本發(fā)明涉及礦巖強(qiáng)度測(cè)量領(lǐng)域，尤其是涉及一種引力搜索優(yōu)化的礦巖強(qiáng)度軟測(cè)量方法。

背景技術(shù)：

掌握礦巖的強(qiáng)度在采礦工程中具有非常重要的實(shí)踐意義。在采礦工程中，人們常常采用直接測(cè)定法來(lái)掌握礦巖的強(qiáng)度，但直接測(cè)定法往往需要花費(fèi)大量的人力和物力，并且耗時(shí)比較長(zhǎng)，其效率還有待于提升。針對(duì)直接測(cè)定礦巖強(qiáng)度方法存在的這些缺點(diǎn)，人們提出了礦巖強(qiáng)度軟測(cè)量方法，該方法通過測(cè)量出一些與礦巖強(qiáng)度密切相關(guān)且易于測(cè)量的指標(biāo)，然后建立起這些指標(biāo)與礦巖強(qiáng)度的數(shù)學(xué)關(guān)系，通過建立起來(lái)的數(shù)學(xué)模型計(jì)算出礦巖強(qiáng)度。礦巖強(qiáng)度軟測(cè)量方法能夠降低人力和物力成本，并且能夠結(jié)合計(jì)算機(jī)監(jiān)控技術(shù)實(shí)現(xiàn)無(wú)間斷實(shí)時(shí)測(cè)量，有效地提高測(cè)量的響應(yīng)速度。

由于礦巖強(qiáng)度軟測(cè)量方法具有很多優(yōu)點(diǎn)，許多學(xué)者提出了各種各樣的礦巖強(qiáng)度軟測(cè)量方法，例如馮夏庭和趙洪波利用支持向量機(jī)建立了巖爆識(shí)別模型，實(shí)驗(yàn)表明建立的模型能夠在一定程度上較好地預(yù)測(cè)巖爆(馮夏庭,趙洪波.巖爆預(yù)測(cè)的支持向量機(jī)[j].東北大學(xué)學(xué)報(bào),2002,01:57-59.)；邱景平等利用粒子群優(yōu)化算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化設(shè)計(jì)，從而建立起礦巖強(qiáng)度的軟測(cè)量模型(邱景平,邢軍,姜諳男,孫曉剛.基于粒子群支持向量機(jī)的礦巖強(qiáng)度指標(biāo)的超聲預(yù)測(cè)[j].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,05:731-734)；崔鐵軍等利用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)礦巖強(qiáng)度軟測(cè)量(崔鐵軍,馬云東,肖曉春.基于神經(jīng)網(wǎng)絡(luò)的巖石強(qiáng)度準(zhǔn)則研究[j].華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,48(01):131-135)。

從現(xiàn)有的研究成果中可知，許多研究人員已經(jīng)利用了支持向量機(jī)來(lái)建立礦巖強(qiáng)度的軟測(cè)量模型，并且支持向量機(jī)在礦巖強(qiáng)度的軟測(cè)量中具有很大的潛力。但是傳統(tǒng)支持向量機(jī)在建立礦巖強(qiáng)度的軟測(cè)量模型時(shí)往往容易出現(xiàn)收斂速度慢，測(cè)量精度不高的缺點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種引力搜索優(yōu)化的礦巖強(qiáng)度軟測(cè)量方法。它在很大程度上克服了傳統(tǒng)支持向量機(jī)在礦巖強(qiáng)度軟測(cè)量時(shí)容易出現(xiàn)收斂速度慢，測(cè)量精度不高的缺點(diǎn)，本發(fā)明能夠提高礦巖強(qiáng)度的軟測(cè)量精度，提高礦巖強(qiáng)度的測(cè)量效率。

本發(fā)明的技術(shù)方案：一種引力搜索優(yōu)化的礦巖強(qiáng)度軟測(cè)量方法，包括以下步驟：

步驟1，在需要軟測(cè)量的區(qū)域內(nèi)采集mr個(gè)礦巖試件，然后通過試驗(yàn)測(cè)量出每個(gè)礦巖試件的吸水率、干密度、波阻抗、動(dòng)泊松比、動(dòng)彈性模量以及抗壓強(qiáng)度，將試驗(yàn)所測(cè)量出來(lái)的數(shù)據(jù)作為樣本數(shù)據(jù)集；然后對(duì)樣本數(shù)據(jù)集進(jìn)行歸一化處理；

步驟2，用戶初始化種群大小popsize，最大評(píng)價(jià)次數(shù)max_fes；

步驟3，令當(dāng)前演化代數(shù)t＝0，當(dāng)前評(píng)價(jià)次數(shù)fes＝0，支持向量機(jī)的優(yōu)化設(shè)計(jì)參數(shù)個(gè)數(shù)d＝3；

步驟4，設(shè)置支持向量機(jī)的輸入變量為礦巖試件的歸一化的吸水率、干密度、波阻抗、動(dòng)泊松比、動(dòng)彈性模量，且輸出為礦巖試件的歸一化的抗壓強(qiáng)度；

步驟5，設(shè)置支持向量機(jī)的d個(gè)優(yōu)化設(shè)計(jì)參數(shù)的下界lbj和上界ubj，其中維度下標(biāo)j＝1,2,3；

步驟6，隨機(jī)產(chǎn)生初始種群其中個(gè)體下標(biāo)i＝1,2,...,popsize，并且為種群pt中的第i個(gè)個(gè)體，其隨機(jī)初始化公式為：

其中維度下標(biāo)j＝1,2,3，并且表示第i個(gè)個(gè)體的位置，存儲(chǔ)了支持向量機(jī)的d個(gè)待優(yōu)化設(shè)計(jì)參數(shù)的值，即是支持向量機(jī)的懲罰因子c，是支持向量機(jī)的徑向基核參數(shù)g，是支持向量機(jī)的不敏感損失函數(shù)中參數(shù)ε；表示第i個(gè)個(gè)體在每一維上的速度大小；rand(0,1)為在[0,1]之間服從均勻分布的隨機(jī)實(shí)數(shù)產(chǎn)生函數(shù)；

步驟7，計(jì)算種群pt中所有個(gè)體的適應(yīng)值；

步驟8，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+popsize；

步驟9，保存種群pt中的最優(yōu)個(gè)體best^t；

步驟10，按以下公式計(jì)算當(dāng)前引力常數(shù)gt：

其中exp表示以自然常數(shù)e為底的指數(shù)函數(shù)；

步驟11，按以下公式計(jì)算當(dāng)前精英個(gè)體數(shù)量kbest：

步驟12，計(jì)算種群pt中所有個(gè)體的質(zhì)量；

步驟13，利用kbest個(gè)精英個(gè)體和引力常數(shù)gt計(jì)算種群pt中每個(gè)個(gè)體所受到的引力；

步驟14，更新種群pt中所有個(gè)體的加速度和速度；

步驟15，更新種群pt中所有個(gè)體的位置；

步驟16，計(jì)算種群pt中所有個(gè)體的適應(yīng)值；

步驟17，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+popsize；

步驟18，隨機(jī)選擇一個(gè)個(gè)體，然后對(duì)選擇出來(lái)的個(gè)體執(zhí)行混沌局部搜索操作，具體步驟如下：

步驟18.1，令混亂次數(shù)in＝300+200×rand(0,1)；

步驟18.2，在[0,1]之間的隨機(jī)產(chǎn)生一個(gè)實(shí)數(shù)ir，如果ir等于0.25，0.5或0.75則重新產(chǎn)生直到ir不等于0.25，0.5或0.75；

步驟18.3，令計(jì)數(shù)器kt＝1，并令迭代因子tf＝ir；

步驟18.4，如果計(jì)數(shù)器kt大于in則轉(zhuǎn)到步驟18.8，否則轉(zhuǎn)到步驟18.5；

步驟18.5，令混沌因子cf＝4.0×tf×(1.0-tf)；

步驟18.6，令迭代因子tf＝cf；

步驟18.7，令計(jì)數(shù)器kt＝kt+1，轉(zhuǎn)到步驟18.4

步驟18.8，在[1,popsize]間隨機(jī)產(chǎn)生一個(gè)正整數(shù)r1；

步驟18.9，在[1,popsize]間隨機(jī)產(chǎn)生一個(gè)不等于r1的正整數(shù)r2；

步驟18.10，令混沌因子cf＝4×tf×(1-tf)；

步驟18.11，令迭代因子tf＝cf；

步驟18.12，按以下公式產(chǎn)生一個(gè)個(gè)體nu^t：

其中反向因子mk的值為[0,1]之間隨機(jī)生成的實(shí)數(shù)，交叉因子sk的值為[0,1]之間隨機(jī)生成的實(shí)數(shù)，meb^t為種群中所有個(gè)體的位置的平均值；

步驟18.13，計(jì)算個(gè)體nu^t的適應(yīng)值，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+1；

步驟18.14，如果個(gè)體nu^t的適應(yīng)值優(yōu)于的適應(yīng)值，則轉(zhuǎn)到步驟18.15，否則轉(zhuǎn)到步驟19；

步驟18.15，令個(gè)體

步驟18.16，轉(zhuǎn)到步驟18.9；

步驟19，令當(dāng)前演化代數(shù)t＝t+1；

步驟20，保存種群pt中的最優(yōu)個(gè)體best^t；

步驟21，重復(fù)步驟10至步驟20直至當(dāng)前評(píng)價(jià)次數(shù)fes達(dá)到max_fes后結(jié)束，將執(zhí)行過程中得到的最優(yōu)個(gè)體best^t解碼為支持向量機(jī)的訓(xùn)練參數(shù)，將訓(xùn)練好的支持向量機(jī)作為軟測(cè)量模型，即可實(shí)現(xiàn)礦巖強(qiáng)度的軟測(cè)量。

本發(fā)明采用支持向量機(jī)作為礦巖強(qiáng)度的軟測(cè)量模型，利用引力搜索算法對(duì)支持向量機(jī)的訓(xùn)練參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)。在引力搜索算法中，首先執(zhí)行基本引力搜索算法的操作算子，然后選擇出一個(gè)隨機(jī)個(gè)體，并對(duì)其執(zhí)行最優(yōu)個(gè)體導(dǎo)向的局部搜索操作，從而增強(qiáng)算法的性能，提高軟測(cè)量模型的精度。本發(fā)明能夠提高礦巖強(qiáng)度的軟測(cè)量精度，提高礦巖強(qiáng)度的測(cè)量效率。

附圖說(shuō)明

圖1為本發(fā)明的流程圖。

具體實(shí)施方式

下面通過實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。

實(shí)施例：

步驟1，在需要軟測(cè)量的區(qū)域內(nèi)采集mr＝85個(gè)礦巖試件，然后通過試驗(yàn)測(cè)量出每個(gè)礦巖試件的吸水率、干密度、波阻抗、動(dòng)泊松比、動(dòng)彈性模量以及抗壓強(qiáng)度，將試驗(yàn)所測(cè)量出來(lái)的數(shù)據(jù)作為樣本數(shù)據(jù)集；然后對(duì)樣本數(shù)據(jù)集進(jìn)行歸一化處理；

步驟2，用戶初始化種群大小popsize＝50，最大評(píng)價(jià)次數(shù)max_fes＝10000；

步驟3，令當(dāng)前演化代數(shù)t＝0，當(dāng)前評(píng)價(jià)次數(shù)fes＝0，支持向量機(jī)的優(yōu)化設(shè)計(jì)參數(shù)個(gè)數(shù)d＝3；

步驟4，設(shè)置支持向量機(jī)的輸入變量為礦巖試件的歸一化的吸水率、干密度、波阻抗、動(dòng)泊松比、動(dòng)彈性模量，且輸出為礦巖試件的歸一化的抗壓強(qiáng)度；

步驟5，設(shè)置支持向量機(jī)的d個(gè)優(yōu)化設(shè)計(jì)參數(shù)的下界lbj和上界ubj，其中維度下標(biāo)j＝1,2,3；

步驟6，隨機(jī)產(chǎn)生初始種群其中個(gè)體下標(biāo)i＝1,2,...,popsize，并且為種群pt中的第i個(gè)個(gè)體，其隨機(jī)初始化公式為：

其中維度下標(biāo)j＝1,2,3，并且表示第i個(gè)個(gè)體的位置，存儲(chǔ)了支持向量機(jī)的d個(gè)待優(yōu)化設(shè)計(jì)參數(shù)的值，即是支持向量機(jī)的懲罰因子c，是支持向量機(jī)的徑向基核參數(shù)g，是支持向量機(jī)的不敏感損失函數(shù)中參數(shù)ε；表示第i個(gè)個(gè)體在每一維上的速度大??；rand(0,1)為在[0,1]之間服從均勻分布的隨機(jī)實(shí)數(shù)產(chǎn)生函數(shù)；

步驟7，計(jì)算種群pt中所有個(gè)體的適應(yīng)值；

步驟8，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+popsize；

步驟9，保存種群pt中的最優(yōu)個(gè)體best^t；

步驟10，按以下公式計(jì)算當(dāng)前引力常數(shù)gt：

其中exp表示以自然常數(shù)e為底的指數(shù)函數(shù)；

步驟11，按以下公式計(jì)算當(dāng)前精英個(gè)體數(shù)量kbest：

步驟12，計(jì)算種群pt中所有個(gè)體的質(zhì)量；

步驟13，利用kbest個(gè)精英個(gè)體和引力常數(shù)gt計(jì)算種群pt中每個(gè)個(gè)體所受到的引力；

步驟14，更新種群pt中所有個(gè)體的加速度和速度；

步驟15，更新種群pt中所有個(gè)體的位置；

步驟16，計(jì)算種群pt中所有個(gè)體的適應(yīng)值；

步驟17，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+popsize；

步驟18，隨機(jī)選擇一個(gè)個(gè)體，然后對(duì)選擇出來(lái)的個(gè)體執(zhí)行混沌局部搜索操作，具體步驟如下：

步驟18.1，令混亂次數(shù)in＝300+200×rand(0,1)；

步驟18.2，在[0,1]之間的隨機(jī)產(chǎn)生一個(gè)實(shí)數(shù)ir，如果ir等于0.25，0.5或0.75則重新產(chǎn)生直到ir不等于0.25，0.5或0.75；

步驟18.3，令計(jì)數(shù)器kt＝1，并令迭代因子tf＝ir；

步驟18.4，如果計(jì)數(shù)器kt大于in則轉(zhuǎn)到步驟18.8，否則轉(zhuǎn)到步驟18.5；

步驟18.5，令混沌因子cf＝4.0×tf×(1.0-tf)；

步驟18.6，令迭代因子tf＝cf；

步驟18.7，令計(jì)數(shù)器kt＝kt+1，轉(zhuǎn)到步驟18.4

步驟18.8，在[1,popsize]間隨機(jī)產(chǎn)生一個(gè)正整數(shù)r1；

步驟18.9，在[1,popsize]間隨機(jī)產(chǎn)生一個(gè)不等于r1的正整數(shù)r2；

步驟18.10，令混沌因子cf＝4×tf×(1-tf)；

步驟18.11，令迭代因子tf＝cf；

步驟18.12，按以下公式產(chǎn)生一個(gè)個(gè)體nu^t：

其中反向因子mk的值為[0,1]之間隨機(jī)生成的實(shí)數(shù)，交叉因子sk的值為[0,1]之間隨機(jī)生成的實(shí)數(shù)，meb^t為種群中所有個(gè)體的位置的平均值；

步驟18.13，計(jì)算個(gè)體nu^t的適應(yīng)值，令當(dāng)前評(píng)價(jià)次數(shù)fes＝fes+1；

步驟18.14，如果個(gè)體nu^t的適應(yīng)值優(yōu)于的適應(yīng)值，則轉(zhuǎn)到步驟18.15，否則轉(zhuǎn)到步驟19；

步驟18.15，令個(gè)體

步驟18.16，轉(zhuǎn)到步驟18.9；

步驟19，令當(dāng)前演化代數(shù)t＝t+1；

步驟20，保存種群pt中的最優(yōu)個(gè)體best^t；

步驟21，重復(fù)步驟10至步驟20直至當(dāng)前評(píng)價(jià)次數(shù)fes達(dá)到max_fes后結(jié)束，將執(zhí)行過程中得到的最優(yōu)個(gè)體best^t解碼為支持向量機(jī)的訓(xùn)練參數(shù)，將訓(xùn)練好的支持向量機(jī)作為軟測(cè)量模型，即可實(shí)現(xiàn)礦巖強(qiáng)度的軟測(cè)量。

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。