馬熹焱，關(guān)順，劉亮

（1.煤科集團(tuán)沈陽(yáng)研究院有限公司，遼寧撫順113122；2.遼寧工程技術(shù)大學(xué)研究生學(xué)院，遼寧阜新123000；3.華能呼倫貝爾能源開(kāi)發(fā)有限公司，內(nèi)蒙古呼倫貝爾021008）

基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的撫順西露天礦邊坡位移預(yù)測(cè)

馬熹焱1，關(guān)順2，劉亮3

（1.煤科集團(tuán)沈陽(yáng)研究院有限公司，遼寧撫順113122；2.遼寧工程技術(shù)大學(xué)研究生學(xué)院，遼寧阜新123000；3.華能呼倫貝爾能源開(kāi)發(fā)有限公司，內(nèi)蒙古呼倫貝爾021008）

通過(guò)改進(jìn)遺傳算法對(duì)邊坡位移預(yù)測(cè)精度進(jìn)行預(yù)測(cè)。使用撫順西露天南幫邊坡的雷達(dá)位移監(jiān)測(cè)數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)、未改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)、改進(jìn)后的遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得出預(yù)測(cè)數(shù)據(jù)，并作對(duì)比分析。結(jié)果表明：與真實(shí)測(cè)得的位移數(shù)據(jù)相比，改進(jìn)后的遺傳神經(jīng)網(wǎng)絡(luò)的位移預(yù)測(cè)誤差最小，預(yù)測(cè)結(jié)果精度最大。

改進(jìn)遺傳算法；神經(jīng)網(wǎng)絡(luò)；西露天礦；位移；預(yù)測(cè)

0 引言

我國(guó)是一個(gè)地質(zhì)災(zāi)害頻發(fā)的國(guó)家，露天礦邊坡失穩(wěn)破壞勢(shì)會(huì)給生產(chǎn)和人民的生命財(cái)產(chǎn)安全帶來(lái)巨大的破壞[1]。撫順西露天礦南幫邊坡表面巖體風(fēng)化嚴(yán)重、巖體破碎，處于硬巖風(fēng)化帶范圍內(nèi)。目前礦體南幫出現(xiàn)一些巖體錯(cuò)位現(xiàn)象，對(duì)邊坡進(jìn)行監(jiān)測(cè)，掌握邊坡的變形規(guī)律，對(duì)于預(yù)防邊坡失穩(wěn)誘發(fā)的地質(zhì)災(zāi)害，確保礦產(chǎn)資源的安全開(kāi)采，具有重要的理論和現(xiàn)實(shí)意義[2]。

（人工）神經(jīng)網(wǎng)絡(luò)（NN，Neural Network）是通過(guò)數(shù)學(xué)方法對(duì)人腦若干基本特征的抽象和模擬，它用物理可實(shí)現(xiàn)的系統(tǒng)來(lái)模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能[3]是由一組功能簡(jiǎn)單的信息處理單元（即神經(jīng)元）在一定聯(lián)接方式下構(gòu)成的動(dòng)力學(xué)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)模型迄今為止已經(jīng)有大約數(shù)百種，大多都是反映人腦的某方面特性。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)以梯度算法為基礎(chǔ)進(jìn)行學(xué)習(xí)，對(duì)初始權(quán)值有很強(qiáng)的敏感性，學(xué)習(xí)過(guò)程容易陷入局部收斂或不收斂。用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化是一種比較常用的方法，可以在一定程度上提高預(yù)測(cè)精度。本文對(duì)遺傳算法進(jìn)行改進(jìn)，使其進(jìn)一步優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation)又稱誤差反向傳播多層前饋神經(jīng)網(wǎng)絡(luò)。近年來(lái)，隨著人工智能和神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)已越來(lái)越頻繁的被用于邊坡的穩(wěn)定性分析，將神經(jīng)網(wǎng)絡(luò)的最精華的部分體現(xiàn)了出來(lái)[4]。BP神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層和輸出層3個(gè)神經(jīng)元層次組成。從輸入層節(jié)點(diǎn)開(kāi)始輸入信號(hào)，傳過(guò)各隱含層節(jié)點(diǎn)，傳到輸出層節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)。

2 改進(jìn)的遺傳算法

遺傳算法（Genetic Algorithm）簡(jiǎn)稱（GA）是一種優(yōu)化算法。遺傳算法是一種算法，該算法的特征是全局優(yōu)化隨機(jī)搜索。通過(guò)模擬遺傳過(guò)程中遺傳算子出現(xiàn)的復(fù)制、交叉和變異等現(xiàn)象，在個(gè)體基因表示的基礎(chǔ)上，對(duì)種群個(gè)體進(jìn)行逐代擇優(yōu)，最終獲得最優(yōu)個(gè)體[5]。該算法以對(duì)生物細(xì)胞中染色體的復(fù)制、交叉、基因突變的模擬為基礎(chǔ)，根據(jù)個(gè)體對(duì)環(huán)境不同的適應(yīng)能力來(lái)選擇最優(yōu)個(gè)體。為了進(jìn)一步提高遺傳算法的優(yōu)化能力，將交叉和變異這兩個(gè)算子進(jìn)行了改進(jìn)。

2.1 改進(jìn)交叉算子

交叉算子的作用在于將原有的優(yōu)良基因遺傳給下一代，是遺傳算法的核心。為了在個(gè)體的交叉過(guò)程中可以有效地保留優(yōu)秀的基因，本文將適應(yīng)度作為系數(shù)代入到交叉算子中[6]。適應(yīng)度函數(shù)以及改進(jìn)的交叉算子如式（1）、（2）所示。

式中：S為某個(gè)個(gè)體的適應(yīng)度；Qi為第i節(jié)點(diǎn)期望輸出；Εi為第i節(jié)點(diǎn)預(yù)測(cè)輸出。

式中：S1，S2為隨機(jī)個(gè)體的適應(yīng)度；Smax為最大個(gè)體適應(yīng)度；x1，x2為隨機(jī)個(gè)體；x1，new，x2，new為經(jīng)選擇操作新產(chǎn)生的兩個(gè)個(gè)體。

交叉是指通過(guò)替換重組的方式，使兩個(gè)父代個(gè)體的部分結(jié)構(gòu)生成新個(gè)體的操作。交叉算子在遺傳算法中起著核心作用，使遺傳算法的搜索能力得到有效提高。為了將有益基因組合在一起，交叉算子根據(jù)交叉率將種群中的兩個(gè)個(gè)體隨機(jī)地交換某些基因，由此才能產(chǎn)生新的基因組合。兩點(diǎn)交叉比單點(diǎn)交叉空間搜索能力更強(qiáng)，破壞能力較比均勻交叉和多點(diǎn)交叉低，因此采用兩點(diǎn)交叉．如果改變交叉概率的數(shù)值，當(dāng)兩個(gè)個(gè)體的平均適應(yīng)度較低時(shí)，交叉概率增大。當(dāng)兩個(gè)個(gè)體的平均適應(yīng)度較高時(shí)，交叉概率減小。改進(jìn)后，J為交叉概率，如式（3）所示。

式中：S1，S2為隨機(jī)選擇的兩個(gè)個(gè)體的適應(yīng)度；Smax為最大個(gè)體適應(yīng)度；

2.2 改進(jìn)變異算子

遺傳算法變異算子使遺傳算法具有局部的隨機(jī)搜索能力，同時(shí)使遺傳算法可維持群體多樣性，以防止出現(xiàn)未成熟收斂現(xiàn)象。首先，遺傳算法通過(guò)交叉算子已接近最優(yōu)解鄰域，再利用變異算子的這種局部隨機(jī)搜索能力可以加速向最優(yōu)解收斂。

變異操作是將某個(gè)隨機(jī)選擇的個(gè)體進(jìn)行基因變異，給群體引進(jìn)新參數(shù)值，產(chǎn)生更為優(yōu)秀個(gè)體，因此變異成為改進(jìn)遺傳算法的主要成分[7]。遺傳算法中，交叉算子憑借其全局搜索能力成為主要算子，變異算子由于其對(duì)局部搜索能力的提高而作為輔助算子。遺傳算法通過(guò)交叉和變異操作，使其具備兼顧全局和局部的均衡搜索能力。適應(yīng)度較小的個(gè)體，應(yīng)該增加其變異概率，適應(yīng)度較大的個(gè)體，可以減小變異概率[8]。

式中：B為變異概率；S為隨機(jī)選擇個(gè)體的適應(yīng)度。

3 工程實(shí)例

以改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)對(duì)西露天南幫邊坡位移進(jìn)行預(yù)測(cè)為例，其巖體節(jié)理發(fā)育、破碎及風(fēng)化較嚴(yán)重。本文中的邊坡位移數(shù)據(jù)均由雷達(dá)系統(tǒng)監(jiān)測(cè)得出。從2016月1月1日至2016年3月20日的位移數(shù)據(jù)見(jiàn)表1。

西露天南幫邊坡共有80個(gè)位移數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)，取前75個(gè)作為樣本數(shù)據(jù)，進(jìn)行訓(xùn)練。最后5個(gè)位移數(shù)據(jù)用來(lái)進(jìn)行預(yù)測(cè)，同時(shí)將改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)、未改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行邊坡位移預(yù)測(cè)來(lái)對(duì)照，預(yù)測(cè)值見(jiàn)表2。

由表2列示明顯看出，改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值明顯更接近于為改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。其他兩種方法相比更接近真實(shí)值，改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)對(duì)邊坡位移的預(yù)測(cè)值的精度是最大的。

4 結(jié)論

本文利用改進(jìn)遺傳算法，采用了一種新的方法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。將交叉算子和變異算子進(jìn)行改進(jìn)，進(jìn)一步提高了遺傳算法的優(yōu)化能力，具有收斂速度快、運(yùn)算效率高、準(zhǔn)確性好的明顯優(yōu)勢(shì)。通過(guò)改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)對(duì)西露天礦南幫邊坡位移的預(yù)測(cè)結(jié)果可以看出：改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度明顯高于未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和未經(jīng)優(yōu)化遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，預(yù)測(cè)值更加接近實(shí)際測(cè)量值。

表1 西露天礦南幫邊坡位移監(jiān)測(cè)數(shù)據(jù)

表2 邊坡位移預(yù)測(cè)值mm

［1］李海蒙，李軍財(cái).國(guó)內(nèi)外礦山邊坡監(jiān)測(cè)技術(shù)應(yīng)用的最新進(jìn)展［J］.中國(guó)礦業(yè)，2006，15（4）：46-47.

［2］高彩云，崔希民.露天礦高陡邊坡變形預(yù)報(bào)的最優(yōu)LMBP算法研究［J］.煤炭技術(shù)，2015（9）：189-191.

［3］Graupe D.Principles of artificial neural networks［M］. Singapore：WorldScientific，2007.

［4］何方維，朱明，劉文生，等.BP網(wǎng)絡(luò)在露天礦邊坡角優(yōu)化中的應(yīng)用［J］.金屬礦山，2011（1）：35-37.

［5］李松，羅勇，張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（29）：52-55.

［6］王磊.基于遺傳算法的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化［D］.大慶：東北石油大學(xué)，2013.

［7］丁新啟，張華，李遠(yuǎn).采空區(qū)影響下的高邊坡穩(wěn)定性綜合分析［J］.有色金屬，2009（5）：39-43.

［8］李飛.遺傳算法的改進(jìn)及其在神經(jīng)網(wǎng)絡(luò)控制中的應(yīng)用研究［D］.大慶：東北石油大學(xué)，2011.

［9］李凡月.露天礦邊坡變形監(jiān)測(cè)與預(yù)測(cè)預(yù)報(bào)系統(tǒng)研究［D］.阜新：遼寧工程技術(shù)大學(xué)，2012.

【責(zé)任編輯：陳毓】

Forecasting of slope displacement based on improved genetic neural network in Fushun West Open-pit Mine

MA Xiyan1,GUAN Shun2,LIU Liang3
(1.China Coal Technology and Engineering Group Shenyang Research Institute,Fushun 113122,China; 2.Graduate School,Liaoning Technical University,Fuxin 123000,China; 3.Huaneng Hulunbei'er Energy Development Co.,Ltd.,Hulunbei'er 021008,China)

The article forecasts the slope displacement prediction accuracy by the improved genetic algorithm,and trains BP neural network,the unimproved genetic neural network,the improved genetic neural network using the radar displacement monitoring data of south slope in Fushun West Open－pit Mine,and obtains the prediction data and makes the comparative analysis.The results show that compared with the real measured displacement data,the displacement prediction of improved genetic neural network has minimum error,and prediction result has the largest accuracy.

improved genetic algorithm;artificial neural network;displacement;forecasting

TD824.7

B

1671－9816（2017）02－0024－03

馬熹焱，關(guān)順，劉亮.基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的撫順西露天礦邊坡位移預(yù)測(cè)［J］.露天采礦技術(shù)，2017，32（2）：24－26.

2016－07－28

馬熹焱（1984—），女，遼寧沈陽(yáng)人，碩士，畢業(yè)于遼寧工程技術(shù)大學(xué)環(huán)境工程專業(yè)，現(xiàn)從事露天開(kāi)采安全研究工作。

DOI∶10.13235/j.cnki.ltcm.2017.02.007