一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法

本发明涉及边坡工程，具体涉及一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法。

背景技术：

1、山体滑坡作为世界三大自然灾害之一，对人员的生命安全和财产损失有着严重威胁，滑坡的预防至关重要，边坡稳定性的及时准确分析是边坡预防的重要环节。边坡安全系数是评价边坡稳定性的重要指标，国内外在边坡稳定性评价研究中，通过跨学科组合的方法建立了各种新研究模型，有效推动了边坡稳定性评价领域的发展，关于边坡安全系数的评价方法包括定性研究方法、数值分析方法、极限平衡分析方法和基于数据不确定性的智能算法等，但是数值模拟方法的建模过程较为繁琐，工程地质类比法需要搜集大量的工程资料，并且边坡系统的复杂性和多重不确定性，传统单一数据的参数分析方法无法满足要求，寻找到一种能快速、稳定，只需利用边坡影响因素参数即可预测边坡安全系数的方法就显得很有必要了。

技术实现思路

1、针对现有方法的不足以及实际应用的需求，为了解决复杂边坡采用单一参数预测边坡安全系数准确度低的问题。本发明提供一种基于鹈鹕算法和支持向量机的边坡安全系数预测方法，所述基于鹈鹕算法和支持向量机的边坡安全系数预测方法，包括以下步骤：获取边坡数据样本，通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集；设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法；基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型；利用训练好的支持向量机预测优化模型，对边坡安全系数进行预测。本发明通过算法优化策略改进鹈鹕算法，消除了鹈鹕算法中随着迭代次数的增加易陷入局部最优的缺点，利用改进的鹈鹕算法确定支持向量机预测优化模型的核函数和惩罚系数，再通过多维度真实数据对支持向量机预测优化模型进行训练和验证，解决了复杂边坡采用单一参数预测边坡安全系数准确度低的问题，只需利用边坡影响因素参数即可快速、稳定准确地预测边坡安全系数，提高了预测边坡稳定的工作效率，节省了时间成本。

2、可选地，所述通过所述边坡数据样本获得边坡数据训练集和边坡数据验证集，包括以下步骤：对所述边坡数据样本进行归一化处理，将处理后的数据按照设定比例随机划分，获得所述边坡数据训练集和所述边坡数据验证集；所述边坡数据样本包括边坡安全评价指标和对应的边坡安全系数值；所述归一化处理满足以下公式：其中，表示归一化处理后的值，xi表示原始值，min(xi)表示数据样本中最小值，max(xi)表示数据样本中最大值。通过对数据的归一化处理，统一了各参数量纲，将处理后的数据按照设定比例随机划分，有利于提高本发明的适用性。

3、可选地，所述设置算法优化策略，并利用所述算法优化策略优化鹈鹕算法，获得鹈鹕改进算法，包括以下步骤：设置算法优化策略，所述算法优化策略包括第一策略、第二策略和第三策略；获取动态权重因子，通过所述动态权重因子优化鹈鹕的位置更新算法，获得动态自适应权重鹈鹕算法；结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法。本发明将动态权重因子增加到鹈鹕的位置更新算法，消除了鹈鹕算法中随着迭代次数的增加易陷入局部最优的缺点，有效提高了本发明准确度。

4、可选地，所述第一策略为萤火扰动策略，所述第二策略为柯西变异策略，所述第三策略为反向学习策略；所述动态权重因子满足以下公式：所述动态自适应权重鹈鹕算法满足以下公式：其中，ω表示动态权重因子，e表示自然对数的底，t表示当前迭代次数，itermax表示最大迭代次数，表示第i个鹈鹕的第j维的新位置，xi,j表示第i个鹈鹕的位置，pi,j表示第i个鹈鹕的猎物的位置，i表示1或2的随机整数，表示第i个鹈鹕的猎物的位置的目标函数值，fi表示第i个鹈鹕的适应度值，f表示鹈鹕种群的目标函数向量，表示基于第1阶段更新后第i个鹈鹕的目标函数值。

5、可选地，所述鹈鹕改进算法满足以下公式：其中，表示鹈鹕种群最新位置更新参数，x′,j表示第t代的最优解的反解，b1表示信息交换控制系数，xi,j表示第i个鹈鹕的位置，表示最新鹈鹕个体对应的适应度；fi表示当前萤火虫位置的适应度值，cauchy(0,1)满足标准的柯西分布，cauchy表示的柯西变异算子。

6、本发明通过公式计算的方式得到鹈鹕种群最新位置，可以准确、快速地得到相关数据，进一步提高本发明的准确度。

7、可选地，所述结合所述动态自适应权重鹈鹕算法和所述算法优化策略，获得所述鹈鹕改进算法，还包括以下步骤：将最新鹈鹕个体未更新位置的适应度值与新位置的适应度值进行比较，获得较优位置，所述较优位置满足以下公式：其中，xi,j表示第i个鹈鹕未更新的位置，表示鹈鹕种群最新位置更新参数，表示新位置的适应度值，f(xi,j)表示未更新位置的适应度值。本发明通过判断最新鹈鹕个体未更新位置的适应度值与新位置的适应度值，确定是否更新最新鹈鹕个体的位置，提高了本发明的效率。

8、可选地，所述的柯西变异算子满足以下公式：其中，x′i,j表示第t代的最优解的反解，ub表示上边界，lb表示下边界，rand服从[0,1]标准均匀分布的随机矩阵，b1表示信息交换控制系数，itermax表示最大迭代次数，t表示当前迭代次数，η表示柯西分布随机变量生成的函数，ξ表示0到1的随机数，表示鹈鹕种群最新位置更新参数，xi,j表示第i个鹈鹕的位置，cauchy(0,1)满足标准的柯西分布。本发明提出的柯西变异算子能够加快收敛速度，减少迭代次数，进一步提高了本发明的效率。

9、可选地，当时，rand产生的随机数小于反向学习率，所述反向学习率满足以下公式：ps＝-exp(1-t/itermax)20+θ，其中，ps表示反向学习率，θ表示调整参数，θ＝0.08，itermax表示最大迭代次数，t表示当前迭代次数。当时，本发明通过对rand产生的随机数进行限制，进一步加快了收敛速度，减少了迭代次数。

10、可选地，所述基于所述鹈鹕改进算法，构建支持向量机预测优化模型，并通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型，包括以下步骤：构建支持向量机预测模型；通过所述鹈鹕改进算法，修正所述支持向量机预测模型的核函数和惩罚系数，获得所述支持向量机预测优化模型；通过所述边坡数据训练集和所述边坡数据验证集，训练并验证所述支持向量机预测优化模型。本发明通过构造机器学习模型并修正部分参数，结合多维度真实参数数据进行训练和验证，提高了模型预测结果的准确性和可靠性。

11、可选地，所述支持向量机预测模型，满足以下公式：其中，w表示超平面的法向量，c表示惩罚参数，ξi表示第i个松弛变量，b表示偏置，n表示自然数集，x表示特征向量，引入拉格朗日函数为：其中，αi表示拉格朗日乘子，k(xi,yi)表示核函数；将所述核函数表示为:所述支持向量机预测模型表示为：其中，σ表示径向基函数的扩展常数，gamma表示惩罚系数。本发明将边坡安全系数输入向量与安全系数值之间的非线性关系，通过支持向量机预测模型映射至一个高维空间，并在高维空间内构造线性回归函数，提高了本发明的适用性。