CN117574255B - 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 - Google Patents
一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 Download PDFInfo
- Publication number
- CN117574255B CN117574255B CN202311728762.9A CN202311728762A CN117574255B CN 117574255 B CN117574255 B CN 117574255B CN 202311728762 A CN202311728762 A CN 202311728762A CN 117574255 B CN117574255 B CN 117574255B
- Authority
- CN
- China
- Prior art keywords
- pelican
- algorithm
- slope
- support vector
- vector machine
- 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.)
- Active
Links
- 241000272194 Ciconiiformes Species 0.000 title claims abstract description 136
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 131
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013524 data verification Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 241000254158 Lampyridae Species 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101000664887 Homo sapiens Superoxide dismutase [Cu-Zn] Proteins 0.000 description 1
- 102100038836 Superoxide dismutase [Cu-Zn] Human genes 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及边坡工程技术领域，具体涉及一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法。所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，包括以下步骤：获取边坡数据样本，通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集；设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法；基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型；利用训练好的支持向量机预测优化模型，对边坡安全系数进行预测。本发明通过改进鹈鹕算法后优化支持向量机预测模型，只需利用边坡影响因素即可快速准确预测边坡安全系数。
Description
技术领域
本发明涉及边坡工程技术领域，具体涉及一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法。
背景技术
山体滑坡作为世界三大自然灾害之一，对人员的生命安全和财产损失有着严重威胁，滑坡的预防至关重要，边坡稳定性的及时准确分析是边坡预防的重要环节。边坡安全系数是评价边坡稳定性的重要指标，国内外在边坡稳定性评价研究中，通过跨学科组合的方法建立了各种新研究模型，有效推动了边坡稳定性评价领域的发展，关于边坡安全系数的评价方法包括定性研究方法、数值分析方法、极限平衡分析方法和基于数据不确定性的智能算法等，但是数值模拟方法的建模过程较为繁琐，工程地质类比法需要搜集大量的工程资料，并且边坡系统的复杂性和多重不确定性，传统单一数据的参数分析方法无法满足要求，寻找到一种能快速、稳定，只需利用边坡影响因素参数即可预测边坡安全系数的方法就显得很有必要了。
发明内容
针对现有方法的不足以及实际应用的需求，为了解决复杂边坡采用单一参数预测边坡安全系数准确度低的问题。本发明提供一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，包括以下步骤：获取边坡数据样本，通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集；设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法；基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型；利用训练好的支持向量机预测优化模型，对边坡安全系数进行预测。本发明通过算法优化策略改进鹈鹕算法，消除了鹈鹕算法中随着迭代次数的增加易陷入局部最优的缺点，利用改进的鹈鹕算法确定支持向量机预测优化模型的核函数和惩罚系数，再通过多维度真实数据对支持向量机预测优化模型进行训练和验证，解决了复杂边坡采用单一参数预测边坡安全系数准确度低的问题，只需利用边坡影响因素参数即可快速、稳定准确地预测边坡安全系数，提高了预测边坡稳定的工作效率，节省了时间成本。
可选地，所述通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集，包括以下步骤：对所述边坡数据样本进行归一化处理，将处理后的数据按照设定比例随机划分，获得所述边坡数据训练集和所述边坡数据验证集；所述边坡数据样本包括边坡安全评价指标和对应的边坡安全系数值；所述归一化处理满足以下公式：其中，/>表示归一化处理后的值，xi表示原始值，min(xi)表示数据样本中最小值，max(xi)表示数据样本中最大值。通过对数据的归一化处理，统一了各参数量纲，将处理后的数据按照设定比例随机划分，有利于提高本发明的适用性。
可选地，所述设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法，包括以下步骤：设置算法优化策略，所述算法优化策略包括第一策略、第二策略和第三策略；获取动态权重因子，通过所述动态权重因子优化鹈鹕的位置更新算法，获得动态自适应权重鹈鹕算法；结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法。本发明将动态权重因子增加到鹈鹕的位置更新算法，消除了鹈鹕算法中随着迭代次数的增加易陷入局部最优的缺点，有效提高了本发明准确度。
可选地，所述第一策略为萤火扰动策略，所述第二策略为柯西变异策略，所述第三策略为反向学习策略；所述动态权重因子满足以下公式：所述动态自适应权重鹈鹕算法满足以下公式：其中，ω表示动态权重因子，e表示自然对数的底，t表示当前迭代次数，itermax表示最大迭代次数，/>表示第i个鹈鹕的第j维的新位置，Xi,j表示第i个鹈鹕的位置，Pi,j表示第i个鹈鹕的猎物的位置，I表示1或2的随机整数，/>表示第i个鹈鹕的猎物的位置的目标函数值，Fi表示第i个鹈鹕的适应度值，F表示鹈鹕种群的目标函数向量，/>表示基于第1阶段更新后第i个鹈鹕的目标函数值。
可选地，所述鹈鹕改进算法满足以下公式：其中，/>表示鹈鹕种群最新位置更新参数，X′,j表示第t代的最优解的反解，b1表示信息交换控制系数，Xi,j表示第i个鹈鹕的位置，/>表示最新鹈鹕个体对应的适应度；Fi表示当前萤火虫位置的适应度值，Cauchy(0,1)满足标准的柯西分布，Cauchy表示/>的柯西变异算子。
本发明通过公式计算的方式得到鹈鹕种群最新位置，可以准确、快速地得到相关数据，进一步提高本发明的准确度。
可选地，所述结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法，还包括以下步骤：将最新鹈鹕个体未更新位置的适应度值与新位置的适应度值进行比较，获得较优位置，所述较优位置满足以下公式：其中，Xi,j表示第i个鹈鹕未更新的位置，/>表示鹈鹕种群最新位置更新参数，/>表示新位置的适应度值，f(Xi,j)表示未更新位置的适应度值。本发明通过判断最新鹈鹕个体未更新位置的适应度值与新位置的适应度值，确定是否更新最新鹈鹕个体的位置，提高了本发明的效率。
可选地，所述的柯西变异算子满足以下公式：其中，X′i,j表示第t代的最优解的反解，ub表示上边界，lb表示下边界，rand服从[0,1]标准均匀分布的随机矩阵，b1表示信息交换控制系数，itermax表示最大迭代次数，t表示当前迭代次数，η表示柯西分布随机变量生成的函数，ξ表示0到1的随机数，/>表示鹈鹕种群最新位置更新参数，Xi,j表示第i个鹈鹕的位置，cauchy(0,1)满足标准的柯西分布。本发明提出的柯西变异算子能够加快收敛速度，减少迭代次数，进一步提高了本发明的效率。
可选地，当时，rand产生的随机数小于反向学习率，所述反向学习率满足以下公式：Ps＝-exp(1-t/itermax)20+θ，其中，Ps表示反向学习率，θ表示调整参数，θ＝0.08，itermax表示最大迭代次数，t表示当前迭代次数。当/>时，本发明通过对rand产生的随机数进行限制，进一步加快了收敛速度，减少了迭代次数。
可选地，所述基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型，包括以下步骤：构建支持向量机预测模型；通过所述鹈鹕改进算法，修正所述支持向量机预测模型的核函数和惩罚系数，获得所述支持向量机预测优化模型；通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型。本发明通过构造机器学习模型并修正部分参数，结合多维度真实参数数据进行训练和验证，提高了模型预测结果的准确性和可靠性。
可选地，所述支持向量机预测模型，满足以下公式：其中，w表示超平面的法向量，C表示惩罚参数，ξi表示第i个松弛变量，b表示偏置，N表示自然数集，x表示特征向量，引入拉格朗日函数为：其中，αi表示拉格朗日乘子，k(xi,yi)表示核函数；将所述核函数表示为:/>所述支持向量机预测模型表示为：其中，σ表示径向基函数的扩展常数，gamma表示惩罚系数。本发明将边坡安全系数输入向量与安全系数值之间的非线性关系，通过支持向量机预测模型映射至一个高维空间，并在高维空间内构造线性回归函数，提高了本发明的适用性。
附图说明
图1为本发明的一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法流程图；
图2为鹈鹕算法改进前后结合不同机器学习模型对预测值结果分析图；
图3为本发明实施例的一种基于鹈鹕算法和支持向量机的边坡安全系数预测系统框架图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
请参阅图1，图1为本发明的一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法流程图，为了解决复杂边坡采用单一参数预测边坡安全系数准确度低的问题，本发明提供一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，包括以下步骤：
S1、获取边坡数据样本，通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集。
在一个实施例中，边坡数据样本包括边坡安全评价指标和对应的边坡安全系数值，其中边坡安全评价指标包括：密度、黏聚力、摩擦角、坡角、坡高和孔隙水压力六个因素，通过数据筛选，考虑地质条件和各种影响因素的差异，对边坡数据样本进行归一化处理，获得边坡数据集。如表1所示，表1为本实施例的边坡数据集，通过对数据集进行聚合和随机排列，结合设定的比例，获得49个边坡数据训练集和21个边坡数据验证集。
| 序号 | 密度 | 粘聚力 | 摩擦角 | 坡角 | 高度 | 孔隙系数 | 边坡安全系数 |
| 1 | 18.5 | 25 | 0 | 30 | 6 | 0.15 | 1.09 |
| 2 | 25 | 55 | 36 | 45.5 | 299 | 0.25 | 1.52 |
| 3 | 27 | 35 | 35 | 42 | 359 | 0.25 | 1.27 |
| 4 | 25 | 63 | 32 | 46 | 300 | 0.25 | 1.45 |
| 5 | 10 | 39.81 | 20.36 | 0.98 | 32.5 | 0.7 | 1.01 |
| 6 | 50 | 45 | 20 | 0 | 36 | 0.25 | 0.79 |
| 7 | 26.89 | 150 | 33 | 52 | 120 | 0.25 | 1.8 |
| 8 | 19.63 | 11.97 | 20 | 22 | 12.19 | 0.405 | 1.35 |
| 9 | 22.4 | 10 | 35 | 30 | 10 | 0.15 | 2 |
| 10 | 10 | 45 | 22.4 | 10 | 35 | 0.4 | 0.9 |
| … | … | … | … | … | … | … | … |
| 69 | 10.67 | 25 | 18.84 | 15.32 | 30 | 0.38 | 1.63 |
| 70 | 7.62 | 20 | 18.84 | 0 | 20 | 0.45 | 1.05 |
表1
在实施例中，对数据的归一化处理，满足以下公式：其中，/>表示归一化处理后的值，xi表示原始值，min(xi)表示数据样本中最小值，max(xi)表示数据样本中最大值。
S2、设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法。
在又一个实施例中，设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法，包括以下步骤：
S21、设置算法优化策略。
本实施例中，设置的算法优化策略包括第一策略、第二策略和第三策略，第一策略为萤火扰动策略，第二策略为柯西变异策略，第三策略为反向学习策略。可以理解的是，算法优化策略的目的在于提高鹈鹕算法的收敛速度和减少鹈鹕算法的迭代次数，解决鹈鹕算法容易形成局部优化的问题，基于此，算法优化策略在其他实施例中，还可以是高斯变异策略、t分布扰动变异策略、自适应t分布扰动变异策略。
S21、获取动态权重因子，通过所述动态权重因子优化鹈鹕的位置更新算法，获得动态自适应权重鹈鹕算法。
在本实施例中，设置的动态权重因子满足以下公式：获得的动态自适应权重鹈鹕算法满足以下公式：其中，ω表示动态权重因子，e表示自然对数的底，t表示当前迭代次数，itermax表示最大迭代次数，/>表示第i个鹈鹕的第j维的新位置，Xi,j表示第i个鹈鹕的位置，Pi,j表示第i个鹈鹕的猎物的位置，I表示1或2的随机整数，表示第i个鹈鹕的猎物的位置的目标函数值，Fi表示第i个鹈鹕的适应度值，F表示鹈鹕种群的目标函数向量，/>表示基于第1阶段更新后第i个鹈鹕的目标函数值。
S21、结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法。
在实施例中，将算法优化策略耦合到动态自适应权重鹈鹕算法，获得所述鹈鹕改进算法数学表征如下：其中，/>表示鹈鹕种群最新位置更新参数，X′i,j表示第t代的最优解的反解，b1表示信息交换控制系数，Xi,j表示第i个鹈鹕的位置，/>表示最新鹈鹕个体对应的适应度；Fi表示当前萤火虫位置的适应度值，Cauchy(0,1)满足标准的柯西分布，Cauchy表示/>的柯西变异算子。
在又一个实施例中，结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法，还需将最新鹈鹕个体未更新位置的适应度值与新位置的适应度值进行比较，获得较优位置，所述较优位置满足以下公式：其中，Xi,j表示第i个鹈鹕未更新的位置，/>表示鹈鹕种群最新位置更新参数，/>表示新位置的适应度值，f(Xi,j)表示未更新位置的适应度值；所述/>的柯西变异算子满足以下公式：/>其中，X′i,j表示第t代的最优解的反解，ub表示上边界，lb表示下边界，rand服从[0,1]标准均匀分布的随机矩阵，b1表示信息交换控制系数，itermax表示最大迭代次数，t表示当前迭代次数，η表示柯西分布随机变量生成的函数，ξ表示0到1的随机数，/>表示鹈鹕种群最新位置更新参数，Xi,j表示第i个鹈鹕的位置，cauchy(0,1)满足标准的柯西分布。
在实施例中，当时，rand产生的随机数应小于反向学习率，所述反向学习率满足以下公式：Ps＝-exp(1-t/itermax)20+θ，其中，Ps表示反向学习率，θ表示调整参数，优选地，θ＝0.08，itermax表示最大迭代次数，t表示当前迭代次数。
S3、基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型。
在实施例中，基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型，包括以下步骤：
S31、构建支持向量机预测模型。
构建的支持向量机预测模型，满足以下公式：其中，w表示超平面的法向量，C表示惩罚参数，ξi表示第i个松弛变量，b表示偏置，N表示自然数集，x表示特征向量，引入拉格朗日函数为：其中，αi表示拉格朗日乘子，k(xi,yi)表示核函数；
将所述核函数表示为: 所述支持向量机预测模型表示为：其中，σ表示径向基函数的扩展常数，gamma表示惩罚系数。
S32、通过所述鹈鹕改进算法，修正所述支持向量机预测模型的核函数和惩罚系数，获得所述支持向量机预测优化模型。
将从鹈鹕改进算法获得的核函数和惩罚系数，更新至支持向量机预测模型，获得支持向量机预测优化模型。
S33、通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型。
利用边坡数据训练集对支持向量机预测优化模型进行训练，再利用边坡数据验证集通过支持向量机预测优化模型获得验证预测值，计算支持向量机预测优化模型验证预测值与边坡数据验证集的均方误差(MSE)及相关系数(R2)，设置支持向量机预测优化模型的误差阈值，验证支持向量机预测优化模型的准确性；若支持向量机预测优化模型的误差大于误差阈值，则收集更多的边坡原始数据集，对支持向量机预测优化模型进行训练至支持向量机预测优化模型的误差小于所设置的误差阈值。
均方误差(MSE)满足以下公式：相关系数(R2)满足以下公式：其中，/>表示第i个样本的真实值，yi表示第i个样本预测值，/>表示样本均值，n表示测试集样本个数，i＝1,2,3,...,n，MSE表示均方误差，R2表示相关系数。
在实施例中，对比鹈鹕算法改进前后结合不同机器学习模型的预测结果，请参阅图2，图2为鹈鹕算法改进前后结合不同机器学习模型对预测值结果分析图，如图2所示，鹈鹕算法改进后结合不同机器学习模型预测的结果明显更接近真值，对比之下，鹈鹕算法改进后结合的机器学习模型的均方误差表现更优。
对预测值结果分析如表2所示，表2为鹈鹕算法改进前(POA)和鹈鹕算法改进后(IPOA)结合机器学习模型的预测值均方误差分析，其中，KNN模型在训练集和验证集的均方误差分别为0.0668和0.0835，最大差值为0.0167，拟合过度；而RF模型和Adaboost模型在训练集上的均方误差数值减小，这表明结合改进鹈鹕算法前的模型都会产生过拟合或欠拟合；支持向量机模型(SVR)在训练集和验证集上均方误差的差值减小到0.0011，而KNN、RF、Adaboost模型在训练集和验证集上均方误差的差值为0.0117、0.0342、0.0322，由此可见，鹈鹕算法改进后在优化支持向量机模型的效果最为明显，且鹈鹕算法改进后支持向量机模型预测最接近真值。此外，支持向量机模型在训练集和验证集的均方误差分别从0.0487和0.0704降低到0.0298和0.0309；KNN模型在训练集和验证集的均方误差分别从0.0668和0.0835降低到0.0407和0.0524；RF和Adaboost模型在从0.0467和0.076降低到0.0338和0.068；Adaboost模型在从0.0310和0.072降低到0.0294和0.0616，表示鹈鹕算法改进后寻优性能效果显著；与此同时，鹈鹕算法改进后支持向量机模型(IPOA-SVR)在训练集和验证集上的均方误差为0.0298和0.0369，均低于IPOA-KNN、IPOA-RF、IPOA-Adaboost模型在测试集上的均方误差，综述，鹈鹕算法改进后支持向量机模型对数据的拟合效果优于其他模型，在测试集上的均方误差最低，并且相关系数2为0.91，验证了本发明在边坡安全系数预测中的优越性。
表2
S4、利用训练好的支持向量机预测优化模型，对边坡安全系数进行预测。
在实施例中，结合实际的多维度边坡参数，通过上述训练好的支持向量机预测优化模型，获得边坡安全系数进行预测结果。
请参阅图3，图3为本发明实施例的一种基于鹈鹕算法和支持向量机的边坡安全系数预测系统框架图，在实施例中，为能够高效地执行本发明所提供的一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，本实施例还提供了一种基于鹈鹕算法和支持向量机的边坡安全系数预测系统，所述基于鹈鹕算法和支持向量机的边坡安全系数预测系统，包括：输入设备、输出设备、处理器、存储器，所述输入设备、输出设备、处理器、存储器相互连接，所述存储器包含程序指令，所述程序指令用于所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法的步骤。本实施例的一种基于鹈鹕算法和支持向量机的边坡安全系数预测系统结构紧凑、性能稳定，能够稳定地执行本发明的一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，进一步提升了本发明整体适用性和实际应用能力。
综上所述，本发明通过算法优化策略改进鹈鹕算法，消除了鹈鹕算法中随着迭代次数的增加易陷入局部最优的缺点，利用改进的鹈鹕算法确定支持向量机预测优化模型的核函数和惩罚系数，再通过多维度真实数据对支持向量机预测优化模型进行训练和验证，解决了复杂边坡采用单一参数预测边坡安全系数准确度低的问题，能快速、稳定，只需利用边坡影响因素参数即可预测边坡安全系数。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，包括以下步骤：
获取边坡数据样本，通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集；
设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法；
基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型；
利用训练好的支持向量机预测优化模型，对边坡安全系数进行预测；
所述边坡数据样本包括边坡安全评价指标和对应的边坡安全系数值，其中，所述边坡安全评价指标包括：密度、黏聚力、摩擦角、坡角、坡高和孔隙水压力六个因素；
所述设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法，包括以下步骤：
设置算法优化策略，所述算法优化策略包括第一策略、第二策略和第三策略；
获取动态权重因子，通过所述动态权重因子优化鹈鹕的位置更新算法，获得动态自适应权重鹈鹕算法；
结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法；
所述第一策略为萤火扰动策略，所述第二策略为柯西变异策略，所述第三策略为反向学习策略；
所述动态权重因子满足以下公式：
所述动态自适应权重鹈鹕算法满足以下公式：
其中，ω表示动态权重因子，e表示自然对数的底，t表示当前迭代次数，itermax表示最大迭代次数，表示第i个鹈鹕的第j维的新位置，Xi,j表示第i个鹈鹕的位置，Pi,j表示第i个鹈鹕的猎物的位置，I表示1或2的随机整数，/>表示第i个鹈鹕的猎物的位置的目标函数值，Fi表示第i个鹈鹕的适应度值，F表示鹈鹕种群的目标函数向量，/>表示基于第1阶段更新后第i个鹈鹕的目标函数值；所述鹈鹕改进算法满足以下公式：
其中，表示鹈鹕种群最新位置更新参数，X′i,j表示第t代的最优解的反解，b1表示信息交换控制系数，Xi,j表示第i个鹈鹕的位置，/>表示最新鹈鹕个体对应的适应度；Fi表示当前萤火虫位置的适应度值，Cauchy(0,1)满足标准的柯西分布，Cauchy表示/>的柯西变异算子。
2.根据权利要求1所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集，包括以下步骤：
对所述边坡数据样本进行归一化处理，将处理后的数据按照设定比例随机划分，获得所述边坡数据训练集和所述边坡数据验证集；
所述边坡数据样本包括边坡安全评价指标和对应的边坡安全系数值；
所述归一化处理满足以下公式：
其中，表示归一化处理后的值，xi表示原始值，min(xi)表示数据样本中最小值，max(xi)表示数据样本中最大值。
3.根据权利要求1所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法，还包括以下步骤：
将最新鹈鹕个体未更新位置的适应度值与新位置的适应度值进行比较，获得较优位置，所述较优位置满足以下公式：
其中，Xi,j表示第i个鹈鹕未更新的位置，表示鹈鹕种群最新位置更新参数，表示新位置的适应度值，f(Xi,j)表示未更新位置的适应度值。
4.根据权利要求1所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述的柯西变异算子满足以下公式：
其中，X′i,j表示第t代的最优解的反解，ub表示上边界，lb表示下边界，rand服从[0,1]标准均匀分布的随机矩阵，b1表示信息交换控制系数，itermax表示最大迭代次数，t表示当前迭代次数，η表示柯西分布随机变量生成的函数，ξ表示0到1的随机数，表示鹈鹕种群最新位置更新参数，Xi,j表示第i个鹈鹕的位置，cauchy(0,1)满足标准的柯西分布。
5.根据权利要求4所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，当时，rand产生的随机数小于反向学习率，所述反向学习率满足以下公式：
Ps＝-exp(1-t/itermax)20+θ，
其中，Ps表示反向学习率，θ表示调整参数，θ＝0.08，itermax表示最大迭代次数，t表示当前迭代次数。
6.根据权利要求1所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型，包括以下步骤：
构建支持向量机预测模型；
通过所述鹈鹕改进算法，修正所述支持向量机预测模型的核函数和惩罚系数，获得所述支持向量机预测优化模型；
通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型。
7.根据权利要求6所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，其特征在于，所述支持向量机预测模型，满足以下公式：
其中，w表示超平面的法向量，C表示惩罚参数，ξi表示第i个松弛变量，b表示偏置，N表示自然数集，x表示特征向量，引入拉格朗日函数为：
其中，αi表示拉格朗日乘子，K(xi,xj)表示核函数；
将所述核函数表示为:所述支持向量机预测模型表示为：
其中，σ表示径向基函数的扩展常数，gamma表示惩罚系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311728762.9A CN117574255B (zh) | 2023-12-15 | 2023-12-15 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311728762.9A CN117574255B (zh) | 2023-12-15 | 2023-12-15 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574255A CN117574255A (zh) | 2024-02-20 |
| CN117574255B true CN117574255B (zh) | 2024-05-14 |
Family
ID=89893906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311728762.9A Active CN117574255B (zh) | 2023-12-15 | 2023-12-15 | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574255B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN116611002A (zh) * | 2023-04-26 | 2023-08-18 | 昆明理工大学 | 一种基于鲸鱼算法优化支持向量机的边坡安全系数预测方法 |
| CN116628443A (zh) * | 2023-05-16 | 2023-08-22 | 西安工程大学 | 一种poa-svm变压器故障诊断方法及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022545275A (ja) * | 2019-08-24 | 2022-10-26 | フラッグシップ パイオニアリング イノベーションズ シックス，エルエルシー | 荷電脂質での植物メッセンジャーパックの修飾 |
-
2023
- 2023-12-15 CN CN202311728762.9A patent/CN117574255B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN116611002A (zh) * | 2023-04-26 | 2023-08-18 | 昆明理工大学 | 一种基于鲸鱼算法优化支持向量机的边坡安全系数预测方法 |
| CN116628443A (zh) * | 2023-05-16 | 2023-08-22 | 西安工程大学 | 一种poa-svm变压器故障诊断方法及电子设备 |
Non-Patent Citations (10)
| Title |
|---|
| A global best-guided firefly algorithm for engineering problems;Mohsen Zare 等;《Journal of Bionic Engineering》;20230517;第20卷;第2359–2388页 * |
| A Hybrid Golden Jackal Optimization and Golden Sine Algorithm with Dynamic Lens-Imaging Learning for Global Optimization Problems;Panliang Yuan 等;《Applied Sciences》;20220927;第12卷(第19期);第1-28页 * |
| An Effective Bridge Cracks Classification Method Based on Machine Learning;Xiaoyan Zhang 等;《Proceedings of the 2020 4th International Conference on Electronic Information Technology and Computer Engineering》;20210201;第790–794页 * |
| Chaotic binary pelican optimization algorithm for feature selection;Rama Krishna Eluri等;《International Journal of Uncertainty Fuzziness And Knowledge-Based Systems》;20230731;第31卷(第3期);第497-530页 * |
| PSO-Incorporated Hybrid Artificial Hummingbird Algorithm with Elite Opposition-Based Learning and Cauchy Mutation: A Case Study of Shape Optimization for CSGC–Ball Curves;Kang Chen 等;《Biomimetics》;20230818;第8卷(第4期);第1-44页 * |
| Slope stability prediction based on IPOARF algorithm: A case study of Lala Copper Mine, Sichuan, China;Mingliang Li 等;《Expert Systems with Applications》;20230601;第222卷(第9期);第1-22页 * |
| 变水位多工况下大型渠道土质边坡的稳定分析;张玉 等;《水利水电科技进展》;20100220;第30卷(第1期);第56-60页 * |
| 基于IGWO-SVM模型的边坡安全系数估算;欧阳东生;《江西冶金》;20221231;第42卷(第6期);第108-114页 * |
| 基于改进萤火虫优化算法和考虑空间变异特性的边坡最小安全系数确定研究;褚雪松 等;《建筑科学与工程学报》;20181115;第35卷(第6期);第94-101页 * |
| 基于柯西变异改进的萤火虫算法优化SVM模型在光伏发电功率预测中的应用;张仕清 等;《科学技术创新》;20210705;第17-18页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574255A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
| CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
| CN111163487B (zh) | 通信波形综合传输性能评价方法及系统 | |
| CN112016253A (zh) | 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法 | |
| CN116975567B (zh) | 服务器辐射抗干扰度测试方法、系统、设备及存储介质 | |
| CN108256693B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN111221249A (zh) | 一种用于数据中心系统群控的参数优化的方法 | |
| CN117574255B (zh) | 一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法 | |
| CN113032367A (zh) | 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统 | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
| CN113255223B (zh) | 一种空调负荷短期预测方法及系统 | |
| CN111813669B (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
| CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
| KR20130086083A (ko) | 리스크-프로파일 생성 장치 | |
| CN111340276A (zh) | 一种生成预测数据的方法及系统 | |
| CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| CN117236528B (zh) | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 | |
| CN117828377B (zh) | 一种基于公平加权因子的教育感知聚类方法及系统 | |
| CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 | |
| Mohanty et al. | Liquefaction susceptibility of soil using multi objective feature selection | |
| CN117057475A (zh) | 充电站负荷预测方法、装置、存储介质和计算机设备 |
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 | ||
| GR01 | Patent grant |