CN105335619B - 一种岩爆过程数值计算模型参数反分析的协同优化法 - Google Patents

Abstract

本发明公布了一种适用于高计算代价参数优化问题的协同优化方法，该方法针对高计算代价问题的数值模拟中参数难以优化的问题，将实际可以监测到的某物理量与数值计算模型对应的此物理量计算值的差值作为目标函数，将信息向量机(IVM)优异的小样本学习能力与回溯搜索算法(BSA)优异的全局寻优能力相结合，可以快速得到较为符合实际的参数。实际算例表明，与随机全局优化算法相比，本方法在相同的时间内得到的参数更加符合实际情况。本发明方法对高计算代价的参数优化问题具有较强的适用性，具有高效快速、简易实用的优点。

Description

一种岩爆过程数值计算模型参数反分析的协同优化法

技术领域

本发明属于人工智能算法的应用领域，涉及一种岩爆过程数值计算模型参数反分析的协同优化法，具体地指，涉及一种基于信息向量机-回溯搜索协同优化算法(IVM-BSA)的高计算代价数值计算模型参数反分析的协同优化方法。

背景技术

对许多工程问题、物理问题乃至自然界、人类社会中各类问题的研究，数值模拟都是一种十分有效的研究手段。数值模拟首先要建立反映问题(如工程问题、物理问题等)本质的数学模型。具体而言就是要建立反映问题所含各量相互关系的方程式(通常是微分方程)及确定相应的定解条件，这是数值模拟工作的基础。没有正确完善的数学模型，数值模拟就无从谈起。

建立数值模型后，模型所含参数的取值合适与否关系到所建模型正确性、合理性，因此获得模型的最优参数是数值模拟科学可信的重要基础。一般的做法是将问题的某一(或多个)评价指标(称为目标函数)表示成参数的数学表达式，然后通过对目标函数的优化来获得最优的参数组合。上述过程即为优化设计的过程，亦即参数优化的过程。由于实际问题的复杂性，目标函数通常很难合理选择或目标函数具有非常复杂的数学表达式，使得参数优化难以进行，这在一定程度上阻碍了数值模拟的发展。近十几年发展起来的以可以量测到的数据为基础的反分析法，是解决这一难题的重要手段之一。

反分析优化方法，即以可以量测到的、反映系统行为的某些物理量信息为基础，通过反演模型(反映系统物理性质的数值模型)推算得到该系统的各项或某些初始参数。反分析方法不直接通过数值模型进行参数优化，而是将参数优化问题转换为数学上的无约束优化问题，即：将数值模型输出值与监测值之间的差值作为目标函数，将待优化参数作为优化变量，通过某种优化方法优化目标函数，然后获得最优参数解。

采用反分析方法进行参数优化时，由于实际问题的复杂性，每次计算目标函数值(称为适应度评价，所得值为适应度值)都十分耗时(即单次计算代价非常高)；此时如果采用传统的局部优化方法对目标函数进行优化，虽然计算效率较高，但往往只能获得局部最优解，如果采用随机全局优化算法对目标函数进行优化，虽可获得全局最优解，但由于该类算法每次执行进化策略后，都需要对新的参数组合进行适应度评价，计算效率过低。

本专利针对高计算代价的数值模拟过程中参数难以优化的问题，提出了信息向量机-回溯搜索协同优化算法(IVM-BSA)：首先，通过正交设计生成一定数量的参数组合(初始样本)，并代入数值计算模型得到模型输出值，将模型输出值与真实值差值作为目标函数值，由初始样本和相应目标函数值构建寻优经验知识库；其次，通过IVM机器学习方法对寻优经验知识库进行学习，得到目标函数值与参数之间的隐含函数关系；第三，利用BSA优化算法进行全局寻优，在全局寻优过程中，将个体的初始位置以及每次执行进化策略后的位置对应的参数组合代入IVM学习得到函数关系式中进行适应度评价，而不需要调用数值模型进行计算，当参数组合不满足精度时，用此参数组合替换原寻优经验知识库中最差的参数组合，完成对寻优经验知识库的动态更新。由于IVM-BSA协同优化算法在全局寻优过程中进行适应度评价时，不需要调用非常耗时的数值计算，大大降低了计算代价，从而达到了减少计算耗时、提高参数优化分析效率的目的。

本专利中涉及的IVM是一种机器学习方法。机器学习是人工智能的一个新兴分支，它从已知实例中自动发现规律，建立对未知实例的预测模型，与传统回归方法相比较，更适用于复杂、高度非线性的回归问题。当前已发展形成多种机器学习方法，其中人工神经网络与支持向量机是当前具有代表性的机器学习方法。但人工神经网络和支持向量机均存在一些公开性问题，例如，人工神经网络存在着最优网络拓扑结构与最优超参数不易确定、存在过(欠)学习风险、小样本推广能力差等问题；支持向量机的核函数及合理超参数没有可行的理论求解方法，很难保证预测的可靠性。

信息向量机(Informative Vector Machine,IVM)是一种新的机器学习方法，由Neil Lawrence于2002年提出。该方法基于信息熵理论，从大量的训练样本中优选出部分的最具信息性的样本组成有效集，通过对有效集的学习可以达到与原训练样本集相同的学习效果，同时结合稀疏化核矩阵表示，大大简化学习的时间复杂度和空间复杂度。另外，IVM通过假定密度筛选与最小化KL散度(相对信息熵)实现了对非高斯分布噪声模型后验分布的近似逼近。IVM具有优异的回归性能，其超参数可自适应获取，对高度非线性回归问题具有较强的适用性。本发明方法中，BSA进入局部寻优状态后，采用IVM拟合局部最优解附近的真实目标函数(即建立IVM代理模型)。对目标函数建立IVM代理模型的关键环节有：

(1)建立IVM代理模型的回归过程学习过程

在构建IVM回归代理模型的学习过程中，维持了两个样本索引集I与J，其中I是有效集，J是待选集，初始时，J＝{1，2，...，N}，且在任意时刻，I∪J＝{1，2，...，N}(假定要从N个初始训练样本中，筛选d个信息向量)，信息向量是以一种连续的、类似在线学习的方式获取：首先，应用ADF近似具有i个信息向量(即I_i)时的后验分布及似然分布：(对于高斯分布的情况，近似解与准确解一致)

式中：p表示概率分布，q表示近似分布，μ表示高斯分布均值，Σ为协方差矩阵，m表示似然替代变量，β表示噪声分布方差，为有效训练样本的输入向量，θ表示协方差函数超参数。之后，依照(2)式选择i+1个信息向量：

上式表示，选择当前待选集J中能够最大化减小后验分布信息熵的一个样本j，作为第i+1个信息向量。循环执行上述过程，直至完成d个信息向量的选择(即I＝I_d)。此时，可得：

式中，B表示噪声分布方差，K或∑表示高斯分布协方差矩阵。

在IVM回归代理模型中，协方差函数超参数θ的最优解是通过最大化边缘似然分布p(y_I|X_I,:,θ)而自适应获取的。具体的，通过取负对数-log(p(y_I|X_I,:,θ))，将最大化问题转化为最小化问题，进而利用共轭梯度下降法实现最优超参数的自适应获取。

(2)建立IVM代理模型的预测过程回归过程

上述过程实现了以有效集I替代原始样本数据集，之后的回归过程同贝叶斯回归学习过程的做法一致，最终可得IVM回归的后验分布：

公式(4)隐含了个体位置坐标x*与适应度f*的对应关系，可用以代替真实的适应度函数曲线进行适应度评价。

回溯搜索优化算法(Backtracking Search Optimization Algorithm，BSA)是一种新的进化算法，由Pinar Civicioglu于2013年提出。研究表明，和遗传算法、粒子群、差分进化算法等随机全局优化算法相比，BSA算法全局寻优能力更强、收敛速度更快、输入参数更少。

综上所述，IVM-BSA协同优化方法的基本原理是：首先，获得一定数量初始样本及相应目标函数，构建寻优经验知识库；然后，用IVM机器学习方法学习得到样本与目标函数值之间隐含的函数关系式，从而显示地近似原目标函数；然后，用BSA算法对近似目标函数进行全局寻优；最后，当BSA算法的个体进化到一定的代数，将此时寻找到的最优样本代入真实的目标函数中，得到此样本对应的真实适应度值，并将其替换寻优经验知识库中最差样本，如此不断动态更新寻优经验知识库，直至满足收敛条件。

发明内容

本发明针对现有技术的不足，提供一种岩爆过程数值计算模型参数反分析的协同优化法。

为了实现上述目的，本发明采用了以下技术方案：

一种岩爆过程数值计算模型参数反分析的协同优化法，包括以下步骤：

(1)根据具体问题，建立相应的数值计算模型；

(2)将参数反演问题转化为无约束参数优化问题，建立无约束参数优化问题的目标函数，所述目标函数的一般格式为其中，x为一组参数，为此组参数对应的物理量的计算值，d_i(x)为此物理量的实测值，i表示x编号；

目标函数绝对值越小，数值模型的计算值越接近于实测值，相应的数值模型的可信度越高；

(3)根据预估计的参数范围，采用正交设计生成一定数量的参数样本，将参数样本代入数值计算模型中得到其对应的数值计算模型的计算值并结合实测值d_i(x)，得到参数样本对应的目标函数值f_i(x)，由此便得到了具有一定数量的由参数样本和相应目标函数构成的寻优经验知识库；(此处所述一定数量的具体数值通过经验尝试后确定最优值)

(4)信息向量机利用信息向量机IVM优异的小样本学习能力，对寻优经验知识库进行学习，获得IVM代理模型，从而显式地近似真实目标函数；

(5)采用BSA优化算法，BSA为回溯搜索算法，对由IVM代理模型进行全局寻优，步骤如下：

①算法参数设置：根据待优化参数的个数确定种群数NP，设定算法的收敛条件，收敛条件包括目标函数最小值ε与最大允许迭代步数T_max；

②随机生成实验种群P_ij和oldP_ij，其中i为种群规模，j为待优化参数的个数，两种群的个体都随机分布于寻优区域内；

③对实验种群P_ij进行适应度评价，得到所有个体的目标函数值E(i)，则个体得最优值E_f(i)＝minE(i)，当前P_ij中目标函数值最小的粒子P_gj为当前的全局最优粒子，其对应的目标函数值E(g)为当前全局最优解，此时迭代次数t＝1；

④当E(g)<ε，t<T_max，则执行下面步骤；否则，输出优化得到的参数值；

⑤进入循环全局寻优状态，并记录所有个体信息；

⑥用P_ij随机替换oldP_ij：生成(0,1)之间的随机数a和b，当a<b时，用P_ij替换oldP_ij，否则不替换；

⑦将oldP_ij中的个体的顺序重新随机排列，生成新的个体种群oldP1_ij；

⑧对原始种群P_ij进行变异，生成变异后的种群T_ij，其中变异公式为T_ij＝P_ij+F·(oldP1_ij-P_ij)，F为常数，用来控制矩阵(oldP1_ij-P_ij)的振幅；

⑨对变异后的种群T_ij进行杂交计算，得到杂交后的矩阵T1_ij：

生成由“0”和“1”构成的i*j维矩阵maP_ij，maP_ij用来控制种群T_ij中的个体将要被原种群P_ij中的对应个体替换的位置，即maP_ij中所有值为“0”的位置，T_ij中这些位置的个体将会被原始种群P_ij中对应位置的个体替换，生成maP_ij的方法是引入参数混合率mixrate，用混合率控制将要被替换的个体个数；

⑩通过评价得到T1_ij中所有个体的目标函数值H(i)；

当H(k)<E(k)，即个体k进化后比原来更优，则更新个体最优值E_f(k)＝H(k)，得到新的个体适应度值集合E_f(i)，同时更新个体最优位置P_kj＝T1_kj；

更新全局最优个体：用当前代个体的适应度值的最小值E_f(d)＝min(E_j(i))与上一代全局最优个体E(g)进行比较，当E_j(d)<E(g)，则E(g)＝E_f(d)；

当目标函数值达到了设定的精度要求，则停止计算，输出待反演的参数，此步中的目标函数值是指高斯过程拟合出的目标函数值，设定的精度要求是指BSA算法的寻优精度要求；

(6)将BSA全局寻优得到的参数代入真实目标函数中，得到真实的目标函数值，若达到了设定的精度，则停止寻优，输出参数值；否则，用此组最优参数和真实函数值替换寻优经验知识库中的最差参数及其对对应的真实函数值，继续回到步骤(4)，进行新一轮计算，不断反复，直到目标函数值达到设定的精度或达到规定的允许迭代步数；

(7)输出待优化的参数。

优选的，所述的变异策略引入的振幅控制常数F＝3*randn，所述randn为商业数学软件MATLAB的randn函数

优选的，所述的杂交策略引入的杂交率mixrate＝1。

优选的，采用商业数学软件MATLAB与对具体问题进行数值模拟的软件进行联合反演；

首先，采用正交均匀设计生成一定数量的参数组合，输入到所述对具体问题进行数值模拟的软件中得到不同参数组合对应的输出值，并进一步计算相应的目标函数值，目标函数值即为计算值与观测值的差值，组成寻优经验知识库；

然后，用IVM对寻优经验知识库进行学习，获得参数组合与目标函数值的隐藏函数关系；

再利用BSA优化算法对IVM学习到的函数进行全局寻优，获得全局最优解，将此最优解代入A中，得到当前最优解对应的目标函数值，并替换更新寻优经验知识库；

最后再用IVM对更新后的寻优经验知识库进行学习，依次循环直到满足结束条件。

本发明的有益效果为：

①本发明不拘泥于某一领域的数值模拟的参数优化，普遍适用于计算代价比较高的数值模拟的参数优化问题，为高计算代价的数值模拟参数优化提供了一条途径。

②本发明充分利用了信息向量机优异的小样本学习性能和回溯搜索算法优异的全局寻优能力，大大的减少了真实目标函数的评价次数，显著的降低了计算代价，提高了计算效率。

附图说明

图1本发明方法的流程图。

图2岩石试样。

图3 3DEC离散元数值计算网格模型。

图4岩爆弹射破坏过程的3DEC离散元仿真分析。

图5物理试验岩爆坑破坏形态。

图6反分析得到的最优参数模拟出的岩爆破坏形态。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明：

某次室内岩爆试验研究时，采用真三轴试验机对岩样进行单面卸载试验。试样尺寸为100mm×100mm×200mm，完整性和均匀性良好(图2)。加载路径可概括为：三向六面加载至预定应力值后，快速卸除最小主应力方向一个面上的荷载，使试样发生岩爆。试验过程中用高速摄像机记录岩爆破坏整个过程，便于后续分析岩爆的弹射动能。为了进一步对比研究，对此次岩爆试验过程进行三维数值仿真分析。

本次岩爆试验过程的数值模拟采用三维离散元软件3DEC进行。岩石块体单元的本构模型选用弹性本构模型，块体之间的接触面本构模型采用库伦—滑移本构模型。块体单元的主要参数为弹模和泊松比，通过弹模和泊松比可以得到体积模量和剪切模量。块体之间接触面的主要参数为法相刚度、切向刚度、摩擦角、粘聚力和抗拉强度。

由于岩体本身性质的离散性、受力条件的不同以及赋存环境的变异性，使得岩体参数很难确定，直接影响数值模拟的顺利开展。以实测数据(本文为动能)为基础的智能优化反分析方法可以很好的解决这个问题。由于一般的智能优化反分析方法需要进行大量的适应度评价，计算代价过高，而本专利采用的信息向量机-回溯搜索协同优化反分析方法(IVM-BSA)能大大降低计算代价，具体实施步骤如下：

①利用3DEC离散元软件建立模型并划分块体单元(图3)。

②将参数反演问题转化为无约束参数优化问题，建立无约束参数优化问题的目标函数f(x)，目标函数为计算动能与实测动能的差值，表达式为f(x)＝d-d(x)，其中，计算动能d(x)通过将参数代入3DEC离散元模型计算得到，实测动能d是利用动态图像分析软件Image Pro Plus对高速摄像机记录到的岩爆过程分析得到。目标函数绝对值越小，代表计算动能与实测动能的差值越小，对应的参数越接近实际参数。本次岩爆试验实测动能为9.52J。

③确定待优化的参数：通过对参数相对于动能的敏感性分析，得到对动能最敏感的三个参数依次为摩擦角(Φ)、弹模(E)和粘聚力(c)。三个参数的大致取值范围见表1：

表1参数的搜索区间

④采用正交均匀设计在表1的区间内生成25组参数样本(见表2)，并代入数值计算模型中，计算得到25组参数对应的计算动能d(x)，将计算动能带入目标函数中，得到相应的目标函数值，由25组参数样本及其对应的目标函数值f(x)组成了寻优经验知识库。

表2初始参数样本

⑤采用IVM对寻优经验知识库进行学习，获得IVM代理模型，从而显式地近似真实目标函数。

⑥调用全局优化算法BSA进行全局寻优，寻优过程中直接利用IVM代理模型进行函数评价，而无需调用数值计算进行适应度评价。

⑦当目标函数值达到预设的精度时，结束全局寻优，输出此时的最优参数组合E、C和Φ；否则，将此组参数代入数值计算模型中，得到这组参数对应的真实计算动能，并进一步得到真实目标函数值，由此组参数和对应的真实目标函数值构成了新增的一组参数样本和目标函数值。

⑧用寻优得到的新增的参数组合及其对应的目标函数值替换原寻优经验知识库中最差的参数组合(目标函数值最大的参数组合)和相应的目标函数值，更新寻优经验知识库。

⑨回到步骤⑤，依次循环往复不断的动态更新寻优经验知识库，直至目标函数精度满足要求或循环次数达到规定次数后结束整个参数优化分析过程。

⑩本例设定最终的动态循环次数为10次，得到最终的优化参数组合，见表3：

表3IVM-BSA分析得到的最优参数组合

图4是利用优化分析得到的参数模拟岩爆的三个阶段破坏形态(其中图5是计算结束的破坏形态)，图6是室内物理试验试样发生岩爆后的最终破坏形态。由图5、图6可以看出，数值模拟与物理试验都出现了V型的岩爆坑，最终破坏形式是比较相近，说明本方法得到的最优参数组合能够很好反映此次试验试样性质。

计算耗时分析：本例采用信息向量机-回溯搜索算法初始生成25组样本，寻优开始后动态更新10次，每次动态更新需要对寻优得到的当前最优参数组合进行一次离散元数值计算，一共进行了35次离散元数值计算，本模型每次离散元计算耗时较长(约7分钟)，共耗时约4小时；为说明本文方法的优越性，采用经典的粒子群算法(PSO)或者只采用回溯搜索算法(BSA)进行参数优化分析，在耗费相同的时间(4小时)前提下，各方法得到的最终结果见表4。

表4相同耗时(4h)条件下不同优化方法优化结果对比

由表5可以看出在耗时相同的条件下，本发明方法(IVM-BSA)分析得到的参数组合代入数值计算模型中得到的计算动能更接近实测值(相对误差为3.0％)，表明本文方法对高计算代价的参数优化问题比传统的全局寻优智能反分析方法更加高效。

应用实例结果表明，本发明方法是可行的，具有计算耗时少、优化分析效率高的优点。对于计算代价高的参数优化问题，本文方法利用信息向量机(IVM)优异的小样本学习能力，结合回溯搜索算法(BSA)的优异的全局寻优能力，对参数进行快速的优化反分析，能够得到较为符合实际的参数。本文方法对于计算代价较高的参数优化问题有较强的适用性，具有良好的工程应用前景。

Claims (4)

1.一种岩爆过程数值计算模型参数反分析的协同优化法，其特征在于，包括以下步骤：

(1)根据具体问题，建立相应的数值计算模型；采用真三轴试验机对岩样进行单面卸载试验；试样尺寸为100mm×100mm×200mm，完整性和均匀性良好；加载路径可概括为：三向六面加载至预定应力值后，快速卸除最小主应力方向一个面上的荷载，使试样发生岩爆；试验过程中用高速摄像机记录岩爆破坏整个过程，便于后续分析岩爆的弹射动能；岩爆试验过程的数值模拟采用三维离散元软件3DEC进行；岩石块体单元的本构模型选用弹性本构模型，块体之间的接触面本构模型采用库伦—滑移本构模型；块体单元的主要参数为弹模和泊松比，通过弹模和泊松比可以得到体积模量和剪切模量；块体之间接触面的主要参数为法相刚度、切向刚度、摩擦角、粘聚力和抗拉强度；

(2)将参数反演问题转化为无约束参数优化问题，建立无约束参数优化问题的目标函数，所述目标函数的一般格式为其中，x为一组参数，为此组参数对应的物理量的计算值，d_i(x)为此物理量的实测值，i表示x编号；具体的，目标函数为计算动能与实测动能的差值，计算动能d(x)通过将参数代入3DEC离散元模型计算得到，实测动能d是利用动态图像分析软件Image Pro Plus对高速摄像机记录到的岩爆过程分析得到；

目标函数绝对值越小，数值模型的计算值越接近于实测值，相应的数值模型的可信度越高；

(3)确定待优化的参数：通过对参数相对于动能的敏感性分析，得到对动能最敏感的三个参数依次为摩擦角Φ、弹模E和粘聚力c；根据预估计的参数范围，采用正交设计生成一定数量的参数样本，将参数样本代入数值计算模型中得到其对应的数值计算模型的计算值并结合实测值d_i(x)，得到参数样本对应的目标函数值f_i(x)，由此便得到了具有一定数量的由参数样本和相应目标函数构成的寻优经验知识库；

(4)利用信息向量机IVM优异的小样本学习能力，对寻优经验知识库进行学习，获得IVM代理模型，从而显式地近似真实目标函数；

(5)采用BSA优化算法，BSA为回溯搜索算法，对由IVM代理模型进行全局寻优，步骤如下：

①算法参数设置：根据待优化参数的个数确定种群数NP，设定算法的收敛条件，收敛条件包括目标函数最小值ε与最大允许迭代步数T_max；

②随机生成实验种群P_ij和oldP_ij，其中i为种群规模，j为待优化参数的个数，两种群的个体都随机分布于寻优区域内；

③对实验种群P_ij进行适应度评价，得到所有个体的目标函数值E(i)，则个体得最优值E_f(i)＝minE(i)，当前P_ij中目标函数值最小的粒子P_gj为当前的全局最优粒子，其对应的目标函数值E(g)为当前全局最优解，此时迭代次数t＝1；

④当E(g)<ε，t<T_max，则执行下面步骤；否则，输出优化得到的参数值；

⑤进入循环全局寻优状态，并记录所有个体信息；

⑥用P_ij随机替换oldP_ij：生成(0,1)之间的随机数a和b，当a<b时，用P_ij替换oldP_ij，否则不替换；

⑦将oldP_ij中的个体的顺序重新随机排列，生成新的个体种群oldP1_ij；

⑧对原始种群P_ij进行变异，生成变异后的种群T_ij，其中变异公式为T_ij＝P_ij+F·(oldP1_ij-P_ij)，F为常数，用来控制矩阵(oldP1_ij-P_ij)的振幅；

⑨对变异后的种群T_ij进行杂交计算，得到杂交后的矩阵T1_ij：

生成由“0”和“1”构成的i*j维矩阵maP_ij，maP_ij用来控制种群T_ij中的个体将要被原种群P_ij中的对应个体替换的位置，即maP_ij中所有值为“0”的位置，T_ij中这些位置的个体将会被原始种群P_ij中对应位置的个体替换，生成maP_ij的方法是引入参数混合率mixrate，用混合率控制将要被替换的个体个数；

⑩通过评价得到T1_ij中所有个体的目标函数值H(i)；

当H(k)<E(k)，即个体k进化后比原来更优，则更新个体最优值E_f(k)＝H(k)，得到新的个体适应度值集合E_f(i)，同时更新个体最优位置P_kj＝T1_kj；

更新全局最优个体：用当前代个体的适应度值的最小值E_f(d)＝min(E_j(i))与上一代全局最优个体E(g)进行比较，当E_j(d)<E(g)，则E(g)＝E_f(d)；

当目标函数值达到了设定的精度要求，则停止计算，输出待反演的参数，此步中的目标函数值是指高斯过程拟合出的目标函数值，设定的精度要求是指BSA算法的寻优精度要求；

(6)将BSA全局寻优得到的参数代入真实目标函数中，得到真实的目标函数值，若达到了设定的精度，则停止寻优，输出参数值；否则，用此组最优参数和真实函数值替换寻优经验知识库中的最差参数及其对对应的真实函数值，继续回到步骤(4)，进行新一轮计算，不断反复，直到目标函数值达到设定的精度或达到规定的允许迭代步数；

(7)输出待优化的参数。

2.根据权利要求1所述的岩爆过程数值计算模型参数反分析的协同优化法，其特征在于，所述的变异策略引入的振幅控制常数F＝3*randn，所述randn为商业数学软件MATLAB的randn函数。

3.根据权利要求1所述的岩爆过程数值计算模型参数反分析的协同优化法，其特征在于，所述的杂交策略引入的杂交率mixrate＝1。

4.根据权利要求1所述的岩爆过程数值计算模型参数反分析的协同优化法，其特征在于：采用商业数学软件MATLAB与对具体问题进行数值模拟的软件进行联合反演；

首先，采用正交均匀设计生成一定数量的参数组合，输入到所述对具体问题进行数值模拟的软件中得到不同参数组合对应的输出值，并进一步计算相应的目标函数值，目标函数值即为计算值与观测值的差值，组成寻优经验知识库；

然后，用IVM对寻优经验知识库进行学习，获得参数组合与目标函数值的隐藏函数关系；

再利用BSA优化算法对IVM学习到的函数进行全局寻优，获得全局最优解，将此最优解代入真实目标函数中，得到当前最优解对应的目标函数值，并替换更新寻优经验知识库；

最后再用IVM对更新后的寻优经验知识库进行学习，依次循环直到满足结束条件。