[发明专利]一种基于混合智能的煤与瓦斯突出动态预测方法

权利要求书

1.一种基于混合智能的煤与瓦斯突出动态预测方法，其特征在于，包括如下流程

步骤1：数据检测，包括：瓦斯压力传感器组在线检测瓦斯压力值、瓦斯放散初速度传感器组在线检测瓦斯放散初速度值、离线检测煤层坚固性系数、离线检测地质构造和离线检测开采深度；

步骤2：将在线检测瓦斯压力值和在线检测瓦斯放散初速度值，采用均值分批估计融合方法进行数据处理；

步骤3：将采用均值分批估计融合方法处理后的数据，加上离线检测的煤层坚固性系数、离线检测的地质构造和离线检测的开采深度，组成待预测的新问题X，记作：新问题X；

步骤4：利用基于案例聚类的案例检索与匹配方法，将新问题X，在案例库中进行案例检索与匹配；

步骤5：如果案例检索与匹配是有效的，即在案例库中检索出大于阈值的案例，则在案例检索与匹配结果基础上，采用加权平均的方法进行案例重用，得到新问题X的案例解，即煤与瓦斯突出的预测结果；如果案例检索与匹配是无效的，即未检索出大于阈值的案例，运行OBPNN突出预测模型，转到步骤6，得到煤与瓦斯突出的预测结果；

步骤6：OBPNN突出预测模型进行煤与瓦斯突出预测具体流程包括步骤6.1～步骤6.12：

步骤6.1：在案例库中，所有案例按照与新问题X相似度由高到低排列，取出与新问题X相似度不小于设定阈值的案例，作为建模时的训练样本；

步骤6.2：对训练样本数据按公式(1)进行归一化处理:

其中，a为训练样本数据中某一信息的归一化前的原始数据，为对a归一化后的数据，a_min与a_max为该信息的数据最小值和数据最大值；

步骤6.3：初始化BP网络：初始化BP网络的输入层、隐含层和输出层的节点数以及激活函数、最大训练次数、规定的最小适应度f_set；OBPNN突出预测模型采用3层网络结构，即输入层、隐含层和输出层，输入层节点数n_i为考虑的煤与瓦斯影响因素数量，隐含层节点数n_h则采用试验法获取，输出层节点数n_o为描述煤与瓦斯突出危险程度的数据维数；

步骤6.4：初始化粒子群及每个粒子参数：初始化粒子的种群数量n_p、惯性权重最大值w_max、惯性权重最小值w_min、学习因子c₁和c₂以及最大速度v_max，随机产生各粒子的初始位置和初始速度，使位置和速度的各维量值均在[-1,1]范围内；

采用实数方式，建立一个二维粒子编码：

权值和阈值

粒子位置(x_i)x_i1…x_in (2)

粒子i的第一维向量是BP网络的输入层与隐含层节点间连接权值θ、BP网络的隐含层与输出层节点间连接权值ψ以及隐含层节点阈值b_h和输出层节点阈值b_o组成；粒子i的第二维向量是粒子i的位置x_i＝{x_i1,x_i2,…,x_in}，n＝(n_i+n_o)×n_h+n_h+n_o；

在迭代过程中，粒子i的第一维向量内元素次序始终保持不变；而在解码过程中，粒子的第一维向量第l个元素的数值等于x_il；

步骤6.5：计算各粒子的适应度f，根据适应度更新各粒子的最佳位置以及群体最佳位置，适应度公式如下：

其中，n_o为BP网络的输出层节点数，n_s为训练样本的数量，z_lk为对应训练样本中第l组数据的BP网络第k个输出层节点的输出值，z′_lk为z_lk的理想值；

步骤6.6：按公式(4)-(6)，对各粒子的速度和位置进行更新；

对粒子i进行速度v_i和位置x_i更新：

v_ij＝w_iv_ij+c₁r₁(p_ij-x_ij)+c₂r₂(p_gj-x_ij) (4)

其中，v_ij为粒子i速度v_i的第j维分量，x_ij为粒子i位置x_i的第j维分量，c₁和c₂为学习因子，r₁和r₂为0到1间的随机数，p_i为粒子i的最佳位置，p_g为群体所发现的最佳位置，p_ij为粒子i最佳位置p_i的第j维分量，p_gj为群体所发现的最佳位置p_g的第j维分量，w_i为粒子i的惯性权重，j＝1,2,…,n，v_max为最大速度；

粒子i的惯性权重w_i的调整如下：

其中，w_max为惯性权重最大值；w_min为惯性权重最小值；f_avg为当前粒子种群的平均适应度；f_i为粒子i的适应度、F为当前粒子种群适应度f_min为寻优得到的最小适应度、D(F)为当前粒子种群适应度F的方差；

步骤6.7：以更新后的位置与速度，利用公式(3)计算各粒子的适应度，根据适应度更新各粒子的最佳位置和群体最佳位置；

步骤6.8：对本次迭代获得的群体最佳位置，进行混沌局部搜索，并更新粒子最佳位置和群体最佳位置；

对本次迭代获得的群体最佳位置，进行混沌局部搜索，以加快算法收敛，其中，b为最佳位置对应的粒子，具体流程包括步骤6.8.1～步骤6.8.6：

步骤6.8.1：令m＝0，m为混沌局部搜索的当前迭代次数，利用式(7)将x_bj映射为0-1间的混沌变量d_j(m)：

其中，x_minj和x_maxj分别为种群所有粒子位置的第j维分量最小和最大值，x_bj为具有最佳位置的粒子b对应的位置，d_j(m)为第m次迭代获得的x_b映射量中的第j维分量，j＝1,2,…,n；

步骤6.8.2：利用式(8)更新混沌变量：

d_j(m+1)＝4d_j(m)[1-d_j(m)],j＝1,2,…,n (8)

步骤6.8.3：利用式(9)产生新解x′_b：

x′_bj＝x_minj+d_j(m+1)(x_maxj-x_minj),j＝1,2,…,n (9)

步骤6.8.4：使用公式(3)，计算x′_b的适应度；

步骤6.8.5：如果x′_b优于初始解或混沌局部搜索达到预先设计的迭代次数，将新解作为搜索结果输出，令x_b＝x′_b，转到步骤6.8.6，否则m＝m+1，返回步骤6.8.2；

步骤6.8.6：使用公式(3)，计算x_b的适应度；如果x_b的适应度小于粒子b所经历过的最佳位置的适应度，则将x_b作为粒子b当前的最佳位置，如果x_b的适应度小于群体所经历过的最佳位置的适应度，则将x_b作为群体当前的最佳位置；转到步骤6.9；

步骤6.9：判断算法是否陷入局部最优，判断结果分两种情况：情况(a)：如果陷入局部最优，即满足公式(10)，则按公式(11)-(13)对较差的粒子位置进行更新，计算更新后各粒子的适应度，根据适应度更新各粒子的最佳位置以及群体最佳位置，继续判断算法是否陷入局部最优，如果算法仍陷入局部最优，则继续按公式(11)-(13)对较差的粒子位置进行更新，直到不满足局部最优判断条件，则转到步骤6.10；情况(b)：若判断没有陷入局部最优，即不满足公式(10)，则转到步骤6.10；

局部最优判断条件：

算法满足式(10)，即当前粒子种群适应度的方差D(F)小于设定值σ且寻优得到的最小适应度大于目标适应度f_set，f_i为粒子i的适应度，i＝1,…,n_p，n_p为种群的粒子个数，可判定算法陷入局部最优；

当算法陷入局部最优时，采用式(11)-(13)对种群中的较差粒子位置进行更新：

x′_minj＝max{x_minj,x_gj-r₄(x_maxj-x_minj)},j＝1,2,…,n (12)

x′_maxj＝min{x_maxj,x_gj+r₄(x_maxj-x_minj)},j＝1,2,…,n (13)

其中，[x_minj,x_maxj]为群体所发现粒子位置的第j维分量范围，x_gj为群体所发现的最佳位置的第j维分量，r₃和r₄为0-1的随机数，q为给定参数，且q≥1，f_avg为种群粒子的适应度平均值，[x′_{min j},x′_{max j}]为根据当前种群和已发现最佳位置修正得到的粒子位置的第j维分量范围；

步骤6.10：如果群体最佳位置对应的适应度大于规定值且当前训练次数不大于最大次数，转到步骤6.6，否则转到步骤6.11；

步骤6.11：输出群体最佳位置，并对获得的群体最佳位置进行解码，得到BP网络的各节点的阈值以及节点间的连接权值；

步骤6.12：将新问题X作为输入，运行BP网络，将网络输出作为煤与瓦斯突出预测结果。