[发明专利]一种基于分量热力学基因表达式编程的矿岩强度预测方法

说明书

技术领域

本发明涉及一种矿岩强度预测方法，尤其是涉及一种基于分量热力学基因表达式编程的矿岩强度预测方法。

背景技术

矿岩强度问题是矿业工程中的基本问题，但是由于传统的矿岩强度预测方法需要进行大量的现场试验，从而导致人力、资金等急剧增加。在实际工程实践中受资金、设备等条件的制约，往往无法进行大量的现场试验。因此如何高效、准确地预测矿岩强度，是许多工程人员十分关注的重要问题。目前，用于矿岩强度的预测方法有很多，主要可以分为：数学物理预测方法和智能预测方法。数学物理预测方法需要工程人员掌握比较多的专业知识，因此普适性不是很强。而智能预测方法则是融合计算机科学技术，尤其是智能计算技术而发展的一种简单易行，无需工程人员掌握很多的领域知识，并且具有灵活、通用性强，可满足复杂多样的实际工程需求等优点。因此智能预测方法具有广阔的前景，是当前矿岩强度预测研究的热点。

目前，矿岩强度的智能预测方法主要是神经网络，支持向量机等方法。但这些方法存在着很多不足，实际工程效果并不是很理想。神经网络和支持向量机的方法存在的主要问题是需要采集矿岩试件数量较多，当矿岩试件数量较少容易过度拟合，所获得的模型精度很有限，往往无法达到实际工程要求。而当矿岩试件数量较多时，一方面会导致人力、资金等增加；另一方面也增加了算法学习过程的复杂性，从而导致学习时间长。可以参见有关文献：基于粒子群支持向量机的矿岩强度指标的超声预测.近年来，智能计算技术的迅速发展，出现了基因表达式编程算法。基因表达式编程算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的一种有效的智能计算方法，它采用固定长度的线性字符串表示解，因此它具有简洁、高性能和强鲁棒性等优点，已经成功应用到众多的实际工程领域中。然而在实际工程实践中发现，传统基因表达式编程算法应用于矿岩强度预测时，存在着收敛速度慢和容易陷入局部最优的问题。这两个问题的原因在很大程度上是由于在传统基因表达式编程算法的演化操作过程中，无法定量地协调选择压力和种群多样性之间的平衡，从而容易导致选择压力和种群多样性出现随意抖动，影响了传统基因表达式编程算法的收敛速度和求解精度。当传统基因表达式编程算法应用于矿岩强度预测时，选择压力和种群多样性两者之间是相互冲突的。在通常情况下，当选择压力过大时，种群中接近于当前最优个体的个体就越多，种群的平均适应值就越优秀，可以使基因表达式编程算法收敛速度加快，但会导致种群中大部分的个体都趋向于当前最优个体的附近，种群多样性变差，增加算法陷入局部最优的概率；当选择压力过小时，虽然可以使得种群中个体分布趋于分散，种群多样性变好，增加算法收敛到全局最优解的概率，但这样会减慢基因表达式编程算法的收敛速度。目前，如何定量地协调基因表达式编程算法的选择压力和种群多样性之间平衡的研究成果还很缺乏。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种定量地协调基因表达式编程中选择压力和种群多样性之间的平衡，以提高传统基因表达式编程的收敛速度、求解精度和算法的稳定性。利用提出的分量热力学基因表达式编程算法以矿岩试件的吸水率、干密度、波阻抗、动泊松比、动弹性模量为输入变量，抗压强度为输出变量，自动智能地挖掘出矿岩强度的数学模型，从而预测矿岩的抗压强度的一种基于分量热力学基因表达式编程的矿岩强度预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于分量热力学基因表达式编程的矿岩强度预测方法，其特征在于，包括以下步骤：

步骤1，采集N个矿岩样本,并针对N个矿岩样本的吸水率、干密度、波阻抗、动泊松比、动弹性模量以及抗压强度进行实验后获得每一个矿岩样本的试验数据；并将N个矿岩样本的试验数据记为矩阵A；

步骤2，用户自定义初始化参数，所述初始化参数包括种群大小PS,子种群大小M，最大评价次数MAX_FE，比例因子α，等级数K，Markov链长LK，初始温度T0，函数符和终结符,基因长度，基因个数，变异概率，插串概率，插串长度以及重组概率；

步骤3，令当前演化代数t=0;温度下降因子k=0;温度T=T0;

步骤4,产生初始化种群P_t，对每个个体的染色体解码成数学表达式，并利用矩阵A评价每个个体的适应值，其中吸水率、干密度、波阻抗、动泊松比、动弹性模量为输入变量，抗压强度为输出变量；然后保存最优个体，并计算第0代的活跃窗口W₀；