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。     

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。     

基于改进狼群算法的概率积分法模型参数反演方法

概率积分法是国内广泛应用的开采沉陷预计方法,如何基于实测数据,精确、快速、可靠地获得概率积分法模型参数,一直是该方法应用的难点。鉴于此,在分析WPA优缺点的基础上提出二次游走、变异行为改进策略,形成了改进狼群算法(IWPA),并将IWPA引入概率积分法模型参数反演中,构建基于改进狼群算法的概率积分法模型参数反演方法(MIWPA)。模拟试验结果表明:MIWPA反演参数相对误差、参数中误差分别不超过3.4%,4.02,且MIWPA的准确性、可靠性均优于MWPA;将MIWPA应用在淮南矿区顾桥矿1414(1)工作面的概率积分法模型参数反演中,获取的概率积分法模型参数为q=0.93,tanβ=1.98,b=0.42,θ=84.53°,S1=-12.44 m,S2=-18.80 m,S3=55.06 m,S4=33.98 m,下沉值与水平移动值拟合中误差为114.88 mm,满足工程应用要求。     

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。     

概率积分法多项式修正模型研究

概率积分法预测地表移动变形存在边界收敛过快等与实际不符现象。根据概率积分法预测结果与实测之差,建立其与距离与采深比值的多项式关系,构建基于L/H多项式修正补偿的概率积分法的多项式修正模型,实验表明:(1)本修正模型预测精度较传统方法提高了50.8%;(2)适合L/H不大于0.9的情况。     

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...     

概率积分法预计模型的某些修正

概率积分法是应用最广泛的地表移动变形预计方法，由于该法基础理论的局限，而导致预计结果与实测结果在某些方面存在不符，为了进一步提高概率积分法的预计精度，在研究许多实测资料的基础上，提出了修正公式。     

基于MapX的概率积分法预计模型的边缘修正

概率积分法是具有深厚松散层的矿区进行地表移动变形预计的主要方法.就采用概率积分法预计的下沉盆地边缘区收敛过快问题,提出采用边缘修正方法予以改进.并利用MapX控件以及VB.NET实现了地表移动盆地预计下沉曲线的边界修正.通过大量的实测曲线与预计曲线对比,证明了这一方法是有效的.     

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.     

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...     

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。     

基于BFGS算法的概率积分模型的参数反演

概率积分模型是描述煤炭开采引起地表变形规律的重要数学模型,通常采用传统优化算法和智能优化算法,对概率积分模型中的未知参数进行反演,以确定明确的地表变形特征。为了更有效地反演概率积分模型中的未知参数,引入最优化方法,提出一种基于BFGS算法的概率积分模型中参数反演方法,该方法利用相邻两迭代点之间的位移和目标函数的一阶导数构建近似Hesse矩阵,然后确定牛顿方程产生的搜索方向,通过非精确线搜索完成迭代过程,从而获得参数的最优解。仿真实验结果表明:新算法能够有效反演出全部参数,且在不同的误差水平下,新算法的参数反演精度均明显高于模矢法(传统优化算法)和遗传算法(智能优化算法);同时,在不同的粗差水平和数据缺失情况下,新算法的参数反演精度仍明显优于其他两种算法,一定程度上说明了引入新算法进行概率积分模型中参数反演的可行性和优越性。工程实例中,反演结果和下沉值的拟合曲线图进一步验证了新算法的可靠性,但工程实例中拟合单位权中误差明显大于仿真实验,其主要原因是矿区较大的地表起伏造成较大的概率积分模型误差,进而影响参数反演的精度。因此,对于具体的工程案例,除了采用有效的参数反演方法,还需要根据实际情况制定合理的反演方案,以达到更好的参数反演效果。     

概率积分法修正体系现状及发展展望

概率积分法作为我国开采沉陷预计的主要方法,目前获得了广泛的应用;但由于基本假设与实际情况偏差较大,在其实际应用中存在许多缺陷。在综合分析大量文献的基础上,详细分析了利用概率积分法进行沉陷预计的误差来源,总结了目前概率积分法的修正体系,在此基础上,提出了完善概率积分法模型的研究方向。     

基于实测数据的概率积分法预计参数反演方法研究

目前,我国在对煤矿开采沉陷预计中使用最为广泛的方法是概率积分法。如何确定某一矿区合理的概率积分预计参数,进而对整个矿区开采沉陷进行准确的预计,一直是这一领域的研究热点。根据华北地区某矿地表移动观测站实测资料,以概率积分法预计公式为模型,借助Matlab软件强大的计算、绘图功能,实现了对概率积分法预计开采沉陷参数的反演。由反演结果与实测资料分析对比知,该方法合理可行,精度满足工程实际要求。     

基于混合蛙跳算法的概率积分模型参数反演?

概率积分法是开采沉陷中应用较为广泛的预计方法,属于复杂多元非线性函数,参数众多且具有相关性。如何基于实测资料精准估计概率积分参数则是概率积分函数模型应用的难点。SFLA( 混合蛙跳算法 )是近年来提出的群体智能优化算法,已广泛应用于水资源分配、路径优化等实际问题中。鉴于此,将SFLA应用于概率积分参数反演中,构建了基于SFLA的概率积分参数估计方法。研究结果表明：① 模拟试验中,SFLA反演概率积分预计参数q,tan β,b,θ的参数估计相对误差分别为0.12%,0.10%,0.11%,0.21%;S1,S2,S3,S4参数估计相对误差最大不超过3％。② 利用此方法求解顾桥南矿1414( 1 )工作面概率积分参数,求解结果为：q=0.97,tan β=1.98,b=0.38,θ=86.76°,S1=-5.03 m,S2=-17.84 m,S3=58.01 m,S4=36.38 m,下沉与水平移动拟合中误差为109.31 mm。     

概率积分法模型参数全局灵敏度分析

采用多元逐步回归法对矿区变形预测模型——概率积分法模型各参数进行逐步回归分析,由回归顺序确定模型各参数的全局灵敏度。以淮南矿区1212(3)工作面为例,采用@RISK模拟计算,结果表明,下沉系数对模型起最关键的作用,灵敏度最高,与模型的相关系数为0.85,其次为主要影响角正切和拐点偏移距,相关系数为0.09和0.03,开采影响传播角的灵敏度最低,相关系数为0.004。该研究结果为模型参数的选择提供了数学层面的依据,在应用概率积分法模型进行开采沉陷预计时,应准确确定灵敏性高的下沉系数和主要影响角正切值这两个参数。     

基于SBAS技术的概率积分法矿区沉降量提取模型

基于矿区开采沉陷具有沉降速度快、量值大的特点,针对使用合成孔径雷达干涉测量(InSAR)技术难以正确获取煤炭开采引起的地表下沉的全盆地信息的问题,提出了基于小基线集(SBAS)技术的概率积分法(PIM)获取矿区沉降量的方法。试验以陕西某矿52304工作面为例,首先采用SBAS技术得到下沉盆地边界,然后结合少量SBAS获取的边界点和RTK监测点(沉降量≥300mm)反演概率积分法参数及下沉盆地,最后将反演的盆地中心与SBAS获取的边界融合,完成了地表沉降的全盆地信息的提取。结果表明:52304工作面走向、倾向最大沉降量相对误差分别为0.2%、6.0%,该方法可以有效地解决In SAR技术无法监测矿区大梯度沉降问题,为In SAR技术在矿区开采沉陷监测提供了新的用途。     

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。