基于大样本数据挖掘分析的岩爆烈度分级预测模型

地下工程岩爆灾害严重威胁生产安全和进度,岩爆预测是岩爆灾害的有力防控手段.目前岩爆分级预测的判别模型大多是基于小样本建立的,存在样本的代表性和准确性难以保证的问题.综合考虑影响岩爆的内部和外部因素,选取围岩最大切向应力与岩石单轴抗压强度比σ_θ/σ_c(应力系数)、岩石单轴抗压强度与单轴抗拉强度比σ_c/σ_t(脆性系数)和弹性能量指数W_(et)作为分级评判指标,通过广泛收集不同工程的104组岩爆实例大样本进行训练学习,基于指标相关性分析建立了岩爆烈度分级预测的距离判别模型,经过训练后的判别模型回判准确率为96.2%.利用该模型对5个工程的岩爆烈度进行分级预测,结果与工程实际情况完全相符,优于基于小样本数据建立的判别模型.工程实例应用表明,基于大样本数据分析和距离判别法的岩爆烈度分级预测模型判别准确率高,具有良好的工程应用前景.     

岩爆预测和烈度分级的属性数学模型及其应用

基于属性数学理论,建立岩爆发生预测和烈度分级的属性识别模型。该模型选择影响岩爆的主要因素,如最大切向应力σ_θ,单轴抗压强度σ_c,单轴抗拉强度σ_t以及弹性能量指数W_(et)并以σ_θ/σ_c,σ_c/σ_t以及W_(et)作为岩爆评价指标和烈度分级标准,通过构造属性测度函数以计算单指标属性测度,以相似数定义相似权的方法确定评价指标的权重,应用置9 信度准则对岩爆进行属性识别。针对一些岩石地下工程实例对模型进行验证,评判结果与实际情况符合得较好,并且与模糊综合评判法、物元可拓评判法等的评判结果有较好的一致性。此外,利用该模型对某水电站工程和秦岭隧道工程的岩爆情况进行预测,结果与人工神经网络法、距离判别法等的评判结果一致。研究表明,属性识别模型在研究岩爆发生和烈度分级中具有良好的实用性和有效性,为地下工程岩爆预测提供了一种新的方法。     

基于KPCA-WOA-KELM的岩爆烈度预测

岩爆是隧道开挖中常见的工程地质灾害,为准确预测岩爆烈度,提出基于KPCA-WOA-KELM的岩爆烈度预测模型。首先,根据岩爆烈度影响因素确定岩爆评判指标,并采用核主成分分析（KPCA）对岩爆数据做特征提取,简化模型输入参数的同时充分保留数据特征信息;其次,使用核极限学习机（KELM）拟合评判指标与岩爆烈度间的非线性映射关系,并采用鲸鱼优化算法（WOA）优化KELM的参数,避免人工设置参数对模型预测效果的影响;然后,使用准确率、精确率、召回率、F值等指标综合评估模型的预测性能;最后,利用秦岭终南山公路隧道岩爆实例验证该模型的可行性。研究表明,KPCA-WOA-KELM能有效地简化数据结构,避免局部最优解,提高岩爆烈度预测的准确率。     

深部开采岩爆预测的神经网络方法

岩爆是深部高地应力岩石地下工程中的一种常见灾害,其影响因素间存在着极其复杂的非线性关系.在综合分析各种因素的基础上,选取开采深度、围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值、岩石冲击性倾向指数作为岩爆预测的评判指标.应用人工神经网络方法,建立了岩爆预测的计算模型,利用国内外一些岩石地下工程资料作为学习样本和测试样本对模型进行训练.结果表明,将开采深度作为一个因素输入,结果更接近于实际,为深部开采岩爆预测提供了科学依据.     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于遗传算法优化BP网络的高校生师比预测模型分析

标准BP算法采用的是非线性无约束极值问题求解方法中最古老又十分基本的方法-梯度法(梯度下降法).标准BP算法具有学习效率低,收敛速度慢,容易陷入局部极小点.通过标准BP算法模型和遗传算法优化的BP算法模型对高校生师比的预测结果进行比较.结果表明,遗传算法优化的BP神经网络的权值和阈值具有良好的泛化能力,提高了高校生师比预测精度和效率.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于分形插值模型的岩爆预测研究

岩爆等级预测是一个复杂的不确定系统问题,为了准确评价岩爆所处的分类状态,进而为岩爆的防治提供科学依据,提出了基于分形-插值模型的岩爆评价方法.该方法选取影响岩爆评价的3个主要因素,根据分类标准和随机内插方法得到40个标准样本,采用最大似然分类原则确定每个岩爆预测指标的评价分维数,利用加权求和法计算样本的综合评价值,并基于样本综合评价值与经验等级的关系建立分形-插值评价模型.实例分析表明:该模型的评价结果合理、客观,为岩爆预测提供了一种新的研究方法与思路.     

基于粒子群的BP神经网络算法在猪等级评定中的应用

现有的在猪等级评定中应用的BP神经网络算法存在对初始权值敏感、易陷入局部最小值等缺陷,从而导致预测精度不高、收敛速度慢的状况。针对该问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法。先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。与传统BP神经网络相比,该方法预测精度高、收敛速度快,可以有效地运用到猪等级评定中。     

基于GWO-BP算法的软件缺陷预测模型

提出了基于GWO-BP算法的软件缺陷预测模型,用于解决软件缺陷预测准确率不高的问题。基于BP神经网络算法建立模型,使用灰狼优化算法优化BP神经网络的参数值,解决其参数设置依赖性问题。采用交叉验证的方式进行实验,结果表明,相比于其他的BP神经网络算法,本文算法具有更高的软件缺陷预测准确度。     

优化与优化控制

在生产过程中,过程变量的操作值会随着外界条件的变化而出现偏差,使生产过程不能工作在最优状态下。影响了经济效益的提高．优化和优化控制的理论正是为了解决这个问题而产生的,它运用数理统计中“回归分析”的理论和方法,结合生产中的实际数据,推出过程变量间相互关系和最优操作值去控制生产过程,从而使生产过程始终工作在最优状态下．     

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义.通过对现有优化方法进行分析,将微粒群算法应用到结构优化设计中,提出了结构优化设计的微粒群算法,并建立了相应的优化模型.介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤,最后通过一个算例验证了该方法的效率和有效性.结果表明该方法科学可行,具有很好的应用前景.     

微粒群算法在结构优化设计中的应用

结构优化设计对于实际工程具有重要的意义．通过对现有优化方法进行分析。将微粒群算法应用到结构优化设计中，提出了结构优化设计的微粒群算法，并建立了相应的优化模型．介绍了微粒群算法的基本思想、结构优化微粒群模型及其实施的具体步骤，最后通过一个算例验证了该方法的效率和有效性．结果表明该方法科学可行，具有很好的应用前景．     

一种新的集群优化方法--粒子群优化算法

系统地介绍了粒子群优化算法、各种改进算法以及算法的应用情况。对粒子群优化算法的研究和应用进行了总结和展望，指出了其在机械系统优化设计中的应用前景。     

结构优化

本文概括总结了结构优化的含义，研究内容，方法，层次，寻优策略，存在的问题及发展趋势，从一个新的角度对结构优化问题进行了层次划分和整体性的论述，得到的结论是：现代“结构优化”是一门涉及运筹学，非线性科学，土木工程理论，智能科学等多学科的概括性综合学科，具有理论和应用价值，是有发展潜力的研究方向，它的发展对今后结构设计理念的提高具有重要意义，并且可以带动相关学科的发展。     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.     

求解连续优化问题的多策略动态果蝇优化算法

果蝇优化算法(FOA)是一种新的全局优化算法,其灵感源于果蝇的嗅觉和视觉觅食行为,该算法具有很强的连续优化问题的解决能力。然而,FOA存在算法候选解不能取负值、种群多样性差、局部搜索能力弱等缺点。为了克服上述不足,该文提出了一种基于多策略进化和动态更新种群最优信息的改进果蝇优化算法(MDFOA)。算法引入了一种有效的多策略候选解生成方法和一个新的控制参数,较好的平衡了算法的全局搜索和局部搜索能力。此外,还设计了全局最优信息的实时更新机制,提高了算法的收敛速度,采用29个复杂的基准测试函数来检验该算法的有效性。实验结果表明,该算法的优化性能优于FOA、6种改进的FOA及另外两种智能优化算法。