随着经济和城市社会的不断发展,高层楼房、高架桥梁等高层建筑物迅速崛起,近几年由于忽略地基安全沉降问题的监测所带来的事故频频发生,地基的安全沉降监测已成为一个热门的行业,地基的安全沉降问题也已越来越受到人们的广泛关注,近几年,为探索出一种有效的预测地基沉降的方法,许多学者从理论与实践等多方面进行了众多的探索与研究,取得了一定的成效,但也存在着很多的问题与缺陷。而本文根据地基沉降观测的特点,以及目前在预测方法研究领域所广泛研究的热点方法,采用了小波分析、神经网络、智能优化算法等方法,并对目前广泛研究的一些智能优化算法的缺点进行了多方面的改进与比较,通过改进方法与传统方法的实验结果对比分析发现,本文的几种改进方法都取了较好的效果。本文以岩溶地质条件下建筑物地基沉降数据为实验研究对象,根据地基沉降观测数据易混入噪声的特点,首先用小波分析对地基沉降数据进行处理,去除掉其中的噪声,然后将去噪后的数据分为两类,一类用于神经网络的学习,另一类用于神经网络的测试,并为改善神经网络的学习速度和效果,采用了粒子群优化算法、模拟退火算法、克隆免疫优化算法、混沌优化算法等常用智能优化算法来优化神经网络的参数。本文针对粒子群优化算法易陷入局部最优值和收敛速度慢等的缺点,进行了多方面的改进探索与研究,主要改进方法有以下几个方面:一是多算法混合优化的改进,多种算法混合起来共同优化一个问题。任何算法都有它的局限性,单一算法更易暴露其自身的缺陷,而多种不同算法混合起来并行运行,共同优化同一个问题,这样就能够很好的相互吸引对方的优点和弥补自己的缺点。二是多种群多策略的改进方法。在该方法中种群划分为多个子群,种群中的所有粒子根据自身当前的适应性,将其动态分配到不同的子群中,并对不同的子群采用不同的粒子更新策略,这样就能够避免传统算法中整个种群采用统一更新公式的盲目行为,从而使算法有效避免陷入局部最优值。第三种改进方法是基于多样性控制的思想。受多样性控制思想的启发,在该方法中对粒子群更新公式中的惯性权重的确定方法进行了改进,惯性权重由随迭代次数非线性递减的函数和一随机扰动项共同确定,这个扰动项具有动态自适应调整的特点,它可以根据当前粒子群的多样性的好坏来动态的自适应的调整幅度大小和范围,即当种群多样性差的时候这个扰动项就会有一个大的值,这样就会使惯性权重具有较大的值,大的惯性权重有助于算法进行全局搜索,因而也就有助于使算法跳出局部最优值;当种群多样性好的时候,这个扰动项就会小些,这样就会使惯性权重具有一个较小的值,小的惯性权重有助于算法进行局部搜索,扰动项的存在可以使惯性权重在一个值附近进行小范围的左右摆动,能够使算法在局部最优值附近进行精细搜索,从而能够提高算法寻找到全局最优值的速度和精度,因为通常全局最优值总是在局部最优值附近或离局部最优值不会太远。同时为进一步提高算法搜索的精度,在算法搜索过程中引用了具有较强全局搜索能力变尺度混沌搜索等算法。第四种改进方法是多模型的改进方法,即根据粒子的二阶原点距将粒子划分为不同模型,针对不同的模型采用不同的粒子更新方式,并与较强全局搜索能力的变尺度混沌优化算法结合来提高算法搜索精度。以上这些改进方法通过大量实验对比分析发现均取得了非常好的效果。