基于GA-PSO融合算法的开采沉陷Richards预计模型参数优化
在矿区开采地表沉降动态预计模型建立过程中，针对 Richards 时间函数模型参数在地质采矿条件复杂情况下难以一次性准确求取的问题，采用遗传粒子群（Genetic Algorithm Particle Swarm Optimization，GA-PSO）融合算法对 Richards 模型参数进行动态修正，建立了一种基于 GA-PSO 融合算法的 Richards 时间函数参数优化模型。通过与传统 GA 算法和变步长果蝇优化算法（Fruit Fly Optimization，FOA）进行比较，结果表明：GA-PSO 算法对Richards 模型参数优化效果良好。通过单点举例和选取部分特征点验证的方法，得出 GA-PSO 算法模型在各个时期的预计中误差最大为 14.43 mm，最小中误差为 1.48 mm，最大平均误差为 11.16 mm，最小平均误差为 1.23 mm，且GA-PSO 算法模型精度高于拟合模型和变步长 FOA 模型。研究表明：经过 GA-PSO 算法优化参数后的 Richards 模型能够更加高效，有助于精确构建矿区地表移动动态预计模型。
- 2021-06-16
- 阅读895
- 下载0
- 6页
- pdf
