论文部分内容阅读
边坡的位移情况是其稳定性的关键因素,所以对边坡位移的监测和预测在工程施工中必不可少,通过建立有效的预测模型来分析边坡位移的规律及趋势,确定边坡的稳定性,是边坡位移预测的最终目的。针对目前常用的预测模型在模型建立和预测精度上都存在一定的问题,本文在支持向量机回归机的理论基础上,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法的信息素生成策略,将此组合优化算法用于优化支持向量机参数,最终建立起基于此组合算法的支持向量机预测模型应用于边坡位移预测中。本文首先阐述了边坡位移预测的研究背景及意义,以及目前边坡变形预测和支持向量机的研究现状,并介绍了基本遗传算法和蚁群算法以及支持向量机的相关理论知识。针对在建立支持向量机边坡预测模型中核函数选取的问题,开展了研究工作,选取了目前常用的两种核函数分别建立起预测模型进行了预测实验,结果表明应用高斯径向基核函数在建立边坡预测模型中具有更好的预测效果。故本文选取高斯径向基核函数来开展基于组合算法建立支持向量机边坡预测模型的研究工作。其次为了解决支持向量机参数选取的问题,提出将遗传算法和蚁群算法组合起来,并改进蚁群算法中的信息素生成策略,将其应用于支持向量机的参数寻优中。为了验证组合算法的优势性,进行了商旅求最短路径的实验研究,结果表明组合算法的优化性能要比这两种算法的优化性能更高。故将此组合算法应用于支持向量机参数的寻优中,并构建基于组合优化算法的支持向量机边坡预测模型。最后将此模型应用于两个工程实例中,通过编写的Matlab程序,对其进行实验,并与分别应用遗传算法和蚁群算法优化建立的支持向量机预测模型进行精度比较,以平均相对误差给予评价。最终实验结果表明,基于遗传算法优化构建的支持向量机边坡预测模型其所预测的平均相对误差为3.07%和3.21%,基于蚁群算法所构建的预测模型其平均相对误差为1.82%和1.63%,而基于组合优化算法所构建的预测模型其平均相对误差为1.02%和0.97%。可见,基于组合算法优化支持向量机参数的边坡预测模型具有着更好的预测效果,可应用于实际工程之中。