| 摘 要： | 目前,各种群智能优化算法涌现且各有特色、性能各异、普适性不强、在开采沉陷领域应用较少,更为重要的是,众多学者面对该类算法,无法有效选择最优算法进行开采沉陷研究。 常见的群智能优化算法中狮群算法( Lion Swarm Optimization,LSO)、蝙蝠算法(Bat Algorithm,BA)、人工鱼群算法(Artificial Fish School Algorithm,AFSA)具有不同的特征,且在概率积分参数反演中鲜有应用。 为此,将上述 3 种群智能优化算法引入概率积分参数反演中,并从抗随机误差性能、抗粗差干扰性能、观测点缺失的抗干扰性能、参数波动性和全局搜索性能等几个角度对群智能优化算法进行研究分析。 模拟试验及工程实例分析表明,上述 3 种群智能优化算法均满足应用精度要求。 LSO 算法在抗随机误差干扰影响、观测点缺失的抗干扰能力方面以及参数结果总体波动性方面相对于 BA、AFSA 算法有一定优势;BA 算法在抗粗差干扰能力方面优于 LSO、AFSA 算法;在全局搜索性能方面,随着反演参数解空间范围扩大为原来的2 倍后,用 AFSA 算法反演概率积分参数的精度优于 LSO、BA 算法。 通过详细比较分析,总结了上述 3 种算法在开采沉陷中的性能表现,可为有效选择合适的群智能优化算法进行概率积分参数反演提供参考。
|
