不穩(wěn)定、容易陷入局部最優(yōu)值的不足,引入一種具有混沌局部搜索的多種群自適應(yīng)遺傳算法。該算法以雙種群尋優(yōu)為基礎(chǔ),改進(jìn)了遺傳參數(shù)的計算方式,分別以種群進(jìn)化中染色體適應(yīng)度值的集中程度和空間距離的分布作為自適應(yīng)交叉率、變異率的計算依據(jù)應(yīng)用于不同種群中,提高了種群的多樣性和遺傳算法全局搜索的能力;同時引入混沌局部搜索技術(shù)（CLS）,完善了遺傳算法局部搜索能力的不足。采用改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)模型對貴州省白巖尾礦壩三維變形數(shù)據(jù)進(jìn)行預(yù)測,并與傳統(tǒng)的GA-BP和AGA-BP模型預(yù)測結(jié)果進(jìn)行比較。結(jié)果表明:改進(jìn)后的模型預(yù)測精度更高,結(jié)果更加穩(wěn)定,具有良好的預(yù)測效果。 

【文章來源】：工業(yè)安全與環(huán)保. 2019,45(06)

【文章頁數(shù)】：5 頁

【部分圖文】：

改進(jìn)自適應(yīng)多種群優(yōu)化算法流程3實例應(yīng)用與分析3．1實驗數(shù)據(jù)本文以貴州省白巖尾礦壩監(jiān)測點的三維形變數(shù)

為0．2、0．27和0．74，都要優(yōu)于GA－BP和AGA－BP網(wǎng)絡(luò)預(yù)測模型，可見改進(jìn)的自適應(yīng)多種群算法能夠有效的提高了網(wǎng)絡(luò)模型的預(yù)測精度。不同模型的形變預(yù)測曲線如圖3～圖5所示，從圖中可見AMGA－BP模型的預(yù)測值與實測值更接近，預(yù)測效果更好。圖6～圖8為預(yù)測殘差圖，從圖中表明:只有AMGA－BP模型預(yù)測結(jié)果穩(wěn)定，殘差值在“0”附近，而GA－BP和AGA－BP模型都出現(xiàn)了殘差值“跳躍”的情況，更能反映出AMGA－BP模型不僅預(yù)測精度高，而且預(yù)測結(jié)果穩(wěn)定。圖213－4Ｒ三維累計形變曲線表1形變預(yù)測結(jié)果mm形變類別期數(shù)監(jiān)測值GA－BP預(yù)測值殘差A(yù)GA－BP預(yù)測值殘差A(yù)MGA－BP預(yù)測值殘差平行壩軸線形變112．73．680．982．09－0．613．040．34122．82．71－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直壩軸線形變115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%圖3垂直沉降預(yù)測曲線圖圖4平行壩軸線形變預(yù)測曲線圖·23·

?1－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直壩軸線形變115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%圖3垂直沉降預(yù)測曲線圖圖4平行壩軸線形變預(yù)測曲線圖·23·

【參考文獻(xiàn)】：
期刊論文
[1]利用人工魚群算法優(yōu)化高斯過程模型及應(yīng)用分析[J]. 邱小夢,周世健,王奉偉,歐陽亮酉.  測繪通報. 2018(01)
[2]具有自適應(yīng)調(diào)整策略的混沌灰狼優(yōu)化算法[J]. 張悅,孫惠香,魏政磊,韓博.  計算機(jī)科學(xué). 2017(S2)
[3]改進(jìn)的自適應(yīng)遺傳算法在函數(shù)優(yōu)化中的應(yīng)用[J]. 楊從銳,錢謙,王鋒,孫銘會.  計算機(jī)應(yīng)用研究. 2018(04)
[4]經(jīng)驗?zāi)B(tài)分解和遺傳小波神經(jīng)網(wǎng)絡(luò)法用于邊坡變形預(yù)測[J]. 任超,梁月吉,龐光鋒,楊興躍,李冠成.  測繪科學(xué)技術(shù)學(xué)報. 2014(06)
[5]基于改進(jìn)的PSO-SVM法的大壩安全非線性預(yù)警模型研究[J]. 范振東,崔偉杰,郭芝韻,張毅.  水電能源科學(xué). 2014(11)
[6]具有混沌局部搜索策略的雙種群遺傳算法[J]. 譚躍,譚冠政,葉勇,伍雪冬.  計算機(jī)應(yīng)用研究. 2011(02)
[7]利用遺傳模擬退火算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[J]. 李振濤,王淑玲,張國立.  計算機(jī)工程與應(yīng)用. 2007(36)



本文編號：3556403