基于改进多种群遗传算法的尾矿坝形变预测
发布时间：2021-12-29 15:31
针对遗传神经网络（GA-BP）建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术（CLS）,完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。
【文章来源】：工业安全与环保. 2019,45(06)
【文章页数】：5 页
【部分图文】：
改进自适应多种群优化算法流程3实例应用与分析3．1实验数据本文以贵州省白岩尾矿坝监测点的三维形变数
为0．2、0．27和0．74，都要优于GA－BP和AGA－BP网络预测模型，可见改进的自适应多种群算法能够有效的提高了网络模型的预测精度。不同模型的形变预测曲线如图3～图5所示，从图中可见AMGA－BP模型的预测值与实测值更接近，预测效果更好。图6～图8为预测残差图，从图中表明:只有AMGA－BP模型预测结果稳定，残差值在“0”附近，而GA－BP和AGA－BP模型都出现了残差值“跳跃”的情况，更能反映出AMGA－BP模型不仅预测精度高，而且预测结果稳定。图213－4Ｒ三维累计形变曲线表1形变预测结果mm形变类别期数监测值GA－BP预测值残差AGA－BP预测值残差AMGA－BP预测值残差平行坝轴线形变112．73．680．982．09－0．613．040．34122．82．71－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直坝轴线形变115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%图3垂直沉降预测曲线图图4平行坝轴线形变预测曲线图·23·
?1－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直坝轴线形变115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%图3垂直沉降预测曲线图图4平行坝轴线形变预测曲线图·23·
【参考文献】：
期刊论文
[1]利用人工鱼群算法优化高斯过程模型及应用分析[J]. 邱小梦,周世健,王奉伟,欧阳亮酉. 测绘通报. 2018(01)
[2]具有自适应调整策略的混沌灰狼优化算法[J]. 张悦,孙惠香,魏政磊,韩博. 计算机科学. 2017(S2)
[3]改进的自适应遗传算法在函数优化中的应用[J]. 杨从锐,钱谦,王锋,孙铭会. 计算机应用研究. 2018(04)
[4]经验模态分解和遗传小波神经网络法用于边坡变形预测[J]. 任超,梁月吉,庞光锋,杨兴跃,李冠成. 测绘科学技术学报. 2014(06)
[5]基于改进的PSO-SVM法的大坝安全非线性预警模型研究[J]. 范振东,崔伟杰,郭芝韵,张毅. 水电能源科学. 2014(11)
[6]具有混沌局部搜索策略的双种群遗传算法[J]. 谭跃,谭冠政,叶勇,伍雪冬. 计算机应用研究. 2011(02)
[7]利用遗传模拟退火算法优化神经网络结构[J]. 李振涛,王淑玲,张国立. 计算机工程与应用. 2007(36)
本文编号：3556403
【文章来源】：工业安全与环保. 2019,45(06)
【文章页数】：5 页
【部分图文】：
改进自适应多种群优化算法流程3实例应用与分析3．1实验数据本文以贵州省白岩尾矿坝监测点的三维形变数
为0．2、0．27和0．74，都要优于GA－BP和AGA－BP网络预测模型，可见改进的自适应多种群算法能够有效的提高了网络模型的预测精度。不同模型的形变预测曲线如图3～图5所示，从图中可见AMGA－BP模型的预测值与实测值更接近，预测效果更好。图6～图8为预测残差图，从图中表明:只有AMGA－BP模型预测结果稳定，残差值在“0”附近，而GA－BP和AGA－BP模型都出现了残差值“跳跃”的情况，更能反映出AMGA－BP模型不仅预测精度高，而且预测结果稳定。图213－4Ｒ三维累计形变曲线表1形变预测结果mm形变类别期数监测值GA－BP预测值残差AGA－BP预测值残差AMGA－BP预测值残差平行坝轴线形变112．73．680．982．09－0．613．040．34122．82．71－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直坝轴线形变115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%图3垂直沉降预测曲线图图4平行坝轴线形变预测曲线图·23·
?1－0．092．61－0．192．850．05133．22．81－0．392．81－0．392．99－0．21MAE0．490．400．20MＲE17．2%13．8%7．0%垂直坝轴线形变115．54．68－0．824．82－0．685．810．31124．15．491．393．53－0．573．82－0．28135．74．09－1．614．61－1．095．47－0．23MAE1．270．780．27MＲE25．7%15．1%5．5%垂直沉降1149．748．28－1．4248．73－0．9749．14－0．561252．549．74－2．7649．51－2．9951．63－0．871353．552．13－1．3754．370．8752．7－0．80MAE1．851．610．74MＲE3．6%3．1%1．4%图3垂直沉降预测曲线图图4平行坝轴线形变预测曲线图·23·
【参考文献】：
期刊论文
[1]利用人工鱼群算法优化高斯过程模型及应用分析[J]. 邱小梦,周世健,王奉伟,欧阳亮酉. 测绘通报. 2018(01)
[2]具有自适应调整策略的混沌灰狼优化算法[J]. 张悦,孙惠香,魏政磊,韩博. 计算机科学. 2017(S2)
[3]改进的自适应遗传算法在函数优化中的应用[J]. 杨从锐,钱谦,王锋,孙铭会. 计算机应用研究. 2018(04)
[4]经验模态分解和遗传小波神经网络法用于边坡变形预测[J]. 任超,梁月吉,庞光锋,杨兴跃,李冠成. 测绘科学技术学报. 2014(06)
[5]基于改进的PSO-SVM法的大坝安全非线性预警模型研究[J]. 范振东,崔伟杰,郭芝韵,张毅. 水电能源科学. 2014(11)
[6]具有混沌局部搜索策略的双种群遗传算法[J]. 谭跃,谭冠政,叶勇,伍雪冬. 计算机应用研究. 2011(02)
[7]利用遗传模拟退火算法优化神经网络结构[J]. 李振涛,王淑玲,张国立. 计算机工程与应用. 2007(36)
本文编号：3556403
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3556403.html
