基于人工蜂群算法與支持向量機融合技術的大壩變形監測研究

沈麗麗

基于人工蜂群算法與支持向量機融合技術的大壩變形監測研究

沈麗麗

（遼陽通源水利水電工程有限公司，遼寧 遼陽 111000）

傳統人工蜂群算法計算流程復雜，計算時間長，為此文章引入支持向量機模型，將模型和人工蜂群算法進行融合，對人工蜂群算法進行優化并行計算，并將融合模型用于遼寧某大壩變形監測應用中。研究結果表明：融合模型可提高模型計算速率，模型計算結果更為穩定；相比于未融合的人工蜂群算法，融合模型在大壩變形監測的精度更高，融合模型均方誤差降低0.45，平方相關系數提高0.62。研究成果對于大壩變形監測技術提供參考。

人工蜂群算法；支持向量機；模型融合；大壩變形監測

大壩變形有效監測對于大壩安全至關重要，為此，許多學者對大壩變形監測進行大量研究，取得一定的研究成果［1-6］，國內對于大壩變形監測的方法主要為3類，第一類為現場探測的方式，第二類為采用數值模型進行預測分析，第三類則為采用BP神經網絡模型，結合監測樣本數據，進行趨勢的統計分析。各種大壩監測方式有優點也有缺點，現場探測的方式結合大壩實際情況出發，但是這種方式需要大量的人力和物力，且很難完成連續監測。第二種方式受到參數選擇的影響較為明顯，而第三種方式也是當前大壩變形監測的一種主要方式，但是傳統BP神經網絡模型容易出現局部最優解的情況。大壩變形監測影響因素較多，各種要素之間存在較為復雜的非線性關系，人工蜂群算法可較好的實現各非線性要素的關聯，在許多變形監測方面得到具體應用［7-11］，但是傳統人工蜂群算法計算流程復雜，計算時間長，存在一定的局限，而支持向量機模型可實現模型的優化計算，為此本文引入支持向量機模型，將模型和人工蜂群算法進行融合，并將融合模型用于遼寧某中型水庫大壩變形監測中，研究成果對于大壩變形監測技術提供參考價值。

1 人工蜂群算法與支持向量機融合原理

人工蜂群算法通過模擬蜜蜂的群體尋優良品種的蜜源的仿生式智能計算方法，算法將蜜源即為模型的目標函數，本文為大壩變形值、引領蜂群以及跟隨的蜂群個數都設置為SN，按照一定的優化方法對模型參數進行尋優求解計算，人工蜂群算法的兩個主要參數為模型計算的懲罰度因子以及寬度計算參數進行優化求解，模型計算的主要有以下9個步驟。

（1）對模型算法的控制參數進行初始化設置，設定模型計算迭代的次數；

（2）通過隨機方程隨機產生SN個蜜源，每個蜜源對應于相應的引領蜂群，每個蜜源計算的優化可以表征為 Xi（i=1，2，…，SN），其中Xi表示為模型兩個計算參數所組成的2維向量。其中Xi的計算表達式為：

式中，xij—第i個蜜蜂群所對應的第 j維的搜索的具體位置；xjmax—模型第j維上邊界；xjmin—模型第j維下邊界。

（3）在完成參數向量組合后，需要對模型變量進行鄰域的搜索，模型采用以下公式進行鄰域的變量搜索，計算公式為：

式中，K—隨機數，K取值范圍為（1，2，…SN）；rij∈［-1，1］之間的隨機數，該數值可以控制xij的鄰域的范圍，鄰域的范圍隨著xij不斷搜素逐漸變小。

（4）在進行變量搜素解的構建后，需要計算每個蜂群的自適應度值，在新舊蜜源之間進行貪婪度參數的選擇，若果變量搜索蜜源（目標值）高于舊的蜜源搜索值，則代替舊的蜜源搜索值進行新的蜜源計算，各個蜂群的自適應度值計算公式為：

式中，yi—模型計算的實際值，在本文為大壩變形監測點采集的監測數據；—模型預測的值，在本文為大壩變形預測數據。

（5）在完成蜂群自適應度值計算后，需要計算每個蜂群的蜜源被選擇的概率P，模型所有跟隨的蜂群采用輪盤機制對蜜源進行選擇，當跟隨蜂成為引領蜂群后，結合公式（2）進行新的蜜源的搜索，計算的公式為：

式中，fiti—模型計算的自動適應度值。

（6）在完成蜜源被選擇概率P計算后，需要對模型最優求解的次進行統計：

式中，search—模型搜索次數，當 search＜limit，則模型返回到第三步驟，否則繼續下一個步驟的計算。

（7）在完成優選次數計算后，需要判別是否存在需要淘汰的蜜源，如果某些蜜源經過多次循環計算后依舊不變，則需要淘汰這些蜜源，則被淘汰的蜜源對應的引領蜂正式成為偵查蜂群，新的偵查蜂群則按照方程（1）計算新的蜜源。

（8）在尋找到各個蜜源的最佳適應度后，結合參數C和g再代入模型計算。在模型計算時采用支持向量機對人工蜂群算法進行融合，對模型進行優選計算，結合支持向量機的原理確定模型支持向量機的自回歸方程，計算函數為：

式中，C—模型懲罰系數；ξi和—模型的非線性松弛系數；ε—模型非敏感度因子。

（9）在進行自回歸方程的構建后，采用拉格朗日推求方法優化求解上述方程，優化求解的方程為：

式中，K（xi-—支持向量機的核函數；ai和aj—拉格朗日系數。

經過上述變化可以得到人工蜂群與支持向量機的融合函數，融合函數的回歸方程為：輸入變量X即可得到需要推求的目標函數值。

2 模型在大壩變形監測的實例應用

2.1 工程實例

本次以遼寧中部某中型水庫為研究工程實例，該水庫全長20m，流域集水面積為42km2，該水庫在構建初期，在壩體內部布設了大壩監測點，采集大壩變形監測數據，大壩變形監測點分布見圖1。選取典型斷面進行斷面參數分析，選取的典型斷面參數見表1。本次研究收集了該大壩1990～2015年的大壩變形監測數據，用于模型的樣本訓練計算以及模型大壩變形監測精度對比分析。

圖1 大壩變形監測點分布圖

表1 大壩斷面主要設計參數

2.2 模型計算穩定性分析

為對比不同優化算法對人工蜂群模型計算穩定性的影響，結合支持向量機算法和傳統人工蜂群算法對模型進行穩定性的測試，并結合3組樣本數據組進行了分類率以及模型參數的對比分析，具體見表2和表3。其中算法1代表本文選用的支持向量機優選算法。

表2 不同算法的穩定性測試結果

表3 不同算法的計算時間測試結果

表2為支持向量機和人工蜂群算法耦合后以及傳統人工蜂群算法的模型穩定性測試結果，從表2中可以看出，模型分類率表示為模型的計算效率，分類率越高，表明模型計算穩定性和計算效率越高，融合模型在三組樣本數據的分類率都要高于單一算法下的分類率，表明融合計算模型的穩定性和計算效率都要好于單一算法，從三組樣本數據的分類率來看，分類率均值提高7.4%。表3為不同算法的計算時間測試結果，從測試分析數據可以看出，融合模型計算的時間都要短于單一算法，計算時間相比于與單一算法，均值縮短160分鐘。融合模型在三組樣本數據計算時間為單一算法的1/2?？梢?，支持向量機和人工蜂群算法融合模型在模型穩定性和計算時間上都有較為明顯的改善。

2.3 大壩變形監測對比分析

結合支持向量機和人工蜂群算法融合模型對研究水庫的大壩形變進行預測，并結合大壩實測的大壩變形數據對比分析支持向量機和人工蜂群算法融合模型以及傳統人工蜂群算法在大壩變形監測的預測精度，對比分析結果見表4以及圖2和圖3。

表4 不同模型在大壩變形監測的對比分析

圖2 不同算法下的大壩變形預測值和監測值對比

圖3 不同算法下的大壩變形預測值和監測值相關分析圖

表4為融合模型和單一算法在研究區域大壩變形監測的預測結果，從預測值誤差相對值看出，融合模型預測值和監測數據的誤差相對值在-5.13%～19.2%之間，小于20%，而單一算法下預測的大壩變形值和各監測點監測值之間的誤差相對值在-20.1%～38.1%之間，均在20%以上，可見融合模型在誤差相對值有所改善，改善度為18.9%。其次從計算的誤差絕對值可以看出，融合模型計算的誤差絕對值在0.02～0.54mm，而單一算法計算誤差絕對值在0.08～0.65mm，可以看出，融合模型計算的誤差絕對值小于單一算法的誤差絕對值，但是兩個模型計算的誤差絕對值差距不大，總體改善度不明顯。從表中還可看出融合模型隨著大壩變形監測值的增加，其誤差絕對值和相對值都有所增加。為進一步分析兩種模型在大壩變形監測的精度，結合20個監測點數據以及模型預測的大壩變形數據，計算了兩種模型在大壩變形監測計算的均方誤差以及相關平方系數，通過計算，相比于單一算法模型，融合模型的均方差誤差降低0.45，平方相關系數提高0.62，融合模型相比于單一算法，在大壩變形的精度有較為明顯改善。圖2為不同算法下大壩變形預測值和監測值的對比，從結果上看，融合模型大壩變形監測值和監測數據的趨勢和相關度都要好于單一算法的模型。綜上，融合模型在大壩變形監測的精度上好于單一算法的預測精度，更適合作為大壩變形監測預測技術。

3 結語

本文將支持向量機模型和人工蜂群算法進行融合，對人工蜂群算法進行優化并行計算，并將融合模型用于大壩變形監測中，研究取得以下結論。

（1）融合模型可提高傳統單一人工蜂群算法的穩定性和計算時間，融合模型計算效率提高7.4%，相比于單一人工蜂群算法，計算時間縮短一倍；

（2）相比于單一人工蜂群算法，融合模型預測的大壩變形監測精度有明顯改善，融合模型隨著大壩變形值增加，其預測誤差增加。

［1］方衛華.大壩安全監測自動化的技術監督［J］.水利技術監督，2001（03）： 38-40.

［2］鞏向偉，侯豐奎，張衛東，等.水庫大壩安全監測系統及自動化［J］.水利規劃與設計，2007（02）：65-68.

［3］申慧.北疆地區大壩安全監測設計［J］.水利規劃與設計，2015（08）： 77-79.

［4］杜強.小灣大壩變形監測與分析研究［D］.長安大學，2015.

［5］柴麗莎，戚丹，吳浩.多測點多方向BP網絡模型在大壩變形監測中的應用［J］.水電能源科學，2014（03）：94-97.

［6］杜傳陽，鄭東健，張毅，等.基于動態SVM-MC的大壩變形監測模型及應用［J］.水電能源科學，2015（01）：71-74.

［7］王冰.人工蜂群算法的改進及相關應用的研究［D］.北京理工大學，2015.

［8］張鵬.基于VS的海堤安全監測系統開發及綜合建模分析［D］.合肥工業大學，2014.

［9］張石，李同春，程井，等.基于人工蜂群算法的大體積混凝土溫度場參數反演［J］.水電能源科學，2014（11）：115-117+62.

［10］康飛，李俊杰，許青.混合蜂群算法及其在混凝土壩動力材料參數反演中的應用［J］.水利學報，2009（06）：736-742.

［11］王新，梁桂蘭.基于人工蜂群算法的船閘高邊坡巖體力學參數反分析［J］.科學技術與工程，2013（01）：102-107.

TV698.1

A

1008-1305（2017）05-0024-03

10.3969/j.issn.1008-1305.2017.05.009

2016-07-01

沈麗麗（1985年—），女，工程師。