导水裂隙带高度预测的PCA-BP模型

导水裂隙带是工作面顶板突水的重要通道,准确预测工作面顶板导水裂隙带发育高度是预防顶板突水的首要任务。本文在总结导水裂隙带高度影响因素的基础之上,选取采高、硬岩岩性比例系数、工作面斜长、推进速度和采深作为影响导水裂隙带高度的主要因素。收集山东省和安徽省综采导水裂隙带高度实例,运用灰色关联分析(grey relational analysis, GRA)法得出采深是导水裂隙带高度的主要影响因素,其他因素是次要影响因素的结论。通过主成分分析(principal component analysis, PCA)法对样本数据进行降维,消除了影响因素之间的相关性,将确定的主成分作为输入层的神经元,基于MATLAB建立了PCA-BP神经网络预测模型,该模型在结果的稳定程度和准确程度上均优于常规的BP神经网络,且最大预测相对误差仅为3.8%。

双层协调多粒子群优化算法研究

针对粒子群算法由于多样性差而导致的算法搜索效率低、稳定性差的缺点,提出了一种拥有双层多群间协调机制的粒子群优化算法(DC-PSO).该算法包含多个下层工作粒子群及上层决策粒子群,下层粒子群进行最优粒子信息采集和迭代计算,上层粒子群处理信息和反馈决策信息,双层粒子群联合工作.同时采用指数函数递增分布的加速度因子控制各粒子群间的耦合性,从而改善了粒子群后期搜索效率低、稳定性差的状况.仿真实验结果表明DC-PSO算法在求解函数优化问题的有效性和优越性.