基于GJO-MLP的露天矿边坡变形预测模型

露天矿边坡变形受地质结构、水文地质条件、采矿活动等多种因素影响，使得预测模型复杂，难以准确捕捉所有影响因素。目前，大量监测设备部署在露天矿边坡周围，用于实时记录露天矿边坡位移数据，这些数据具有高维度、时序关联性及非线性等特性。如果在其他条件未知而只有数据的情况下，使用传统的边坡稳定性分析方法无法有效进行边坡变形预测，而采用仅基于数据的模型对露天矿边坡位移数据进行预测对边坡稳定性的事前分析十分必要。针对上述问题，提出了一种基于金豺优化多层感知机（GJO-MLP）的露天矿边坡变形预测模型。GJO中各智能体间相互独立，可以通过并行计算加速优化MLP的训练过程；GJO能够结合MLP的非线性建模和特征提取能力，使得优化后的MLP在处理复杂问题时更具优势。为检验GJO-MLP的可行性和有效性，将GJO-MLP分别与基于蚁群算法优化的MLP(ACO-MLP)、基于引力搜索算法优化的MLP(GSA-MLP)及基于差分进化算法优化的MLP(DE-MLP)进行对比分析，在6个数据集上的仿真实验结果表明：在相同实验条件下，相较于其他3种算法，GJO-MLP表现出更好的寻优性能。将基于GJO-MLP的边坡变形...