基于遗传蚁群组合算法优化SVM模型的边坡位移预测研究

发布时间：2020-08-18 09:56

【摘要】：边坡的位移情况是其稳定性的关键因素,所以对边坡位移的监测和预测在工程施工中必不可少,通过建立有效的预测模型来分析边坡位移的规律及趋势,确定边坡的稳定性,是边坡位移预测的最终目的。针对目前常用的预测模型在模型建立和预测精度上都存在一定的问题,本文在支持向量机回归机的理论基础上,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法的信息素生成策略,将此组合优化算法用于优化支持向量机参数,最终建立起基于此组合算法的支持向量机预测模型应用于边坡位移预测中。本文首先阐述了边坡位移预测的研究背景及意义,以及目前边坡变形预测和支持向量机的研究现状,并介绍了基本遗传算法和蚁群算法以及支持向量机的相关理论知识。针对在建立支持向量机边坡预测模型中核函数选取的问题,开展了研究工作,选取了目前常用的两种核函数分别建立起预测模型进行了预测实验,结果表明应用高斯径向基核函数在建立边坡预测模型中具有更好的预测效果。故本文选取高斯径向基核函数来开展基于组合算法建立支持向量机边坡预测模型的研究工作。其次为了解决支持向量机参数选取的问题,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法中的信息素生成策略,将其应用于支持向量机的参数寻优中。为了验证组合算法的优势性,进行了商旅求最短路径的实验研究,结果表明组合算法的优化性能要比这两种算法的优化性能更高。故将此组合算法应用于支持向量机参数的寻优中,并构建基于组合优化算法的支持向量机边坡预测模型。最后将此模型应用于两个工程实例中,通过编写的Matlab程序,对其进行实验,并与分别应用遗传算法和蚁群算法优化建立的支持向量机预测模型进行精度比较,以平均相对误差给予评价。最终实验结果表明,基于遗传算法优化构建的支持向量机边坡预测模型其所预测的平均相对误差为3.07%和3.21%,基于蚁群算法所构建的预测模型其平均相对误差为1.82%和1.63%,而基于组合优化算法所构建的预测模型其平均相对误差为1.02%和0.97%。可见,基于组合算法优化支持向量机参数的边坡预测模型具有着更好的预测效果,可应用于实际工程之中。
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU43;TP18
【图文】：

第二章 遗传算法和蚁群算法异操作。在交叉操作中，通过设定好交叉算子和交叉率，对种群中随机两条父代染色体组合进行交叉重组操作，得到新的两条子代染色体。父代是经过选择策略保留下来具有较高适应度的染色体，所以其所具有的较好的基因被遗传到子代，经过每次迭代循环进行父代种群进行交叉操作，其优良基因都会被遗传保留下去，最终会收敛得到一条具有最优基因的染色体，即为所求解问题的最优解。通常所运用的交叉方法是双点交叉，如图 2.1 所示：

通过设定适应度函数评估次数和搜索精度来决定。2.1.3 遗传算法的具体流程图2.3 所示为基本遗传算法的操作流程图，具体的运行操作步骤描述如下：Step1.初始化，按照某种随机方式获取初始种群P ，种群数量为N ，对种群中所以个体变异变异位置

aniezo V 首先提出的一种模拟蚂蚁群体行为的智能优觅食过程中的信息传递机制及其对觅食最短路径的寻等优点，目前在各个领域都得到应用，从离散问题到化性能。基本原理物都以不同的方式进行着信息的传递。蚂蚁在外出觅释放一种会随着时间推移逐渐挥发的分泌物质，称之息，并根据其量的大小来指引它们接下来的前进方位择的几率越大，随之而来的蚂蚁数量也逐渐增多，因信息素也随之越来越多，同时就有更多的蚂蚁以更大的正反馈现象，正是因为这种机制，蚂蚁群体最后都，也就是巢穴离食物最短那条的路径。在这里，为了程中路径搜索的原理和机制，结合图示2.4 所示加以形

【相似文献】

相关期刊论文 前10条

1 于良;张灵凯;;基于网格参数寻优法的支持向量机边坡位移预测研究[J];城市地理;2017年02期

2 潘平;;基于小波神经网络理论的边坡位移预测[J];成都理工大学学报(自然科学版);2006年02期

3 吕金虎,陈益峰,张锁春;基于自适应神经网络的边坡位移预测[J];系统工程理论与实践;2001年12期

4 江婷;沈振中;徐力群;刘冲;谈家诚;;基于支持向量机-小波神经网络的边坡位移时序预测模型[J];武汉大学学报(工学版);2017年02期

5 胡华;谢金华;;改进的不等时距灰色马尔科夫模型在边坡位移预测中的应用[J];水利与建筑工程学报;2016年06期

6 陈绍桔;;边坡位移时间序列分析预测[J];福建建筑;2008年06期

7 史永胜，许东俊;时序分析在边坡位移预测中的应用[J];岩土力学;1995年04期

8 杨振杰;;边坡位移监测与控制[J];中国矿山工程;2006年04期

9 刘沐宇，池秀文，魏文晖，陆文兴;时间序列分析法与边坡位移预报[J];武汉工业大学学报;1995年03期

10 陈秀勇;;有关相空间重构及其在边坡位移预测中的应用研究[J];魅力中国;2009年16期

相关会议论文 前8条

1 吴定洪;刘雄;;边坡位移的时间序列分析方法研究[A];中国岩石力学与工程学会第三次大会论文集[C];1994年

2 李维朝;戴福初;刘汉东;武富强;;对边坡位移监测曲线振荡起伏的分析[A];中国科学院地质与地球物理研究所2008学术论文汇编[C];2009年

3 李克钢;张重庆;;基于时间序列的神经网络建模及边坡位移预测[A];第十届全国青年岩石力学与工程学术大会论文集[C];2009年

4 贾愚如;黄玉灵;;边坡位移的数据处理及预测分析[A];自然边坡稳定性分析暨华蓥山形变体形变趋势研讨会论文摘要集[C];1991年

5 林大超;张瑞红;齐宏伟;张富强;;边坡位移演化的多尺度分析[A];第九届全国岩土力学数值分析与解析方法讨论会论文集[C];2007年

6 史永胜;许东俊;;边坡位移预测的叠合时序模型研究[A];面向21世纪的岩石力学与工程：中国岩石力学与工程学会第四次学术大会论文集[C];1996年

7 吴度希;;我国露天矿山边坡位移监测技术的新进展分析[A];全国冶金矿山现代采矿技术及装备学术研讨会论文集[C];2012年

8 刘加洛;;预应力锚索在某基坑支护中的应用[A];锚固与注浆新技术——第二届全国岩石锚固与注浆学术会议论文集[C];2002年

相关重要报纸文章 前1条

1 白静;研发边坡位移监测系统[N];中国煤炭报;2009年

相关博士学位论文 前1条

1 崔凤展;强降雨作用下土质深基坑稳定性及其控制技术研究[D];中国矿业大学(北京);2016年

相关硕士学位论文 前10条

1 熊起;基于遗传蚁群组合算法优化SVM模型的边坡位移预测研究[D];江西理工大学;2019年

2 周万习;基于混合智能算法的边坡位移预测方法研究[D];哈尔滨工业大学;2017年

3 于良;基于混合核函数MAPSO-SVR的边坡位移预测研究[D];江西理工大学;2018年

4 代在波;基于粒子群算法的边坡位移预测研究[D];重庆交通大学;2016年

5 向璐;基于单目视觉的边坡位移监测研究[D];重庆交通大学;2013年

6 陈峰;边坡位移序列的预测模型研究与应用[D];辽宁工程技术大学;2008年

7 邓贤国;基于数值计算的边坡位移监测点优化布设方法研究[D];西南石油大学;2012年

8 严传鹏;基于图像处理的边坡位移检测方法研究[D];重庆交通大学;2012年

9 季惠英;渝黔高速公路边坡动态监测预警系统的开发[D];重庆大学;2008年

10 张鹏;基于无偏灰色模糊马尔可夫理论对边坡位移预测的研究[D];武汉理工大学;2013年

本文编号：2796074