论文部分内容阅读
随着测量技术的发展,大坝变形监测数据越来越复杂,对大坝变形数据进行处理与分析,建立准确的变形预测模型,可为大坝安全使用提供科学决策依据。针对传统变形预测模型对监测数据要求较高或定量关系描述困难的缺陷,提出一种基于改进人工蜂群算法(IABC)优化的最小二乘支持向量机(LSSVM)模型并应用于大坝变形预测中。首先,针对ABC算法的不足提出了三条改进措施。其一,ABC算法随机生成初始种群的方式具有不确定性,因此提出了正反向学习方式的双种群初始化策略,并给出了逐代交换当前最优解的公式,丰富种群多样性的同时,使初始种群更均匀、更合理地分布在解空间;其二,ABC算法以随机方向、随机步长搜索解,容易陷入局部极值,因此在搜索公式中加入当前最优解,同时设计了自适应权重函数指导搜索解的方向和速度;其三,ABC算法以贪婪法则淘汰所有差解,限制了算法的勘探能力,因此引入Metroplis准则替代贪婪法则并设计了自适应降温函数控制接受差解的概率,平衡了算法的勘探及开发能力。将三条改进措施结合原始ABC算法得到IABC算法,通过四个基准函数测试IABC算法的优化性能,结果表明:相比于ABC算法,IABC算法求解的最优值及10次测验的平均值均更靠近实际值,且标准差有着数倍的降低。说明了IABC算法的有效性。其次,构建了基于IABC算法优化的LSSVM大坝变形预测模型。LSSVM预测误差的最小值即为IABC算法的最终目标值,因此构造以核参数及细则化参数为自变量的LSSVM预测误差式并作为IABC算法的目标函数式,通过IABC算法求解最佳参数组合,代入LSSVM从而构建出IABC-LSSVM大坝变形预测模型。最后,对IABC-LSSVM大坝变形预测模型进行实际应用。以官地水电站大坝实测累积沉降值为例,实验结果表明:与其它四个预测模型的结果对比,在平均绝对误差、平均绝对百分比误差、均方根误差三项评价指标测算中,ABC-LSSVM模型分别为0.396mm、10.56%、0.487mm,GS-LSSVM模型分别为0.313mm、7.75%、0.433mm,GA-LSSVM模型分别为0.463mm、13.46%、0.614mm,PSO-LSSVM模型分别为0.410mm、12.47%、0.473mm,而IABC-LSSVM模型分别为0.189mm、4.82%、0.256mm,其各项误差指标均为最小,表现出高精度、强稳定性特点,从而为大坝的安全监测提供了参考依据。