CN113947332A - 一种地下工程综合保障能力的评估方法及系统 - Google Patents
一种地下工程综合保障能力的评估方法及系统 Download PDFInfo
- Publication number
- CN113947332A CN113947332A CN202111316311.5A CN202111316311A CN113947332A CN 113947332 A CN113947332 A CN 113947332A CN 202111316311 A CN202111316311 A CN 202111316311A CN 113947332 A CN113947332 A CN 113947332A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- artificial fish
- underground engineering
- iafsa
- comprehensive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000251468 Actinopterygii Species 0.000 claims abstract description 97
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 230000000007 visual effect Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 24
- 239000000523 sample Substances 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000009423 ventilation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000004378 air conditioning Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000019637 foraging behavior Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000003749 cleanliness Effects 0.000 claims description 3
- 239000013068 control sample Substances 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000012843 least square support vector machine Methods 0.000 description 41
- 238000013210 evaluation model Methods 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开一种地下工程综合保障能力的评估方法及系统，通过建立LSSVM预测网络对地下工程综合保障能力进行评估，通过视野和步长自适应设定以及引入精英反向学习机制改进人工鱼群算法，使基本的人工鱼群算法更加具有应用性，之后利用优化后的人工鱼群算法得到LSSVM预测网络的最优参数，利用最优参数对LSSVM预测网络进行训练，得到IAFSA‑LSSVM模型。最后，利用IAFSA‑LSSVM模型对地下工程综合保障能力进行评估，相比未改进的模型，本发明提出的方法，评估效果更好，评估更为准确。
Description
技术领域
本发明属于地下工程综合保障技术领域，具体属于一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法及系统。
背景技术
地下工程综合保障能力是地下工程项目的关键性能指标，其性能的好坏直接影响地下工程是否可以正常运行。根据地下工程的保障需求，分级和分类建立保障能力评估指标体系是目前的首要任务，地下工程综合保障能力常用的评估模型有层次分析法、灰色评估法、云重心法、模糊综合评判法和人工神经网络等方法，前几种评估方法引入了大量的人为主观评判，人为因素对评估模型的影响使其不能有效的解决对地下工程综合保障能力的评估。
LSSVM是普通支持向量机(support vevtormachine,SVM)的改进，其损失函数采用误差平方和，用等式约束替代了SVM中的不等式约束条件，将二次规划问题的求解转化成了线性方程组的求解。但通常在LSSVM的建立过程中，核宽度系数和正则化参数由人为试探选取，过程中具有较大的人为因素影响，而参数的选取将会直接影响到地下工程综合保障能力评估模型的评估精度与训练时间；
现有的智能优化算法多种多样，有着各自的计算优势，常用的优化算法有粒子群算法和遗传算法等，但这些算法产生时间长，导致现有提升空间有限；人工鱼群算法(artificial fish-swarm algorithm,AFSA)是较新的智能优化算法，该算法具有较好的全局最优解的求解能力、对初始值和参数要求较低、鲁棒性强、易操作等特点，但是AFSA存在后期收敛速度慢以及容易陷入局部最优等缺点。
发明内容
为了解决现有技术中存在的问题，本发明提供一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法及系统，对地下工程综合保障能力的进行评估，能有效地解决评价指标之间的非线性关联性问题，使得最后的评估更为准确，有效。
为实现上述目的，本发明提供如下技术方案：一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，具体步骤如下：
S1构建地下工程综合保障能力评估指标体系，获取地下工程综合保障能力评估指标得到训练样本集，对训练样本集进行预处理，根据预处理后的训练样本集构建LSSVM预测网络；
S2生成初始人工鱼群，根据自适应策略设定人工鱼群算法的视野和步长，计算人工鱼群觅食行为中每条人工鱼的适应度，根据适应度更新初始人工鱼群中的人工鱼状态；利用精英反向学习机制在更新后的人工鱼群中选出精英人工鱼个体，得到精英人工鱼群；计算精英人工鱼个体的反向解，得到反向解个体组成的反向人工鱼群，将精英人工鱼群及反向人工鱼群组成新的鱼群，将新的鱼群作为初始人工鱼群，重复上述步骤直至达到最大迭代次数Kmax或适应度值不再改变时停止，输出LSSVM预测网络的最优参数；
S3利用最优参数对LSSVM预测网络进行训练，得到训练好的IAFSA-LSSVM模型；
S4将待评估地下工程综合保障能力评估指标输入训练好的IAFSA-LSSVM模型中进行地下工程综合保障能力的评估。
进一步的，步骤S1中，所述地下工程综合保障能力评估指标体系包括供配电保障分系统E、通风空调保障分系统A、给排水保障分系统W和综合保障分系统I。
进一步的，步骤S1中，所述供配电保障分系统E、通风空调保障分系统A、给排水保障分系统W和综合保障分系统I共包括24个地下工程综合保障能力评估指标，具体为：
供配电保障分系统E包括发供电设施设备完好率、供电质量、照度、内接电阻、内外电源、切换时间、燃油供应和供电负荷；
通风空调保障分系统A包括通风空调设施设备完好率、空气参数检测与进化装置完好率、重点部位温湿度、换气次数与通风量、空气清洁度、噪声量和氧气再生装置与再生药品完好率；
给排水保障分系统W包括给排水设施设备完好率、应急排水与机动补水设备完好率、消防设施设备完好率、水质和水量；
综合保障分系统I包括信息处理平台与配套设备完好率、各分系统工作可靠性、抗干扰和防入侵能力、分区工作性能和上级指挥信息系统的互联互通能力。
进一步的，步骤S1中，LSSVM的回归约束可以表示为
式中：‖w‖2为控制模型的复杂度；ei为训练的数据模型对样本数据预测的误差；C为正则化参数，表示控制样本超出误差的惩罚程度；
LSSVM预测网络为：
其中，拉格朗日乘子ai；K(xi,xj)为核函数；xi和yi分别为n维输入、一维输出向量；b为常数值偏差。
进一步的，步骤S1中，LSSVM预测网络的核函数为径向基核函数，其表达式为：
式中：ε为核宽度系数；
进一步的，步骤S2中，所述自适应策略为：
式中：Visual为视野；Visualmin为最小视野；Step为步长；Stepmin为最小步长；K为当前迭代数；Kmax为最大迭代数；λ为自适应系数。
进一步的，步骤S2中，当人工鱼群算法的迭代次数达到2Kmax/3，引入精英反向学习机制。
进一步的，步骤S2中，将人工鱼群中适应度大最大的人工鱼作为为精英人工鱼Xbest，
Xbest＝(e1，e2，…，ek)，ei∈(ai，bi) (10)
其中，(e1，e2，…，ek)是指精英人工鱼Xbest的状态，ei(i＝1，2，...k)表示状态向量，状态向量中第i个寻优变量的取值范围为(ai，bi)；ai，bi分别为寻优变量的上界和下界；
计算精英人工鱼个体Xbest的反向解
定义精英反向解个体中寻优变量
为：
式中：β为服从均匀分布的随机数，β∈(0，1)；da、db为动态边界，da＝min(e1，e2，…，ek)，db＝max(e1，e2，…，ek)；
当
不在(ai，bi)范围内时，令
其中，ai，bi分别为精英人工鱼个体Xbest中寻优变量ei的取值下界和上界，rand表示在(ai，bi)中随机取值。
进一步的，步骤S2中，最优参数为核宽度系数ε和正则化参数C。
本发明还提供一种基于IAFSA-LSSVM的地下工程综合保障能力评估系统，包括数据处理模块、预测网络构建模块、优化模块和评估模块，其中：
数据处理模块用于获取地下工程综合保障能力评估指标得到训练样本集，并对训练样本集进行预处理；
预测网络构建模块用于利用预处理后的训练样本集构建LSSVM预测网络；
优化模块用于利用自适应策略和精英反向学习机制优化后的人工鱼群算法得到LSSVM预测网络的最优参数，并利用最优参数对LSSVM预测网络进行训练得到IAFSA-LSSVM模型；
评估模块用于利用IAFSA-LSSVM模型对待评估的地下工程的综合保障能力进行评估。
与现有技术相比，本发明至少具有以下有益效果：
本发明提供一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法及系统，使用最小二乘支持向量机(least squares support vevtormachine,LSSVM)对地下工程综合保障能力建立模型评估模型，通过视野和步长自适应设定以及引入精英反向学习机制进行改进得到IAFSA模型，使基本的AFSA模型更加具有应用性，之后运用改进的IAFSA对LSSVM预测网络进行参数修正得到IAFSA-LSSVM模型。最后，运用参数改进后的IAFSA-LSSVM模型对地下工程综合保障能力进行评价，相比未改进的模型，本发明提出的方法，评估效果更好，评估更为准确。
从对地下工程综合保障能力评价指标体系的分析中可以看出，地下工程综合保障能力评估指标之间是相互联系，相互影响的，并且它们之间的关系是非线性的。因此，传统的基于指标之间独立性和线性关系的评价方法(如层次分析法，模糊综合评价法，因子分析法等)，并不能有效地解决总体胜任力的评价问题。本发明运用IAFSA-LSSVM模型来进行数据的处理，能较好地克服各指标间非线性的关联关系，使评价结果更为准确、客观。因此，针对地下工程综合保障能力的评估，IAFSA-LSSVM模型是一种比较科学、合理的方法，能有效地解决评价指标之间的非线性关联性问题，使得最后的评估更为准确，有效。
附图说明
图1地下工程综合保障能力评估指标示意图；
图2人工鱼群优化流程图；
图3检验样本评估结果；
图4不同模型评估的相对误差；
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
本发明提供一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，具体步骤如下：
一、构建地下工程综合保障能力评估指标体系是地下工程综合保障能力评估工作的基础和核心，地下工程综合保障能力评估涉及地下工程技术保障、保障人员、物资器材、方(预)案、地下工程防护与安全等多个方面。
如图1所示，本发明从地下工程综合保障能力评估的实际出发，将影响地下工程综合保障能力的供配电保障分系统E、通风空调保障分系统A、给排水保障分系统W和综合保障分系统I作为4个一级指标，并对其层层分解，得到24个二级指标，在LSSVM评估模型中分别代表着24个输入，不同输入指标的单位各不相同，通过数据预处理可以消除不同量纲之间的相互影响。由于本发明选取的是基于机器学习的评估模型，各类历史数据是LSSVM预测网络模型的基础，低质量的原始数据可能导致LSSVM预测网络模型，准确性降低，对历史数据进行去毛刺和缺失修补，对输入数据进行修正，并计算影响系数，是进行LSSVM预测网络模型学习的预备工作。
数据的归一化。对给定的历史数据，由于特征值的量纲与单位不一样，这样会让有些因素对评估的结果影响较大，所以需要对特征值进行归一化处理，将其简化到区间为[0,1]之中的值。
24个二级地下工程综合保障能力评估指标，具体如下：
供配电保障分系统E包括发供电设施设备完好率、供电质量、照度、内接电阻、内外电源、切换时间、燃油供应和供电负荷；
通风空调保障分系统A包括通风空调设施设备完好率、空气参数检测与进化装置完好率、重点部位温湿度、换气次数与通风量、空气清洁度、噪声量和氧气再生装置与再生药品完好率；
给排水保障分系统W包括给排水设施设备完好率、应急排水与机动补水设备完好率、消防设施设备完好率、水质和水量；
综合保障分系统I包括信息处理平台与配套设备完好率、各分系统工作可靠性、抗干扰和防入侵能力、分区工作性能和上级指挥信息系统的互联互通能力。
二、构建最小二乘支持向量机(least squares support vevtormachine,LSSVM)模型
在地下工程综合保障能力评估中，由于LSSVM是建立在结构化最小风险理论上的，所以它能够较好地处理高维度与小样本等实际问题，且具有较好的推广性能与较快的学习速度等特点。地下工程综合保障能力评估属于支持向量机中的回归问题，下面主要介绍回归原理，即
令负荷训练样本集D＝{(xi,yi)|i-1,2,...,N}，其中xi∈Rn，yi∈R，xi和yi分别为n维输入、一维输出向量，设LSSVM的回归方程：
式中：
为低维输入空间到高维空间的映射：w为权值向量：b为常数值偏差。根据结构化风险最小原则，LSSVM的回归约束可以表示为
式中：‖w‖2为控制模型的复杂度；ei为训练的数据模型对样本数据预测的误差；C为正则化参数，表示控制样本超出误差的惩罚程度。
为了快速求出以上优化问题，引入拉格朗日乘子ai，将有约束问题转化为无约束问题，即
由KKT(Karush-Kuhn-Tucker)条件，w、b、ei、ai求偏导等于零，得到线性方程组为
消去式(3)中的w与ei，得到线性方程组，即
式中α＝[α1,α2,...,αN,],E＝[1,1,...,1]T,Y＝[y1,y2,...,yN,]T，核函数为
表示从输入空间到高维特征空间的非线性映射。
利用最小二乘法对式(5)进行求解，得到α值与b值，得到LSSVM预测值，即
由于径向基核函数具有任意阶导数均存在、较宽收敛域等特点，所以本发明将径向基核函数作为LSSVM核函数，其表达式为：
式中：ε为核宽度系数；
xi和xj分别表示n维输入样本i和j，k表示输入样本的维度。
三，构建改进后的人工鱼群算法(improved artificial fish-swarm algorithm,IAFSA)
在传统的人工鱼群算法中，觅食行为需用到了视野与步长两个参数，参数的应用对于收敛速度和最优值的选取至关重要，但是视野与步长都是随机的，所以此法存在诸多不足：在寻优前期，参数设定过小会导致收敛速度降低、寻优全局性下降；在寻优后期，参数设定过大又可能会导致跳过全局最优值，降低精确度。
本发明对视野与步长两参数采用自适应设定，使其动态变化，即在算法寻优前期，设定较大的数值，使人工鱼的搜索范围变大，有利于收敛速度的提升，较快得到最优解域；而在寻优后期，设定较小的数值，使人工鱼可以在最优解域中仔细搜索，有利于提高搜索精度。对视野与步长两参数采用自适应设定后，得到改进后的人工鱼群算法(improvedartificial fish-swarm algorithm,IAFSA)，使其计算更加具有优越性；可将这两参数自适应设定表示为
式中：Visual为视野；Visualmin为最小视野；Step为步长；Stepmin为最小步长；K为当前迭代数；Kmax为最大迭代数；λ为自适应系数。
随着优化迭代的进行，所有人工鱼逐渐向最优个体靠近，使得最优域范围缩小，造成鱼群的多样性降低。
为了解决多样性降低问题，本发明引入精英反向学习机制(elite oppositionbased learning,EOBL)，在机制中精英个体包含着比普通个体更多的搜索信息。通过精英反向学习产生的反向解，远离局部最优区域，增强多样性，算法搜索时扩大到了精英反向解所在的区域范围，提高了搜索能力，降低算法陷入局部最优的风险性。
①相对于传统人工鱼群算法，本发明改进其视野和步长两个参数的选定，提高了算法的前期收敛速度和后期收敛精度；②引入精英反向学习机制，提高了迭代后期鱼群的多样性，降低了算法陷入局部最优的风险性，从而得到了改进的人工鱼群算法IAFSA。
四，用于地下工程综合保障能力评估的IAFSA-LSSVM模型
利用IAFSA对地下工程综合保障能力评估模型LSSVM进行参数修正，主要针对其核宽度系数ε，正则化参数C进行优化，从而得到地下工程综合保障能力评估的LSSVM模型；
IAFSA对LSSVM的参数寻优具体如下：
步骤1初始化算法人工算法参数。
定义人工鱼群的数目为m、视野为Visual、步长为Step、最大迭代次数为Kmax等。
步骤2生成初始人工鱼群。
人工鱼个体为X＝(x1，x2，...，xk)，向量(x1，x2，...，xk)表示人工鱼个体的状态，xi(i＝1，2，...k)表示寻优变量。计算每条人工鱼的适应度Y，Y＝f(X)，此处的函数f定义为式(6)的函数，将初始最优人工鱼状态赋值公告板，此时K＝0，K为当前迭代数；
步骤3进行觅食行为。
步骤3.1：觅食行为介绍：
两条人工鱼之间的距离为dij＝||Xi-Xj||；若Visual≥dij，则人工鱼可以搜索到它视野内的其他人工鱼，否则不能。假设人工鱼的状态向量Xi，在其视野范围内找到另外一个人工鱼的状态向量Xj，进行适应度判断，若Yi＜Yj，则此时人工鱼向该方向前进一步；否则重新选择状态向量Xj，继续进行适应度判断；若反复5次都无法满足前进条件，则随机移动一步。
将觅食行为表示为：
式中Random(Step)表示随机步长，Xinext表示人工鱼i下一代的状态向量。
步骤3.2进行觅食行为：
此处自适应定义人工鱼视野Visual和步长参数Step，自适应策略为式(8)，并且模拟人工鱼觅食行为，计算觅食行为中每条人工鱼的适应度。
步骤4更新人工鱼状态。
将步骤三中每条人工鱼的适应度与公告板初始人工鱼适应度作比较，若适应度高于公告板记录值，则替换公告板记录的最优人工鱼状态，否则重新寻优，进入下一次迭代。
步骤5当迭代次数达到2Kmax/3，引入精英反向学习机制，具体步骤为：
步骤5.1选出精英人工鱼个体：
人工鱼Xi＝(x1，x2，…，xk)在第2Kmax/3次迭代时，适应度最大的人工鱼为精英人工鱼Xbest，得到精英人工鱼群：
Xbest＝(e1，e2，…，ek)，ei∈(ai，bi) (10)
其中，(e1，e2，…，ek)是指精英人工鱼Xbest的状态，ei(i＝1，2，...k)表示寻优变量，寻优变量ei的取值范围为(ai，bi)；ai，bi分别为寻优变量的下界和上界。
步骤5.2计算精英人工鱼个体Xbest的反向解个体
精英人工鱼个体Xbest的反向解个体为
可定义精英反向解个体中寻优变量
为：
式中：β为服从均匀分布的随机数，β∈(0，1)；da、db为动态边界，da＝min(e1，e2，…，ek)，即da为精英人工鱼寻优变量中的最小值；db＝max(e1，e2，…，ek)，即db为精英人工鱼寻优变量中的最大值。
当式(11)计算得到的
不在(ai，bi)范围内时，
ai，bi分别为精英人工鱼个体Xbest中寻优变量ei的取值下界和上界，rand表示在(ai，bi)中随机取值，通过此迭代过程避免了最优域范围缩小的问题。
步骤5.3在下一次的迭代中，将精英人工鱼群及其生成的反向人工鱼群组成新的鱼群，将新的鱼群作为初始人工鱼群。此时重复步骤2-5，直到达到最大迭代次数Kmax或适应度值不再改变时停止。
步骤6最后进行迭代判断
在达到最大迭代值Kmax或适应度值不再改变时算法寻优结束，此时得到寻优参数，在优化LSSVM时寻优参数为：核宽度系数ε，正则化参数C，这两个参数作为LSSVM的最优参数，此时寻优结束。
步骤7，利用最优的核宽度系数ε和正则化参数C对最小二乘支持向量机模型进行训练，整个算法的流程图如图2所示。
本发明提供一种基于IAFSA-LSSVM的地下工程综合保障能力评估系统，包括数据处理模块、预测网络构建模块、优化模块和评估模块，其中：
数据处理模块用于获取地下工程综合保障能力评估指标得到训练样本集，并对训练样本集进行预处理；
预测网络构建模块用于利用预处理后的训练样本集构建LSSVM预测网络；
优化模块用于利用自适应策略和精英反向学习机制优化后的人工鱼群算法得到LSSVM预测网络的最优的核宽度系数ε和正则化参数C，并利用最优的核宽度系数ε和正则化参数C对LSSVM预测网络进行训练得到IAFSA-LSSVM模型；
评估模块用于利用IAFSA-LSSVM模型对待评估的地下工程的综合保障能力进行评估。
五，地下工程综合保障能力进行评估
以某地下工程综合保障能力为实例，总共收集到30组保障评价指标数据以及对应的保障能力期望值。将前20组数据作为训练为样本，用来构建评估保障模型；后10组数据作为检验样本，用来证明模型的可行性。本软件所使用编程语言为Python语言，编译器为Pycharm。本文分别选用LSSVM模型、AFSA-LSSVM模型和IAFSA-LSSVM模型对同一地下工程实例进行综合保障能力评估，评估结果如图3、图4、表1所示：
表1不同方法评估的结果
通过表1可得AFSA-LSSVM评估模型的平均相对误差为15.9％，AFSA-LSSVM评估模型的平均相对误差为9.73％，本发明提出的IAFSA-LSSVM评估模型的平均相对误差为2.35％，相比其他两种未改进的评估模型，本发明提出模型的评估效能更好，评估误差更低。利用IAFSA-LSSVM评估模型得出的评估值与期望值基本拟合，说明利用此模型进行地下工程综合保障能力评估是有效的，模型构建符合预期。在进行新的评估时，只需要将指标数值输入，IAFSA-LSSVM评估模型就能计算出地下工程综合保障能力评估结果。
结论
地下工程综合保障能力是地下工程项目的关键性能指标，也是对地下工程其他领域研究的基础。本文在LSSVM预测模型的基础下，引入AFSA对模型参数、进行优化选定；而针对AFSA收敛速度慢和早熟收敛的缺点，通过视野和步长自适应设定以及引入精英反向学习机制进行改进得到IAFSA模型，使其更加具有应用性；之后，运用改进的IAFSA对LSSVM进行参数修正；最后，运用参数改进后的LSSVM对地下工程综合保障能力进行评价。实例表明，经过各种改进策略得到的评估模型的准确性能够满足工程所需要求，验证了本文所提策略的工程实用性。
Claims (10)
1.一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，具体步骤如下：
S1构建地下工程综合保障能力评估指标体系，获取地下工程综合保障能力评估指标得到训练样本集，对训练样本集进行预处理，根据预处理后的训练样本集构建LSSVM预测网络；
S2生成初始人工鱼群，根据自适应策略设定人工鱼群算法的视野和步长，计算人工鱼群觅食行为中每条人工鱼的适应度，根据适应度更新初始人工鱼群中的人工鱼状态；利用精英反向学习机制在更新后的人工鱼群中选出精英人工鱼个体，得到精英人工鱼群；计算精英人工鱼个体的反向解，得到反向解个体组成的反向人工鱼群，将精英人工鱼群及反向人工鱼群组成新的鱼群，将新的鱼群作为初始人工鱼群，重复上述步骤直至达到最大迭代次数Kmax或适应度值不再改变时停止，输出LSSVM预测网络的最优参数；
S3利用最优参数对LSSVM预测网络进行训练，得到训练好的IAFSA-LSSVM模型；
S4将待评估地下工程综合保障能力评估指标输入训练好的IAFSA-LSSVM模型中进行地下工程综合保障能力的评估。
2.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S1中，所述地下工程综合保障能力评估指标体系包括供配电保障分系统E、通风空调保障分系统A、给排水保障分系统W和综合保障分系统I。
3.根据权利要求2所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S1中，所述供配电保障分系统E、通风空调保障分系统A、给排水保障分系统W和综合保障分系统I共包括24个地下工程综合保障能力评估指标，具体为：
供配电保障分系统E包括发供电设施设备完好率、供电质量、照度、内接电阻、内外电源、切换时间、燃油供应和供电负荷；
通风空调保障分系统A包括通风空调设施设备完好率、空气参数检测与进化装置完好率、重点部位温湿度、换气次数与通风量、空气清洁度、噪声量和氧气再生装置与再生药品完好率；
给排水保障分系统W包括给排水设施设备完好率、应急排水与机动补水设备完好率、消防设施设备完好率、水质和水量；
综合保障分系统I包括信息处理平台与配套设备完好率、各分系统工作可靠性、抗干扰和防入侵能力、分区工作性能和上级指挥信息系统的互联互通能力。
4.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S1中，LSSVM的回归约束可以表示为
式中：||w||2为控制模型的复杂度；ei为训练的数据模型对样本数据预测的误差；C为正则化参数，表示控制样本超出误差的惩罚程度；
LSSVM预测网络为：
其中，拉格朗日乘子ai；K(xi，xj)为核函数；xi和yi分别为n维输入、一维输出向量；b为常数值偏差。
5.根据权利要求4所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S1中，LSSVM预测网络的核函数为径向基核函数，其表达式为：
式中：ε为核宽度系数；
6.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S2中，所述自适应策略为：
式中：Visual为视野；Visualmin为最小视野；Step为步长；Stepmin为最小步长；K为当前迭代数；Kmax为最大迭代数；λ为自适应系数。
7.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S2中，当人工鱼群算法的迭代次数达到2Kmax/3，引入精英反向学习机制。
8.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S2中，将人工鱼群中适应度大最大的人工鱼作为为精英人工鱼Xbest，
Xbest＝(e1，e2，…，ek)，ei∈(ai，bi) (10)
其中，(e1，e2，…，ek)是指精英人工鱼Xbest的状态，ei(i＝1，2，...k)表示状态向量，状态向量中第i个寻优变量的取值范围为(ai，bi)；ai，bi分别为寻优变量的上界和下界；
计算精英人工鱼个体Xbest的反向解
定义精英反向解个体中寻优变量
为：
式中：β为服从均匀分布的随机数，β∈(0，1)；da、db为动态边界，da＝min(e1，e2，…，ek)，db＝max(e1，e2，…，ek)；
当
不在(ai，bi)范围内时，令
其中，ai，bi分别为精英人工鱼个体Xbest中寻优变量ei的取值下界和上界，rand表示在(ai，bi)中随机取值。
9.根据权利要求1所述的一种基于IAFSA-LSSVM的地下工程综合保障能力评估方法，其特征在于，步骤S2中，最优参数为核宽度系数ε和正则化参数C。
10.一种基于IAFSA-LSSVM的地下工程综合保障能力评估系统，其特征在于，包括数据处理模块、预测网络构建模块、优化模块和评估模块，其中：
数据处理模块用于获取地下工程综合保障能力评估指标得到训练样本集，并对训练样本集进行预处理；
预测网络构建模块用于利用预处理后的训练样本集构建LSSVM预测网络；
优化模块用于利用自适应策略和精英反向学习机制优化后的人工鱼群算法得到LSSVM预测网络的最优参数，并利用最优参数对LSSVM预测网络进行训练得到IAFSA-LSSVM模型；
评估模块用于利用IAFSA-LSSVM模型对待评估的地下工程的综合保障能力进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111316311.5A CN113947332B (zh) | 2021-11-08 | 2021-11-08 | 一种地下工程综合保障能力的评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111316311.5A CN113947332B (zh) | 2021-11-08 | 2021-11-08 | 一种地下工程综合保障能力的评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113947332A true CN113947332A (zh) | 2022-01-18 |
| CN113947332B CN113947332B (zh) | 2024-06-07 |
Family
ID=79337772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111316311.5A Active CN113947332B (zh) | 2021-11-08 | 2021-11-08 | 一种地下工程综合保障能力的评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113947332B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116484848A (zh) * | 2023-03-17 | 2023-07-25 | 北京深维智讯科技有限公司 | 一种基于nlp的文本实体识别方法 |
| CN118378961A (zh) * | 2024-06-25 | 2024-07-23 | 大连必忠建筑工程有限公司 | 基于大数据的建筑工程建造质量评价方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
| CN105224738A (zh) * | 2015-09-23 | 2016-01-06 | 上海大学 | Lssvm非高斯脉动风速预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-11-08 CN CN202111316311.5A patent/CN113947332B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
| CN105224738A (zh) * | 2015-09-23 | 2016-01-06 | 上海大学 | Lssvm非高斯脉动风速预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (1)
| Title |
|---|
| 宋学伟: "含波动性能源的主动配电网优化调度与孤岛划分研究", 《优秀硕士学位论文全文库 工程科技Ⅱ辑》, no. 01, 15 January 2021 (2021-01-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116484848A (zh) * | 2023-03-17 | 2023-07-25 | 北京深维智讯科技有限公司 | 一种基于nlp的文本实体识别方法 |
| CN116484848B (zh) * | 2023-03-17 | 2024-03-29 | 北京深维智讯科技有限公司 | 一种基于nlp的文本实体识别方法 |
| CN118378961A (zh) * | 2024-06-25 | 2024-07-23 | 大连必忠建筑工程有限公司 | 基于大数据的建筑工程建造质量评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113947332B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340273A (zh) | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 | |
| Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
| CN113947332A (zh) | 一种地下工程综合保障能力的评估方法及系统 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| CN110826774B (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
| CN110781406A (zh) | 一种基于变分自动编码器的社交网络用户多属性推断方法 | |
| CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| CN110751355A (zh) | 一种科技成果评估方法和装置 | |
| CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN111200141A (zh) | 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法 | |
| CN116027829A (zh) | 机房温度控制方法、装置、设备及存储介质 | |
| Sheng et al. | An optimized prediction algorithm based on XGBoost | |
| CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| CN113255223A (zh) | 一种空调负荷短期预测方法及系统 | |
| CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
| CN117521501A (zh) | 基于nsga的lstm预测性能源发电方法及系统 | |
| CN117522066A (zh) | 一种基于调峰电源设备组合预测的联合优化方法及系统 | |
| CN110059871A (zh) | 光伏发电功率预测方法 | |
| Li et al. | Application of organizational project management maturity model based on BP neural network | |
| CN112785022B (zh) | 一种挖掘电能替代潜力的方法及系统 | |
| CN115329937A (zh) | 一种风机运维数据驱动的lstm-sa神经网络超短期功率预测方法 | |
| CN113642784A (zh) | 一种计及风机状态的风电功率超短期预测的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |