沈麗麗

基于人工蜂群算法與支持向量機(jī)融合技術(shù)的大壩變形監(jiān)測(cè)研究

沈麗麗

（遼陽(yáng)通源水利水電工程有限公司，遼寧 遼陽(yáng) 111000）

傳統(tǒng)人工蜂群算法計(jì)算流程復(fù)雜，計(jì)算時(shí)間長(zhǎng)，為此文章引入支持向量機(jī)模型，將模型和人工蜂群算法進(jìn)行融合，對(duì)人工蜂群算法進(jìn)行優(yōu)化并行計(jì)算，并將融合模型用于遼寧某大壩變形監(jiān)測(cè)應(yīng)用中。研究結(jié)果表明：融合模型可提高模型計(jì)算速率，模型計(jì)算結(jié)果更為穩(wěn)定；相比于未融合的人工蜂群算法，融合模型在大壩變形監(jiān)測(cè)的精度更高，融合模型均方誤差降低0.45，平方相關(guān)系數(shù)提高0.62。研究成果對(duì)于大壩變形監(jiān)測(cè)技術(shù)提供參考。

人工蜂群算法；支持向量機(jī)；模型融合；大壩變形監(jiān)測(cè)

大壩變形有效監(jiān)測(cè)對(duì)于大壩安全至關(guān)重要，為此，許多學(xué)者對(duì)大壩變形監(jiān)測(cè)進(jìn)行大量研究，取得一定的研究成果［1-6］，國(guó)內(nèi)對(duì)于大壩變形監(jiān)測(cè)的方法主要為3類(lèi)，第一類(lèi)為現(xiàn)場(chǎng)探測(cè)的方式，第二類(lèi)為采用數(shù)值模型進(jìn)行預(yù)測(cè)分析，第三類(lèi)則為采用BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合監(jiān)測(cè)樣本數(shù)據(jù)，進(jìn)行趨勢(shì)的統(tǒng)計(jì)分析。各種大壩監(jiān)測(cè)方式有優(yōu)點(diǎn)也有缺點(diǎn)，現(xiàn)場(chǎng)探測(cè)的方式結(jié)合大壩實(shí)際情況出發(fā)，但是這種方式需要大量的人力和物力，且很難完成連續(xù)監(jiān)測(cè)。第二種方式受到參數(shù)選擇的影響較為明顯，而第三種方式也是當(dāng)前大壩變形監(jiān)測(cè)的一種主要方式，但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型容易出現(xiàn)局部最優(yōu)解的情況。大壩變形監(jiān)測(cè)影響因素較多，各種要素之間存在較為復(fù)雜的非線性關(guān)系，人工蜂群算法可較好的實(shí)現(xiàn)各非線性要素的關(guān)聯(lián)，在許多變形監(jiān)測(cè)方面得到具體應(yīng)用［7-11］，但是傳統(tǒng)人工蜂群算法計(jì)算流程復(fù)雜，計(jì)算時(shí)間長(zhǎng)，存在一定的局限，而支持向量機(jī)模型可實(shí)現(xiàn)模型的優(yōu)化計(jì)算，為此本文引入支持向量機(jī)模型，將模型和人工蜂群算法進(jìn)行融合，并將融合模型用于遼寧某中型水庫(kù)大壩變形監(jiān)測(cè)中，研究成果對(duì)于大壩變形監(jiān)測(cè)技術(shù)提供參考價(jià)值。

1 人工蜂群算法與支持向量機(jī)融合原理

人工蜂群算法通過(guò)模擬蜜蜂的群體尋優(yōu)良品種的蜜源的仿生式智能計(jì)算方法，算法將蜜源即為模型的目標(biāo)函數(shù)，本文為大壩變形值、引領(lǐng)蜂群以及跟隨的蜂群個(gè)數(shù)都設(shè)置為SN，按照一定的優(yōu)化方法對(duì)模型參數(shù)進(jìn)行尋優(yōu)求解計(jì)算，人工蜂群算法的兩個(gè)主要參數(shù)為模型計(jì)算的懲罰度因子以及寬度計(jì)算參數(shù)進(jìn)行優(yōu)化求解，模型計(jì)算的主要有以下9個(gè)步驟。

（1）對(duì)模型算法的控制參數(shù)進(jìn)行初始化設(shè)置，設(shè)定模型計(jì)算迭代的次數(shù)；

（2）通過(guò)隨機(jī)方程隨機(jī)產(chǎn)生SN個(gè)蜜源，每個(gè)蜜源對(duì)應(yīng)于相應(yīng)的引領(lǐng)蜂群，每個(gè)蜜源計(jì)算的優(yōu)化可以表征為 Xi（i=1，2，…，SN），其中Xi表示為模型兩個(gè)計(jì)算參數(shù)所組成的2維向量。其中Xi的計(jì)算表達(dá)式為：

式中，xij—第i個(gè)蜜蜂群所對(duì)應(yīng)的第 j維的搜索的具體位置；xjmax—模型第j維上邊界；xjmin—模型第j維下邊界。

（3）在完成參數(shù)向量組合后，需要對(duì)模型變量進(jìn)行鄰域的搜索，模型采用以下公式進(jìn)行鄰域的變量搜索，計(jì)算公式為：

式中，K—隨機(jī)數(shù)，K取值范圍為（1，2，…SN）；rij∈［-1，1］之間的隨機(jī)數(shù)，該數(shù)值可以控制xij的鄰域的范圍，鄰域的范圍隨著xij不斷搜素逐漸變小。

（4）在進(jìn)行變量搜素解的構(gòu)建后，需要計(jì)算每個(gè)蜂群的自適應(yīng)度值，在新舊蜜源之間進(jìn)行貪婪度參數(shù)的選擇，若果變量搜索蜜源（目標(biāo)值）高于舊的蜜源搜索值，則代替舊的蜜源搜索值進(jìn)行新的蜜源計(jì)算，各個(gè)蜂群的自適應(yīng)度值計(jì)算公式為：

式中，yi—模型計(jì)算的實(shí)際值，在本文為大壩變形監(jiān)測(cè)點(diǎn)采集的監(jiān)測(cè)數(shù)據(jù)；—模型預(yù)測(cè)的值，在本文為大壩變形預(yù)測(cè)數(shù)據(jù)。

（5）在完成蜂群自適應(yīng)度值計(jì)算后，需要計(jì)算每個(gè)蜂群的蜜源被選擇的概率P，模型所有跟隨的蜂群采用輪盤(pán)機(jī)制對(duì)蜜源進(jìn)行選擇，當(dāng)跟隨蜂成為引領(lǐng)蜂群后，結(jié)合公式（2）進(jìn)行新的蜜源的搜索，計(jì)算的公式為：

式中，fiti—模型計(jì)算的自動(dòng)適應(yīng)度值。

（6）在完成蜜源被選擇概率P計(jì)算后，需要對(duì)模型最優(yōu)求解的次進(jìn)行統(tǒng)計(jì)：

式中，search—模型搜索次數(shù)，當(dāng) search＜limit，則模型返回到第三步驟，否則繼續(xù)下一個(gè)步驟的計(jì)算。

（7）在完成優(yōu)選次數(shù)計(jì)算后，需要判別是否存在需要淘汰的蜜源，如果某些蜜源經(jīng)過(guò)多次循環(huán)計(jì)算后依舊不變，則需要淘汰這些蜜源，則被淘汰的蜜源對(duì)應(yīng)的引領(lǐng)蜂正式成為偵查蜂群，新的偵查蜂群則按照方程（1）計(jì)算新的蜜源。

（8）在尋找到各個(gè)蜜源的最佳適應(yīng)度后，結(jié)合參數(shù)C和g再代入模型計(jì)算。在模型計(jì)算時(shí)采用支持向量機(jī)對(duì)人工蜂群算法進(jìn)行融合，對(duì)模型進(jìn)行優(yōu)選計(jì)算，結(jié)合支持向量機(jī)的原理確定模型支持向量機(jī)的自回歸方程，計(jì)算函數(shù)為：

式中，C—模型懲罰系數(shù)；ξi和—模型的非線性松弛系數(shù)；ε—模型非敏感度因子。

（9）在進(jìn)行自回歸方程的構(gòu)建后，采用拉格朗日推求方法優(yōu)化求解上述方程，優(yōu)化求解的方程為：

式中，K（xi-—支持向量機(jī)的核函數(shù)；ai和aj—拉格朗日系數(shù)。

經(jīng)過(guò)上述變化可以得到人工蜂群與支持向量機(jī)的融合函數(shù)，融合函數(shù)的回歸方程為：輸入變量X即可得到需要推求的目標(biāo)函數(shù)值。

2 模型在大壩變形監(jiān)測(cè)的實(shí)例應(yīng)用

2.1 工程實(shí)例

本次以遼寧中部某中型水庫(kù)為研究工程實(shí)例，該水庫(kù)全長(zhǎng)20m，流域集水面積為42km2，該水庫(kù)在構(gòu)建初期，在壩體內(nèi)部布設(shè)了大壩監(jiān)測(cè)點(diǎn)，采集大壩變形監(jiān)測(cè)數(shù)據(jù)，大壩變形監(jiān)測(cè)點(diǎn)分布見(jiàn)圖1。選取典型斷面進(jìn)行斷面參數(shù)分析，選取的典型斷面參數(shù)見(jiàn)表1。本次研究收集了該大壩1990～2015年的大壩變形監(jiān)測(cè)數(shù)據(jù)，用于模型的樣本訓(xùn)練計(jì)算以及模型大壩變形監(jiān)測(cè)精度對(duì)比分析。

圖1 大壩變形監(jiān)測(cè)點(diǎn)分布圖

表1 大壩斷面主要設(shè)計(jì)參數(shù)

2.2 模型計(jì)算穩(wěn)定性分析

為對(duì)比不同優(yōu)化算法對(duì)人工蜂群模型計(jì)算穩(wěn)定性的影響，結(jié)合支持向量機(jī)算法和傳統(tǒng)人工蜂群算法對(duì)模型進(jìn)行穩(wěn)定性的測(cè)試，并結(jié)合3組樣本數(shù)據(jù)組進(jìn)行了分類(lèi)率以及模型參數(shù)的對(duì)比分析，具體見(jiàn)表2和表3。其中算法1代表本文選用的支持向量機(jī)優(yōu)選算法。

表2 不同算法的穩(wěn)定性測(cè)試結(jié)果

表3 不同算法的計(jì)算時(shí)間測(cè)試結(jié)果

表2為支持向量機(jī)和人工蜂群算法耦合后以及傳統(tǒng)人工蜂群算法的模型穩(wěn)定性測(cè)試結(jié)果，從表2中可以看出，模型分類(lèi)率表示為模型的計(jì)算效率，分類(lèi)率越高，表明模型計(jì)算穩(wěn)定性和計(jì)算效率越高，融合模型在三組樣本數(shù)據(jù)的分類(lèi)率都要高于單一算法下的分類(lèi)率，表明融合計(jì)算模型的穩(wěn)定性和計(jì)算效率都要好于單一算法，從三組樣本數(shù)據(jù)的分類(lèi)率來(lái)看，分類(lèi)率均值提高7.4%。表3為不同算法的計(jì)算時(shí)間測(cè)試結(jié)果，從測(cè)試分析數(shù)據(jù)可以看出，融合模型計(jì)算的時(shí)間都要短于單一算法，計(jì)算時(shí)間相比于與單一算法，均值縮短160分鐘。融合模型在三組樣本數(shù)據(jù)計(jì)算時(shí)間為單一算法的1/2。可見(jiàn)，支持向量機(jī)和人工蜂群算法融合模型在模型穩(wěn)定性和計(jì)算時(shí)間上都有較為明顯的改善。

2.3 大壩變形監(jiān)測(cè)對(duì)比分析

結(jié)合支持向量機(jī)和人工蜂群算法融合模型對(duì)研究水庫(kù)的大壩形變進(jìn)行預(yù)測(cè)，并結(jié)合大壩實(shí)測(cè)的大壩變形數(shù)據(jù)對(duì)比分析支持向量機(jī)和人工蜂群算法融合模型以及傳統(tǒng)人工蜂群算法在大壩變形監(jiān)測(cè)的預(yù)測(cè)精度，對(duì)比分析結(jié)果見(jiàn)表4以及圖2和圖3。

表4 不同模型在大壩變形監(jiān)測(cè)的對(duì)比分析

圖2 不同算法下的大壩變形預(yù)測(cè)值和監(jiān)測(cè)值對(duì)比

圖3 不同算法下的大壩變形預(yù)測(cè)值和監(jiān)測(cè)值相關(guān)分析圖

表4為融合模型和單一算法在研究區(qū)域大壩變形監(jiān)測(cè)的預(yù)測(cè)結(jié)果，從預(yù)測(cè)值誤差相對(duì)值看出，融合模型預(yù)測(cè)值和監(jiān)測(cè)數(shù)據(jù)的誤差相對(duì)值在-5.13%～19.2%之間，小于20%，而單一算法下預(yù)測(cè)的大壩變形值和各監(jiān)測(cè)點(diǎn)監(jiān)測(cè)值之間的誤差相對(duì)值在-20.1%～38.1%之間，均在20%以上，可見(jiàn)融合模型在誤差相對(duì)值有所改善，改善度為18.9%。其次從計(jì)算的誤差絕對(duì)值可以看出，融合模型計(jì)算的誤差絕對(duì)值在0.02～0.54mm，而單一算法計(jì)算誤差絕對(duì)值在0.08～0.65mm，可以看出，融合模型計(jì)算的誤差絕對(duì)值小于單一算法的誤差絕對(duì)值，但是兩個(gè)模型計(jì)算的誤差絕對(duì)值差距不大，總體改善度不明顯。從表中還可看出融合模型隨著大壩變形監(jiān)測(cè)值的增加，其誤差絕對(duì)值和相對(duì)值都有所增加。為進(jìn)一步分析兩種模型在大壩變形監(jiān)測(cè)的精度，結(jié)合20個(gè)監(jiān)測(cè)點(diǎn)數(shù)據(jù)以及模型預(yù)測(cè)的大壩變形數(shù)據(jù)，計(jì)算了兩種模型在大壩變形監(jiān)測(cè)計(jì)算的均方誤差以及相關(guān)平方系數(shù)，通過(guò)計(jì)算，相比于單一算法模型，融合模型的均方差誤差降低0.45，平方相關(guān)系數(shù)提高0.62，融合模型相比于單一算法，在大壩變形的精度有較為明顯改善。圖2為不同算法下大壩變形預(yù)測(cè)值和監(jiān)測(cè)值的對(duì)比，從結(jié)果上看，融合模型大壩變形監(jiān)測(cè)值和監(jiān)測(cè)數(shù)據(jù)的趨勢(shì)和相關(guān)度都要好于單一算法的模型。綜上，融合模型在大壩變形監(jiān)測(cè)的精度上好于單一算法的預(yù)測(cè)精度，更適合作為大壩變形監(jiān)測(cè)預(yù)測(cè)技術(shù)。

3 結(jié)語(yǔ)

本文將支持向量機(jī)模型和人工蜂群算法進(jìn)行融合，對(duì)人工蜂群算法進(jìn)行優(yōu)化并行計(jì)算，并將融合模型用于大壩變形監(jiān)測(cè)中，研究取得以下結(jié)論。

（1）融合模型可提高傳統(tǒng)單一人工蜂群算法的穩(wěn)定性和計(jì)算時(shí)間，融合模型計(jì)算效率提高7.4%，相比于單一人工蜂群算法，計(jì)算時(shí)間縮短一倍；

（2）相比于單一人工蜂群算法，融合模型預(yù)測(cè)的大壩變形監(jiān)測(cè)精度有明顯改善，融合模型隨著大壩變形值增加，其預(yù)測(cè)誤差增加。

［1］方衛(wèi)華.大壩安全監(jiān)測(cè)自動(dòng)化的技術(shù)監(jiān)督［J］.水利技術(shù)監(jiān)督，2001（03）： 38-40.

［2］鞏向偉，侯豐奎，張衛(wèi)東，等.水庫(kù)大壩安全監(jiān)測(cè)系統(tǒng)及自動(dòng)化［J］.水利規(guī)劃與設(shè)計(jì)，2007（02）：65-68.

［3］申慧.北疆地區(qū)大壩安全監(jiān)測(cè)設(shè)計(jì)［J］.水利規(guī)劃與設(shè)計(jì)，2015（08）： 77-79.

［4］杜強(qiáng).小灣大壩變形監(jiān)測(cè)與分析研究［D］.長(zhǎng)安大學(xué)，2015.

［5］柴麗莎，戚丹，吳浩.多測(cè)點(diǎn)多方向BP網(wǎng)絡(luò)模型在大壩變形監(jiān)測(cè)中的應(yīng)用［J］.水電能源科學(xué)，2014（03）：94-97.

［6］杜傳陽(yáng)，鄭東健，張毅，等.基于動(dòng)態(tài)SVM-MC的大壩變形監(jiān)測(cè)模型及應(yīng)用［J］.水電能源科學(xué)，2015（01）：71-74.

［7］王冰.人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用的研究［D］.北京理工大學(xué)，2015.

［8］張鵬.基于VS的海堤安全監(jiān)測(cè)系統(tǒng)開(kāi)發(fā)及綜合建模分析［D］.合肥工業(yè)大學(xué)，2014.

［9］張石，李同春，程井，等.基于人工蜂群算法的大體積混凝土溫度場(chǎng)參數(shù)反演［J］.水電能源科學(xué)，2014（11）：115-117+62.

［10］康飛，李俊杰，許青.混合蜂群算法及其在混凝土壩動(dòng)力材料參數(shù)反演中的應(yīng)用［J］.水利學(xué)報(bào)，2009（06）：736-742.

［11］王新，梁桂蘭.基于人工蜂群算法的船閘高邊坡巖體力學(xué)參數(shù)反分析［J］.科學(xué)技術(shù)與工程，2013（01）：102-107.

TV698.1

A

1008-1305（2017）05-0024-03

10.3969/j.issn.1008-1305.2017.05.009

2016-07-01

沈麗麗（1985年—），女，工程師。