基于GA-PSO融合算法的开采沉陷Richards预计模型参数优化

摘要：

在矿区开采地表沉降动态预计模型建立过程中,针对Richards时间函数模型参数在地质采矿条件复杂情况下难以一次性准确求取的问题,采用遗传粒子群(Genetic Algorithm and Particle Swarm Optimization,GA-PSO)融合算法对Richards模型参数进行动态修正,建立了一种基于GA-PSO融合算法的Richards时间函数参数优化模型.通过与传统GA算法和变步长果蝇优化算法(Fruit Fly Optimization,FOA)进行比较,结果表明:GA-PSO算法对Richards模型参数优化效果良好.通过单点举例和选取部分特征点验证的方法,得出GA-PSO算法模型在各个时期的预计中误差最大为14.43 mm,最小中误差为1.48 mm,最大平均误差为11.16 mm,最小平均误差为1.23 mm,且GA-PSO算法模型精度高于拟合模型和变步长FOA模型.研究表明:经过GA-PSO算法优化参数后的Richards模型能够更加高效,有助于精确构建矿区地表移动动态预计模型.

关键词：开采沉陷、GA-PSO融合算法、Richards函数模型、参数优化

分类号：TD325(矿山压力与支护)

资助基金：国家自然科学基金项目;安徽省对外合作计划项目

在线出版日期：2021-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：155-160