本发明涉及矿岩强度测量领域，尤其是涉及一种引力搜索优化的矿岩强度软测量方法。
背景技术：
掌握矿岩的强度在采矿工程中具有非常重要的实践意义。在采矿工程中，人们常常采用直接测定法来掌握矿岩的强度，但直接测定法往往需要花费大量的人力和物力，并且耗时比较长，其效率还有待于提升。针对直接测定矿岩强度方法存在的这些缺点，人们提出了矿岩强度软测量方法，该方法通过测量出一些与矿岩强度密切相关且易于测量的指标，然后建立起这些指标与矿岩强度的数学关系，通过建立起来的数学模型计算出矿岩强度。矿岩强度软测量方法能够降低人力和物力成本，并且能够结合计算机监控技术实现无间断实时测量，有效地提高测量的响应速度。
由于矿岩强度软测量方法具有很多优点，许多学者提出了各种各样的矿岩强度软测量方法，例如冯夏庭和赵洪波利用支持向量机建立了岩爆识别模型，实验表明建立的模型能够在一定程度上较好地预测岩爆(冯夏庭,赵洪波.岩爆预测的支持向量机[j].东北大学学报,2002,01:57-59.)；邱景平等利用粒子群优化算法对支持向量机进行优化设计，从而建立起矿岩强度的软测量模型(邱景平,邢军,姜谙男,孙晓刚.基于粒子群支持向量机的矿岩强度指标的超声预测[j].东北大学学报(自然科学版),2012,05:731-734)；崔铁军等利用神经网络来实现矿岩强度软测量(崔铁军,马云东,肖晓春.基于神经网络的岩石强度准则研究[j].华中师范大学学报(自然科学版),2014,48(01):131-135)。
从现有的研究成果中可知，许多研究人员已经利用了支持向量机来建立矿岩强度的软测量模型，并且支持向量机在矿岩强度的软测量中具有很大的潜力。但是传统支持向量机在建立矿岩强度的软测量模型时往往容易出现收敛速度慢，测量精度不高的缺点。
技术实现要素：
本发明的目的是提供一种引力搜索优化的矿岩强度软测量方法。它在很大程度上克服了传统支持向量机在矿岩强度软测量时容易出现收敛速度慢，测量精度不高的缺点，本发明能够提高矿岩强度的软测量精度，提高矿岩强度的测量效率。
本发明的技术方案：一种引力搜索优化的矿岩强度软测量方法，包括以下步骤：
步骤1，在需要软测量的区域内采集mr个矿岩试件，然后通过试验测量出每个矿岩试件的吸水率、干密度、波阻抗、动泊松比、动弹性模量以及抗压强度，将试验所测量出来的数据作为样本数据集；然后对样本数据集进行归一化处理；
步骤2，用户初始化种群大小popsize，最大评价次数max_fes；
步骤3，令当前演化代数t＝0，当前评价次数fes＝0，支持向量机的优化设计参数个数d＝3；
步骤4，设置支持向量机的输入变量为矿岩试件的归一化的吸水率、干密度、波阻抗、动泊松比、动弹性模量，且输出为矿岩试件的归一化的抗压强度；
步骤5，设置支持向量机的d个优化设计参数的下界lbj和上界ubj，其中维度下标j＝1,2,3；
步骤6，随机产生初始种群
其中维度下标j＝1,2,3，并且
步骤7，计算种群pt中所有个体的适应值；
步骤8，令当前评价次数fes＝fes+popsize；
步骤9，保存种群pt中的最优个体bestt；
步骤10，按以下公式计算当前引力常数gt：
其中exp表示以自然常数e为底的指数函数；
步骤11，按以下公式计算当前精英个体数量kbest：
步骤12，计算种群pt中所有个体的质量；
步骤13，利用kbest个精英个体和引力常数gt计算种群pt中每个个体所受到的引力；
步骤14，更新种群pt中所有个体的加速度和速度；
步骤15，更新种群pt中所有个体的位置；
步骤16，计算种群pt中所有个体的适应值；
步骤17，令当前评价次数fes＝fes+popsize；
步骤18，随机选择一个个体，然后对选择出来的个体执行混沌局部搜索操作，具体步骤如下：
步骤18.1，令混乱次数in＝300+200×rand(0,1)；
步骤18.2，在[0,1]之间的随机产生一个实数ir，如果ir等于0.25，0.5或0.75则重新产生直到ir不等于0.25，0.5或0.75；
步骤18.3，令计数器kt＝1，并令迭代因子tf＝ir；
步骤18.4，如果计数器kt大于in则转到步骤18.8，否则转到步骤18.5；
步骤18.5，令混沌因子cf＝4.0×tf×(1.0-tf)；
步骤18.6，令迭代因子tf＝cf；
步骤18.7，令计数器kt＝kt+1，转到步骤18.4
步骤18.8，在[1,popsize]间随机产生一个正整数r1；
步骤18.9，在[1,popsize]间随机产生一个不等于r1的正整数r2；
步骤18.10，令混沌因子cf＝4×tf×(1-tf)；
步骤18.11，令迭代因子tf＝cf；
步骤18.12，按以下公式产生一个个体nut：
其中反向因子mk的值为[0,1]之间随机生成的实数，交叉因子sk的值为[0,1]之间随机生成的实数，mebt为种群中所有个体的位置的平均值；
步骤18.13，计算个体nut的适应值，令当前评价次数fes＝fes+1；
步骤18.14，如果个体nut的适应值优于
步骤18.15，令个体
步骤18.16，转到步骤18.9；
步骤19，令当前演化代数t＝t+1；
步骤20，保存种群pt中的最优个体bestt；
步骤21，重复步骤10至步骤20直至当前评价次数fes达到max_fes后结束，将执行过程中得到的最优个体bestt解码为支持向量机的训练参数，将训练好的支持向量机作为软测量模型，即可实现矿岩强度的软测量。
本发明采用支持向量机作为矿岩强度的软测量模型，利用引力搜索算法对支持向量机的训练参数进行优化设计。在引力搜索算法中，首先执行基本引力搜索算法的操作算子，然后选择出一个随机个体，并对其执行最优个体导向的局部搜索操作，从而增强算法的性能，提高软测量模型的精度。本发明能够提高矿岩强度的软测量精度，提高矿岩强度的测量效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
步骤1，在需要软测量的区域内采集mr＝85个矿岩试件，然后通过试验测量出每个矿岩试件的吸水率、干密度、波阻抗、动泊松比、动弹性模量以及抗压强度，将试验所测量出来的数据作为样本数据集；然后对样本数据集进行归一化处理；
步骤2，用户初始化种群大小popsize＝50，最大评价次数max_fes＝10000；
步骤3，令当前演化代数t＝0，当前评价次数fes＝0，支持向量机的优化设计参数个数d＝3；
步骤4，设置支持向量机的输入变量为矿岩试件的归一化的吸水率、干密度、波阻抗、动泊松比、动弹性模量，且输出为矿岩试件的归一化的抗压强度；
步骤5，设置支持向量机的d个优化设计参数的下界lbj和上界ubj，其中维度下标j＝1,2,3；
步骤6，随机产生初始种群
其中维度下标j＝1,2,3，并且
步骤7，计算种群pt中所有个体的适应值；
步骤8，令当前评价次数fes＝fes+popsize；
步骤9，保存种群pt中的最优个体bestt；
步骤10，按以下公式计算当前引力常数gt：
其中exp表示以自然常数e为底的指数函数；
步骤11，按以下公式计算当前精英个体数量kbest：
步骤12，计算种群pt中所有个体的质量；
步骤13，利用kbest个精英个体和引力常数gt计算种群pt中每个个体所受到的引力；
步骤14，更新种群pt中所有个体的加速度和速度；
步骤15，更新种群pt中所有个体的位置；
步骤16，计算种群pt中所有个体的适应值；
步骤17，令当前评价次数fes＝fes+popsize；
步骤18，随机选择一个个体，然后对选择出来的个体执行混沌局部搜索操作，具体步骤如下：
步骤18.1，令混乱次数in＝300+200×rand(0,1)；
步骤18.2，在[0,1]之间的随机产生一个实数ir，如果ir等于0.25，0.5或0.75则重新产生直到ir不等于0.25，0.5或0.75；
步骤18.3，令计数器kt＝1，并令迭代因子tf＝ir；
步骤18.4，如果计数器kt大于in则转到步骤18.8，否则转到步骤18.5；
步骤18.5，令混沌因子cf＝4.0×tf×(1.0-tf)；
步骤18.6，令迭代因子tf＝cf；
步骤18.7，令计数器kt＝kt+1，转到步骤18.4
步骤18.8，在[1,popsize]间随机产生一个正整数r1；
步骤18.9，在[1,popsize]间随机产生一个不等于r1的正整数r2；
步骤18.10，令混沌因子cf＝4×tf×(1-tf)；
步骤18.11，令迭代因子tf＝cf；
步骤18.12，按以下公式产生一个个体nut：
其中反向因子mk的值为[0,1]之间随机生成的实数，交叉因子sk的值为[0,1]之间随机生成的实数，mebt为种群中所有个体的位置的平均值；
步骤18.13，计算个体nut的适应值，令当前评价次数fes＝fes+1；
步骤18.14，如果个体nut的适应值优于
步骤18.15，令个体
步骤18.16，转到步骤18.9；
步骤19，令当前演化代数t＝t+1；
步骤20，保存种群pt中的最优个体bestt；
步骤21，重复步骤10至步骤20直至当前评价次数fes达到max_fes后结束，将执行过程中得到的最优个体bestt解码为支持向量机的训练参数，将训练好的支持向量机作为软测量模型，即可实现矿岩强度的软测量。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。