基于RF-PSO混合算法的边坡软弱夹层力学参数反演应用研究

针对传统类神经网络智能优化算法存在的拟合性和泛化性不足等缺陷,引入一种集成学习算法———随机森林(RF)算法,为智能优化方法提供了一种新的求解方式。 通过以黄山某石灰石矿山边坡软弱夹层力学参数为对象构建正交设计样本,将随机森林(RF)算法与传统 BP 神经网络和 GA-BP 神经网络模型的性能进行对比,结果表明RF 算法在数据拟合精度和运行速率相较于类神经网络算法有很明显的优势,凭借其不易陷入过拟合以及泛化能力强的特点,能够很好地构建数据间的映射关系,同时算法模型凭借控制参数较少具有很好的可操作性。 结合粒子群算法(PSO)的全局寻优能力,组合成 RF-PSO 混合算法应用到矿山边坡软弱夹层力学参数反演分析中,获得的反演力学参数通过边坡工程地质数值模型进行正分析对比,结果表明反演力学参数正分析计算的精度达 95%以上,为矿山边坡软弱夹层力学参数反演分析提供了一种新的方法。