CN115018161A - 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 - Google Patents
基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 Download PDFInfo
- Publication number
- CN115018161A CN115018161A CN202210651041.1A CN202210651041A CN115018161A CN 115018161 A CN115018161 A CN 115018161A CN 202210651041 A CN202210651041 A CN 202210651041A CN 115018161 A CN115018161 A CN 115018161A
- Authority
- CN
- China
- Prior art keywords
- random forest
- african
- forest model
- rock burst
- bald eagle
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 72
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 65
- 241000511338 Haliaeetus leucocephalus Species 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000003642 hunger Nutrition 0.000 description 3
- 210000000554 iris Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000272184 Falconiformes Species 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,其特征在于,包括以下步骤:S1.收集岩爆案例数据,构建岩爆案例数据库;S2.对数据库进行分析及预处理,平衡数据集的类型;S3.通过非洲秃鹫优化算法对随机森林模型所需的超参数进行寻优;S4.根据步骤S3寻优获得的超参数,利用训练集对随机森林模型进行训练;S5.利用步骤S4中训练好的模型,进行预测。另外,本发明提供一种预测系统和设备以及存储介质。本发明预测准确率达到了94.44%,且本发明的AUC达到了0.9974,在岩爆预测方面具有优异的性能。
Description
技术领域
本发明属于岩土工程领域,也涉及计算机领域,尤其是一种岩爆智能预测方 法。
背景技术
岩爆是岩土工程建设中常见的地质灾害,容易发生在高地应力和干燥完整的 硬脆性岩体区域。目前,对于岩爆的定义已基本明确:岩爆是由于相关工作人员 的开挖扰动导致积聚高弹性应变能的围岩发生岩块弹射现象的工程地质灾害。岩 爆的发生是突发的、强烈的,而且岩石颗粒可以以8~50m/s的速度喷射出来,严 重威胁到了工作人员和设备的安全;并且,岩爆烈度的预测一直是岩土工程领域 中的难题。因此,对于岩爆的预测和预防的研究是非常有必要的。目前,众多学 者对岩爆的预测方法进行了较多的研究。总体上岩爆的预测方法大致可以分为三 类:第一类是基于工程实践和试验提出新的定量判据对岩爆进行预测;第二类是 基于岩爆影响因素的岩爆综合预测方法;第三类是基于现场监测所得的数据提出 新的岩爆预测手段。然而,岩爆的发生与许多因素有关,包括地质结构、采矿或 开挖方法、岩石力学性质和地应力,岩爆烈度的预测分级是一个非常复杂的非线 性过程。因此,目前的预测方法在工程上有很大的局限性。
鉴于这种情况,一些学者尝试使用机器学习方法来预测岩爆。虽然,研究中 采用的机器学习方法可以用于预测岩爆,但它们仍然存在一些缺点,如训练时间 长和预测准确率有待提高等问题。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于非洲秃鹫优化随机森林 模型的岩爆智能预测方法。
为了实现上述目的,本发明的技术方案如下:
基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,其特征在于,包括以 下步骤:S1.收集岩爆案例数据,构建岩爆案例数据库;S2.对数据库进行分析及 预处理,平衡数据集的类型;S3.通过非洲秃鹫优化算法对随机森林模型所需的 超参数进行寻优;S4.根据步骤S3寻优获得的超参数,利用训练集对随机森林模 型进行训练;S5.利用步骤S4中训练好的模型,进行预测。
进一步的,所述岩爆案例数据库的数据集包括以下参数:累积事件数、事件 率、累积释放能量对数、能量速率对数、累积视体积对数与视体积率对数。
进一步的,步骤S2中,当所有类型样本数量达到均衡后,需要再对其进行 标准化,将所有数据都映射到[-1,1]的区间内。
另外,本发明还提供一种基于非洲秃鹫优化随机森林模型的岩爆智能预测系 统,包括岩爆案例数据库模块、超参数寻优模块、随机森林模型训练模块和预测 模块。
所述岩爆案例数据库模块建立有岩爆案例数据集,所述岩爆案例数据集的初 始数据为平衡数据集。
所述超参数寻优模块,通过非洲秃鹫优化算法对随机森林模型需要的超参数 进行寻优。
另外,本发明还提供一种基于非洲秃鹫优化随机森林模型的岩爆智能预测设 备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基 于非洲秃鹫优化随机森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随机 森林模型的岩爆智能预测程序,配置有实现基于非洲秃鹫优化随机森林模型的岩 爆智能预测方法。
本发明还提供一种存储介质,所述存储介质上存储有基于非洲秃鹫优化随机 森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随机森林模型的岩爆智能 预测程序,在被执行时,实现基于非洲秃鹫优化随机森林模型的岩爆智能预测方 法。
采用以上技术方案,本发明的准确率达到了94.44%,在岩爆预测方面具有优 异的性能。与支持向量机(SVM)、决策树(DT)、概率神经网络(PNN)和随机森 林模型(RF)相比,本发明的准确率分别提高了5.5%、22.2%、11.1%和16.6%。 另外本发明的AUC=0.9974,大于其他所有模型的AUC值(支持向量机的 AUC=0.9568,决策树的AUC=0.8724,概率神经网络的AUC=0.8992,随机森林模 型的AUC=0.9136)。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并非是对本发明的 限定。
实施例1:
本发明基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,包括以下步骤:S1.收集岩爆案例数据,构建岩爆案例数据库;S2.对数据库进行分析及预处理, 平衡数据集的类型;S3.通过非洲秃鹫优化算法对随机森林模型所需的超参数进 行寻优;S4.根据步骤S3寻优获得的超参数,利用训练集对随机森林模型进行训 练;S5.利用步骤S4中训练好的模型,进行预测。
具体的,在步骤S1岩爆案例数据库的构建中,可以采用已有的研究成果数据, 也可以在实际工作中收集。
本发明选取与微破裂活动密切相关且能反应岩爆孕育规律的微震活动的6个 参数指标,分别为累积事件数(N)、事件率(n)、累积释放能量对数(Lg(E))、 能量速率对数(Lg(e))、累积视体积对数(Lg(V))与视体积率对数(Lg(v))。 通过选取的6个指标,建立了岩爆案例数据集,如表1所示。岩爆烈度按照常规 分级方式分为四级,分别为无岩爆、轻微岩爆、中等岩爆和强烈岩爆(用数字1~4 来表示)。
表1
建立好岩爆案例数据库后,需要在步骤S2中,对数据库进行分析及预处理。 具体如下:在岩爆数据集中,无岩爆样本29个(占37%)、轻微岩爆17个(占22%)、 中等岩爆21个(占27%)、强烈岩爆11个(占14%)。可以明显的看出该数据集存 在类别的不平衡,当使用不平衡的数据集对模型进行训练时,许多常用的机器学 习算法都不能得到很好的预测效果。原因是这些算法的目标函数通常是总体的准 确率(Accuracy),这就导致了算法过多地关注多数类的样本,而忽视了少数类的 样本。为了处理不平衡数据集给模型训练带来的问题,需要采用随机过采样技术, 随机复制少数类样本来增加其数量,或者继续采集现实数据,直至不同岩爆类别 的实例数量达到均衡。
当所有类型样本数量达到均衡后,需要再对其进行标准化,将所有数据都映 射到[-1,1]的区间内。
当数据都标准化后,在步骤S3中,通过非洲秃鹫优化算法对随机森林模型 需要的超参数进行寻优。随机森林模型需要确定的参数主要有两个,分别为每一 个分裂节点样本预测器的数量(mtry)和随机森林中分类树的数量(ntree),通过非洲 秃鹫优化算法对这两个参数进行寻优。
首先,确定种群的数量和算法的终止条件,即最大迭代次数。
随机森林模型需要优化的超参数为mtry和ntree,本发明依据超参数的上边界[300,6]和下边界[2,1],随机生成20个超参数可行解。终止条件,即最大迭 代次数为100。
计算适应度值,确定当前全部可行解中排名第一和第二的可行解。然后,随 机选择个体的移动方向(排名第一的秃鹫或第二的秃鹫)。移动方向指可行解朝 当前全部可行解中第一最好或者第二最好的可行解靠近,如下式(1)。
式中:R(i)为当前种群个体选择的最好的秃鹫;BestVulture1(i)为当前排名第一的秃 鹫;BestVulture2(i)为当前排名第二的秃鹫。Pi为当前种群个体的选择概率(通过 轮盘赌的方式确定);L1和L2分别是选择排名第一和第二秃鹰的概率参数。
之后,通过计算秃鹫个体的饥饿度来判断秃鹫是进入探索还是开发阶段,饥 饿率计算等式如下式(2):
式中,F为秃鹫的饥饿度;i为当前的迭代次数;n为总的迭代次数;z是在[-1, 1]的随机数;h是在[-2,2]的随机数;r0是在(0,1)的随机数;w为确定勘探和 开采阶段中断的参数。
秃鹫个体根据在不同阶段的位置更新策略更新位置。每个阶段具体的位置更 新公式可参考Abdollahzadeh等的《African vultures optimization algorithm: A newnature-inspired metaheuristic algorithm for global optimization problems》。
最后,达到终止条件后输出最优的超参数可行解。
该算法迭代过程中的适应度值是5倍交叉验证(5-fold cross-validation) 计算出的错误分类率(misclass)的均值。5倍交叉验证是通过将数据集数据划分 为5份;然后,轮流将其中的4份作为训练集1份作为测试集,分别进行模型训 练和测试。
确定好超参数后,在步骤S4中,在随机森林模型中,设置确定好的超参数, 并利用数据库中的训练集进行训练。步骤S3得到最优的超参数为mtry=2和ntree=41。 这说明将建立一个包含41棵决策树的随机森林模型。其中,每棵树在建立过程 中将从累积事件数、事件率、累积释放能量对数、能量速率对数、累积视体积对 数与视体积率对数中随机选取两个特征作为节点分类属性。然后通过计算基尼来 判断随机选择的两个特征作为是否为最优分类属性,计算公式如下:
式中,D代表数据集,y是岩爆类别,p是每类在总数据集中的比例,Gini(DV)是 类V的基尼值,|D|表示实例数,DV表示V类的实例数,a表示需要划分的特征。 按照上述规则并行训练41棵树,得到训练好的非洲秃鹫-随机森林模型。
在得到训练好的非洲秃鹫-随机森林模型(AVOA-RF)后,为了进一步验证基 于非洲秃鹫-随机森林模型(AVOA-RF)岩爆预测模型的性能,本发明与不同的岩 爆预测模型对同样的岩爆数据进行预测的结果进行了对比分析。本发明选用了支 持向量机(SVM)、决策树(DT)和概率神经网络(PNN)、随机森林(RF)模型进行对比。 这4个模型的构建同样都是基于上述已经预处理的训练集。模型建立完成后带入 测试集,得到相应的评估指标的值,如表2所示。
其中的准确率、精确率、召回率和F1值(F1-score)计算公式如下:
其中,TP指正例样本被正确分为正例的数目;TN指负例样本被正确分为负例的 数目;FP为负例样本被错误分为正例样本的数目;FN为正例样本被错误分为负 例的样本数。
表2
从表2可以看出,本发明非洲秃鹫-随机森林模型模型(AVOA-RF)的准确率 达到了94.44%,这表明所提出的非洲秃鹫-随机森林模型模型(AVOA-RF)在岩爆 预测方面具有优异的性能。与支持向量机(SVM)、决策树(DT)、概率神经网络 (PNN)和随机森林模型(RF)相比,本发明的准确率分别提高了5.5%、22.2%、 11.1%和16.6%。另外本发明的AUC=0.9974,大于其他所有模型的AUC值(支持 向量机的AUC=0.9568,决策树的AUC=0.8724,概率神经网络的AUC=0.8992,随 机森林模型的AUC=0.9136)。
同时,本发明在实际应用中也有相关实例,列出部分如下:
锦屏二级水电站位于中国四川省境内,共有四条引水隧洞,洞线平均长度约 为16.67km,开挖洞径13m,上覆岩体一般埋深1500-2000m,最大埋深约为2525m。 该隧道的主要岩性为大理岩,具有较高的脆性和强度。选取锦屏二级水电站3# 引水隧洞的2个实际岩爆案例数据进行对比分析,预测结果见表3。从表3可以 看出,3#引水隧洞的两个岩爆案例都被预测正确。因此,本发明所提出的集成分 类器在预测岩爆风险方面是可行和有效的。
表3
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保 护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其 中的部分或者全部来实现发明的目的,此处不做限制。
实施例2:此外,本发明实施例还提出一种基于非洲秃鹫优化随机森林模型 的岩爆智能预测系统,包括岩爆案例数据库模块、超参数寻优模块、随机森林模 型训练模块和预测模块。
所述岩爆案例数据库模块建立有岩爆案例数据集,所述岩爆案例数据集的初 始数据为平衡数据集(即岩爆类别保持平衡,如果不平衡需要继续收集不同岩爆 类别的数据,直至数据集达到平衡)。
所述超参数寻优模块,通过非洲秃鹫优化算法对随机森林模型需要的超参数 进行寻优。
所述预测模块通过输入预测参数值,并利用训练好的随机森林模型进行预测, 并输出预测结果。
本实施例仅仅是对本发明系统,所作的基本表述,未在本实施例中详尽描述 的技术细节,可参见本发明任意实施例所提供方法,此处不再赘述。
实施例3:本领域的技术人员可以清楚地了解到上述实施例的系统及方法可 借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情 况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说 对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品 存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、 光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,节点设 备,或者网络设备等)执行本发明各个实施例所述的方法。
所以,本发明还提供了一种基于非洲秃鹫优化随机森林模型的岩爆智能预测 设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的 基于非洲秃鹫优化随机森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随 机森林模型的岩爆智能预测程序,配置有实现基于非洲秃鹫优化随机森林模型的 岩爆智能预测方法。
另外,本发明还提供一种存储介质,所述存储介质上存储有基于非洲秃鹫优 化随机森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随机森林模型的岩 爆智能预测程序,在被执行时,实现基于非洲秃鹫优化随机森林模型的岩爆智能 预测方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用 本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相 关的技术领域,均包括在本发明的专利保护范围内。
Claims (6)
1.基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,其特征在于,包括以下步骤:S1.收集岩爆案例数据,构建岩爆案例数据库;S2.对数据库进行分析及预处理,平衡数据集的类型;S3.通过非洲秃鹫优化算法对随机森林模型所需的超参数进行寻优;S4.根据步骤S3寻优获得的超参数,利用训练集对随机森林模型进行训练;S5.利用步骤S4中训练好的模型,进行预测。
2.根据权利要求1所述的基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,其特征在于,所述岩爆案例数据库的数据集包括以下参数:累积事件数、事件率、累积释放能量对数、能量速率对数、累积视体积对数与视体积率对数。
3.根据权利要求1所述的基于非洲秃鹫优化随机森林模型的岩爆智能预测方法,其特征在于,步骤S2中,当所有类型样本数量达到均衡后,需要再对其进行标准化,将所有数据都映射到[-1,1]的区间内。
4.基于非洲秃鹫优化随机森林模型的岩爆智能预测系统,其特征在于,包括岩爆案例数据库模块、超参数寻优模块、随机森林模型训练模块和预测模块;
所述岩爆案例数据库模块建立有岩爆案例数据集,所述岩爆案例数据集的初始数据为平衡数据集;
所述超参数寻优模块,通过非洲秃鹫优化算法对随机森林模型需要的超参数进行寻优。
5.基于非洲秃鹫优化随机森林模型的岩爆智能预测设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于非洲秃鹫优化随机森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随机森林模型的岩爆智能预测程序,配置有实现如权利要求1-3所述的基于非洲秃鹫优化随机森林模型的岩爆智能预测方法。
6.存储介质,所述存储介质上存储有基于非洲秃鹫优化随机森林模型的岩爆智能预测程序,所述基于非洲秃鹫优化随机森林模型的岩爆智能预测程序,在被执行时,实现如权利要求1-3所述的基于非洲秃鹫优化随机森林模型的岩爆智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651041.1A CN115018161A (zh) | 2022-06-10 | 2022-06-10 | 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651041.1A CN115018161A (zh) | 2022-06-10 | 2022-06-10 | 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018161A true CN115018161A (zh) | 2022-09-06 |
Family
ID=83073875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210651041.1A Pending CN115018161A (zh) | 2022-06-10 | 2022-06-10 | 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018161A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511386A (zh) * | 2022-11-09 | 2022-12-23 | 武汉大学 | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 |
-
2022
- 2022-06-10 CN CN202210651041.1A patent/CN115018161A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511386A (zh) * | 2022-11-09 | 2022-12-23 | 武汉大学 | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Research on anti-money laundering based on core decision tree algorithm | |
CN109918505B (zh) | 一种基于文本处理的网络安全事件可视化方法 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
Shimada et al. | Class association rule mining with chi-squared test using genetic network programming | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及系统 | |
CN112232522B (zh) | 一种深部巷道支护方案智能推荐及动态优化方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN105871879A (zh) | 网元异常行为自动检测方法及装置 | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN110309198A (zh) | 一种基于分布式数据流处理的局部节点挖掘方法 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
Yin et al. | A novel tree-based algorithm for real-time prediction of rockburst risk using field microseismic monitoring | |
CN115018161A (zh) | 基于非洲秃鹫优化随机森林模型的岩爆智能预测方法 | |
CN115980826A (zh) | 一种基于加权的元启发式组合模型的岩爆烈度预测方法 | |
Deng et al. | Fuzzy rule based classification method of surrounding rock stability of coal roadway using artificial intelligence algorithm | |
Wu et al. | A low-sample-count, high-precision Pareto front adaptive sampling algorithm based on multi-criteria and Voronoi | |
Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
Li et al. | A rockburst prediction model based on extreme learning machine with improved Harris Hawks optimization and its application | |
Li et al. | Research and application of an intelligent prediction of rock bursts based on a Bayes-optimized convolutional neural network | |
CN117763413A (zh) | 一种基于风险普查数据的单体建筑物震害快速评估方法 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
Qiu et al. | Rockburst prediction based on distance discrimination method and optimization technology-based weight calculation method | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 |
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 |