[發明專利]基于神經網絡優化角礫地層中盾構機運行軌跡參數的方法

有效

• 申請號: 201711495121.8
• 申請日: 2017-12-31
• 公開（公告）號: CN108710940B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 李英偉;王小云;李瓊;程勇;劉玉龍
• 申請（專利權）人: 中交一公局集團有限公司;中交一公局橋隧工程有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/06;G06N3/08;G06N3/12
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于神經網絡優化角礫地層中盾構機運行軌跡參數的方法，其特征在于：

利用MATLAB軟件中的newff函數創建一個BP神經網絡，調用格式為：

net＝newff(PR,[S₁,S₂,...S_i,...S_N1],{TF₁,TF₂,...TF_i,...TF_N1},BTF,BLF,PF)

其中，

PR：由每組輸入元素的最大值和最小值組成的R×2維的矩陣；每組共有R組輸入；

S_i：第i層的傳遞函數，默認為“tansig”；

BTF：BP網絡的訓練函數，默認為“trainlm”；

BLF：權值和閾值學習函數，默認為“learndm”；

PF：網絡的性能函數，默認為“mse”；

神經元上的傳遞函數是BP神經網絡的重要組成部分；BP常采用的函數為對數函數、正切函數和線性函數；

隱層節點數的確定也很關鍵，因為這會直接影響預測結果的精度；關于隱層數及其節點數的選擇比較復雜，原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單；采用網絡結構增長型方法，即先設置較少的節點數，對網絡進行訓練，并測試學習誤差，然后逐漸增加節點數，直到學習誤差不再有明顯減少為止；初定隱層節點數使用如下公式：

或者

其中，m、n分別為輸入節點數目與輸出節點數目；a為1～10之間的常數；

（1） 編碼

編碼是遺傳算法的基礎工作；遺傳算法不能直接處理解空間的參數，必須將解空間映射到遺傳空間，因此，必須進行編碼；而解碼是與編碼相反的過程，是從遺傳空間到解空間的轉換過程；

遺傳算法的編碼方法是二進制編碼，即由二進制字符集{0,1}產生通常的0,1字符串來表示問題空間的候選解；二進制編碼字符串的長度與問題所要求的精度有關；

參數取值范圍為[a,b]，采用二進制編碼，要求編碼精度精確到m，即將區間[a,b]劃分為份，設編碼長度為S，則應滿足下式

（2） 種群初始化

種群規模N表示種群中個體的數量，初始群體是隨機生成的N個個體，是遺傳算法進行迭代的起點；種群規模較小時，算法的運算速度提高，但降低了種群的多樣性，容易早熟；種群規模較大時，保證了個體的多樣性，但遺傳算法的效率會降低；N的取值范圍為20～100；

（3） 適應度函數確定

在遺傳算法中，以個體適應度值的大小確定個體被遺傳到下一代群體中的概率大小；遺傳算法中的適應度函數是用來判斷群體中個體優劣性的指標，適應度越大說明個體優勢越大，適應度函數又稱為評價函數，根據所求問題的目標函數確定；

（4） 遺傳操作

遺傳操作包括選擇、交叉、變異三個遺傳算子；

選擇是為了從當前的種群中選出優秀的個體，直接遺傳到下一代或通過交叉變異產生新的個體再遺傳到下一代；選擇操作的原則是適應度值越大，個體被選中的概率越大，其在下一代種群中貢獻的個體越多；選擇算子采用輪盤賭選擇法，也稱比例選擇算子；

交叉算子是遺傳操作的核心；交叉操作根據交叉概率隨機地選擇兩個個體進行配對并交換部分基因，生成的兩個新個體組合了父代個體的特性；交叉操作方法根據編碼表示方法的不同而不同；對于二進制編碼，有單點交叉、兩點交叉、多點交叉、均勻交叉；

變異是指，以一定的概率隨機地改變個體某些基因座上的基因值；對于二進制編碼，某一基因座上的原有基因為0時，變異操作將其變為1，若原為1，則變為0；

遺傳操作的運行參數包括交叉概率、變異概率、進化終止代數；這些參數根據經驗進行選取；

交叉概率控制著交叉操作進行的頻率；交叉概率較大時，可以增強遺傳算法的初期搜索新區間能力，但過大的交叉概率會過早地破壞種群的優良基因，難以搜索到最優解；交叉概率過小時，搜索會陷入停滯狀態；交叉概率取0.2～0.5；

變異概率控制著變異操作進行的頻率；較大的變異概率能夠產生很多新的個體，增加種群的多樣性，但也破壞好的模式；變異概率較低時，產生的新個體較差，算法容易陷入早熟；變異概率取0.001～0.1；

盾構機掘進參數刀盤扭矩u₁、推進泵壓力u₂、A組油缸壓力u₃、B組油缸壓力u₄、C組油缸壓力u₅、D組油缸壓力u₆、1#注漿壓力u₇、2#注漿壓力u₈、3#注漿壓力u₉、4#注漿壓力u₁₀、盾尾間隙一u₁₁、盾尾間隙二u₁₂、盾尾間隙三u₁₃盾尾間隙四u₁₄、管片拼裝點位u₁₅，作為遺傳算法的輸入變量；選取遺傳代數為100代，種群規模為80，交叉概率為0.6，變異概率為0.06；

設計適應度函數：

其中，H為管片拼裝高程偏位；

V為管片拼裝平面偏位；

將參數和設計的適應度函數代入遺傳算法程序，利用遺傳算法進行參數反演，最終得到優化的參數。