基于PSO-BP的再生混凝土抗壓強度預測

劉琦良

摘 要：由于BP神經網絡存在收斂速度慢、容易陷入局部極小值等問題，故本文提出利用粒子群算法優化BP神經網絡的思路，并將之用于再生混凝土抗壓強度預測當中。利用粒子群算法尋找BP網絡最優初始權值和閾值，建立水泥、粉煤灰、水等多個影響指標，輸出28d再生混凝土抗壓強度PSO-BP神經網絡預測模型，與未經優化的BP神經網絡預測進行比較。結果表明，PSO-BP神經網絡具有更高的預測精度。

關鍵詞：再生混凝土;抗壓強度;預測

中圖分類號：TU528.9文獻標識碼：A文章編號：1003-5168（2018）32-0101-02

Forecasting Model of Compressive Strength of Recyle Concrete Base on

BP Neural Network model Optimized by Particle Swarm Algorithm

LIU Qiliang

（Science and Technology College of Hubei University of Arts and Science，Xiangyang Hubei 441000）

Abstract： Because BP neural network had the problems of slow convergence rate and easy to fall into local minimum value， this paper proposed the idea of using particle swarm optimization algorithm to optimize BP neural network and apply it to the prediction of compressive strength of recycled concrete. PSO-BP was used to find the optimal initial weight and threshold of BP network. Several influencing indexes such as cement， fly ash and water are established. The PSO-BP neural network prediction model of 28-day recycled concrete compressive strength was output， which was compared with the BP neural network prediction without optimization. The results showed that PSO-BP neural network had higher prediction accuracy.

Keyword： recyle concrete;compressive strength;prediction

隨著建筑需求不斷增長，混凝土用量也越來越大，每年全世界都需要拌制數量巨大的混凝土，與此同時，由于各種廢棄建筑物拆除或超過使用年限等原因而產生的廢棄混凝土數量也非常巨大的[1]。傳統的廢棄混凝土的處理方式大多采用露天遺棄或者填埋，這不僅會對土地資源造成破壞，而且容易造成環境污染。回收再利用廢棄混凝土既可以減少資源浪費，又可以保護環境，對其進行研究具有重要意義。本文采用粒子群算法優化BP神經網絡，并建立再生混凝土抗壓強度預測模型，對相關問題展開分析。

1 BP神經網絡及粒子群算法

BP神經網絡是一種按誤差傳播算法訓練多層前饋神經網絡，其基本思想是利用輸出后的誤差估算前一層誤差，再利用前一層的誤差估算更前一層的誤差，以此類推獲取各層誤差[2]。獲取后的誤差用來調整各層之間的連接權值，調整后的連接權值再重新計算輸出誤差，直到輸出誤差滿足要求或者迭代次數達到設定值為止，具體結構如圖1所示。

粒子群算法又稱鳥類覓食算法，源于鳥類捕食行為。該算法假設每個優化問題的解為搜索空間里的一只鳥，稱之為粒子。這些粒子都有一個由適應度函數決定的適應值，在N維搜索空間中賦予其一定的速度，從而決定其飛行的方向和距離，速度根據外界環境的改變而不斷進行動態調整。在迭代尋優過程中，這些粒子通過個體極值和群體極值來調整自身狀態：個體極值代表粒子自身尋求得到的最優解;群體極值代表所有粒子中尋求得到的最優解，即全局最優解[3]。

2 PSO-BP預測模型的建立

初始權值及閾值是影響BP神經網絡預測性能的重要參數。因此，提高預測精度的重要方法就是選擇合適的參數組合。為了提高預測效果，本文采用粒子群算法對BP網絡相關參數進行優化，從而提高預測精度[4]。粒子群算法優化BP網絡參數的具體步驟如下。

首先，設置粒子的初始參數最大速度，如粒子數、迭代數、加速因子和粒子等。隨機產生一組粒子初始位置和速度數據，本文粒子初始數設為200，加速因子[c1]和[c2]設為2，最大速度設為0.5。

其次，選擇最佳適應度函數，本文選擇均方差作為適應度函數，在MATLAB 2012a中，均方差函數為mse。同時更新粒子位置，粒子位置調整主要取決于兩個極值的大小。

再次，對粒子速度和位置進行動態調整，如式（1）、式（2）所示。

[Vk+1id=ωVkid+c1r1Pkid-Xkid+c2r2Pkgd-Xkid]? ? ? （1）

[Xk+1id=Xkid+Vk+1id]? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：[ω]表示為慣性權重;[d=1，2，...，D];[i=1，2，...，n];[k]為迭代次數;[Vid]為粒子的速度;[c1和c2]為加速因子;[r1]和[r2]是介于0到1之間的隨機數。

最后判斷結果是否達到最優，若滿足，輸出最優參數值;若不滿足，重復前兩步，直到訓練目標達到設置要求或者迭代次數達到設定值200[5]。

3 實例分析

選取水泥、粉煤灰、水、砂、石、再生骨料和減水劑等7個參數作為影響再生混凝土的抗壓強度輸入變量，輸出變量為28d的再生混凝土抗壓強度。根據實際問題輸入輸出參數，BP神經網絡模型結構選擇7-N-1結構，N為隱含層節點數，經過多次試驗對比，選取N為15，建立結構為7-15-1的BP神經網絡，如圖2所示。

如上圖所示，適應度函數值是在反歸一化結果的基礎上計算得來的，可以看出粒子在迭代110次數以后基本不再發生變化，即達到最佳狀態。

4 結語

由于未經參數優化的BP神經網絡存在收斂速度慢、容易陷入局部極小值等問題，本文采用粒子去群算法對BP網絡閾值和初始權值進行優化，得到了預測性能更好的BP預測模型。同時，以再生混凝土的實際配比算例作為仿真實驗，與未經優化的BP神經網絡預測效果進行了對比，實驗結果顯示PSO-BP預測效果更好，為再生混凝土抗壓強度預測提供了一定的參考價值。

參考文獻：

[1]朱偉，石超峰，李楠.基于遺傳算法優化支持向量機的再生混凝土抗壓強度預測[J].中外公路，2014（1）：1-2.

[2]肖建莊，李佳彬，蘭陽.再生混凝土技術最新研究進展與評述[J].混凝土，2003（10）：17-20.

[3]李占印.再生粗骨料混凝土的性能[D].西安：西安建筑科技大學，2003.

[4]俞桂良.高強混凝土強度預測人工智能方法及應用[J].混凝土，2010（10）：41-43

[5]廖小輝，黃新，施俊玲，等.基于BP神經網絡的再生混凝土抗壓強度預測模型[J].南京林業大學學報，2010（5）：34-37