量子粒子群算法反演概率积分法参数_朱尚军(1).pdf

收稿日期2019-06-26 基金项目国家自然科学基金项目 （编号 41602357） ， 江苏省资源环境信息工程重点实验室开放基金项目 （编号 JS201801） 。 作者简介朱尚军 （1995） ， 男， 硕士研究生。通讯作者王磊 （1983） ， 男， 副教授， 博士， 硕士研究生导师。 量子粒子群算法反演概率积分法参数 朱尚军 1 王磊 1， 2， 3 魏涛 1 蒋创 1 江克贵 1 查剑锋 2， 3 孔川 41 （1. 安徽理工大学空间信息与测绘工程学院， 安徽 淮南 232001； 2. 中国矿业大学环境与测绘学院， 江苏 徐州 221116； 3. 江苏省资源环境信息工程重点实验室， 江苏 徐州 221116； 4. 山东裕隆矿业集团有限公司单家村煤矿， 山东 曲阜 273100） 摘要概率积分法预计模型反演参数过程中存在计算量大、 过程复杂等问题， 现有的智能优化算法可以弥 补这些不足， 但存在易陷入早熟收敛、 粒子全局搜索效果较差、 收敛速度较慢等缺陷。通过试验发现量子粒子群 （Quantum-behaved Particle Swarm Optimization Algorithm， QPSO） 算法能够在保证精度不变的基础上极大降低算法的 运行时间， 并降低粒子陷入早熟收敛的概率， 将粒子扩大为全局唯一的解空间。将量子粒子群算法引入到开采沉陷预 计参数求解中， 以下沉和移动变形的实测值与预计值之差的绝对值累加和最小为求参代价函数， 构建了基于QPSO算 法的概率积分法参数反演模型。研究结果表明 ①模拟试验中， 在相同的运行环境下， QPSO算法与粒子群 （Particle Swarm Optimization， PSO） 算法的求参精度相当， QPSO算法求参稳定性略高， 且求参效率大幅度提高 （QPSO算法运行 时间比PSO算法减少近90） ， 验证了基于QPSO算法的概率积分法参数反演模型的有效性与可靠性； ②利用所建立 的 QPSO 参数反演模型求解了顾桥南矿 1414 （1） 工作面概率积分法参数， 求取结果为 q1.041 5， tanβ1.910 8， b 0.374 2， θ85.086 9 ， S155.663 5 m， S237.161 8 m， S3-0.667 0 m， S4-9.798 0 m， 下沉与水平移动拟合中误差为 72.04 mm， 符合工程应用标准， 尽管QPSO算法与PSO算法求解精度相当， 但运算效率显著提高。所构建的模型对 于开采沉陷预计参数精准反演具有一定的参考价值。 关键词开采沉陷概率积分法参数反演粒子群优化算法量子粒子群优化算法 中图分类号TD325文献标志码A文章编号1001-1250 （2020） -07-161-09 DOI10.19614/ki.jsks.202007024 Parameters Inversion of Probability Integral Based on Quantum Particle Swarm Optimization Algorithm Zhu Shangjun1Wang Lei 1， 2， 3 Wei Tao 1 Jiang Chuang 1 Jiang Kegui1Zha Jianfeng2， 3Kong Chuan42 （1. School of Geomatics， Anhui University of Science and Technology， Huainan 232001， China； 2. School of Environment and Geo-inatics， China University of Mining and Technology， Xuzhou 221116， China； 3. Jiangsu Key Laboratory of Resources and Environmental Ination Engineering， Xuzhou 221116， China； 4. Shanjiacun Coal Mine， Shandong Yulong Mining Group Co.， Ltd.， Qufu 273100， China） AbstractIn process of parameter inversion of probability integral predicts that there are problems such as large calculation amount and complicated process in the process of inverting parameters of the model.Existing intelligent opti⁃ mization algorithms can make up for these deficiencies， but there are some defects such as easy to fall into premature conver⁃ gence， poor global search effect of particles， and slow convergence speed.Through experiments， it was found that the quantum- behaved particle swarm optimization algorithm（QPSO）can greatly reduce the running time of the algorithm on the basis of ensuring the accuracy is unchanged，and reduce the probability of particles falling into premature convergence， expanding the particles to be globally unique Solution space.The QPSO algorithm is introduced into the solution of the prediction param⁃ eters of mining subsidence.The cumulative sum of the absolute value of the difference between measured values and predict⁃ ed values of the sinking and moving deation is the minimum cost function， and the probability integral parame⁃ ters inversion model based on QPSO algorithm is constructed.The study results show that①in the simulation test， under the 总第 529 期 2020 年第 7 期 金属矿山 METAL MINE Series No. 529 July2020 161 ChaoXing 金属矿山2020年第7期总第529期 same operating environment， the QPSO algorithm and the particle swarm optimization algorithm（PSO）have the same preci⁃ sion， and the QPSO algorithm has a slightly higher stability， and the efficiency of the parameter is greatly improved（the run⁃ ning time of the QPSO algorithm is reduced by nearly 90 compared to the PSO algorithm） ， which verifies the validity and re⁃ liability of the parameter inversion model based on the QPSO algorithm； ②the probability integral parameters of of Guqiao South Mine 1414 （1）working face are calculated based on the QPSO parameter inversion model， the results show that q 1.041 5， tanβ1.910 8， b0.374 2，θ85.086 9，S155.663 5 m，S237.161 8 m，S3-0.667 0 m，S4-9.798 0 m， the error in the fitting of sinking and horizontal movement is 72.04 mm， which meets the engineering application standards， although the precision of QPSO algorithm is similar to that of PSO algorithm， its operational efficiency is significantly improved.The model established in this paper has certain reference value for the accurate inversion of mining subsidence prediction parameters. KeywordsMining subsidence， Probability integral ， Parameter inversion， Particle swarm optimization algorithm， Quantum-behaved particle swarm optimization algorithm 概率积分法参数预计是我国 建筑物、 水体、 铁 路及主要井巷煤柱留设与压煤开采指南 中常用的 开采沉陷预计方法， 其中概率积分法参数反演是地 表移动观测数据处理的关键环节之一 ［1-2］。概率积分 法是我国研究开采沉陷较为成熟且应用较为广泛的 预计方法之一 ［3］。该方法是以正态函数为影响函数， 采用概率积分方法表示地表移动盆地的下沉、 倾斜、 曲率、 移动和变形 ［4］。精确反演概率积分法参数是提 高开采沉陷预计精度的基础， 但由于概率积分模型 是多参数非线性模型， 从而导致参数反演过程异常 复杂和困难 ［5］。 反演概率积分法参数常用的方法有直接求参、 拟合求参和智能优化算法求参， 其中智能优化算法 可以弥补反演概率积分法参数过程中计算量大与过 程复杂等不足。近年来， 不少学者将智能优化算法 应用于概率积分法参数反演研究， 取得了一定的进 展。吴侃等 ［6］将模矢法引入概率积分法参数反演中， 在此基础上开发了矿区沉陷预测预报系统， 并结合 无人机、 三维激光扫描仪等新技术建立了一系列变 形监测模型； 查剑锋等 ［7］通过研究论证了遗传算法在 概率积分法参数反演中的适用性与稳定性， 但该算 法易陷入局部最优解； 徐梦强等 ［5］将算法简单、 精度 高的粒子群优化算法引入概率积分法参数反演中， 利用模拟试验和工程应用实例证明了该算法的有效 性， 但该算法存在易陷入早熟收敛、 粒子全局搜索效 果较差、 收敛速度较慢等不足； 陈涛等 ［8］提出了基于 果蝇算法的概率积分法参数反演方法， 通过矿山实 测数据验证分析， 证明了该算法有助于提高概率积 分法参数反演精度。通过分析研究成果可以发现 ①当算法搜索领域不够充分时， 上述遗传算法、 粒子 群优化算法、 果蝇算法等都会在一定程度上陷入局 部最优， 从而导致算法早熟收敛 ［2］； ②粒子群优化算 法在参数反演过程中存在参数选择困难、 早熟收敛、 全局搜索效果较差、 算法运行耗时较多等不足 ［9-13］。 通过查阅相关成果 ［9-10］发现， 通过加入量子化引力 场， 有助于提高智能优化算法的运行效率。魏涛等 ［9］ 将量子算法即量子旋转门引入遗传算法中， 提高了 算法的准确性与稳定性， 并克服了传统遗传算法易 陷入局部最优的缺陷。借鉴上述研究思路， 如果将 量子化引力场引入粒子群优化算法中， 利用该算法 的运行效率优势 ， 将搜索域扩大为全局搜索且降低 陷入早熟收敛的概率， 那么优化后的算法 （即QPSO 算法） 在概率积分法参数反演中相对于传统粒子群 优化算法而言， 势必会具有一定的优势。为此， 本研 究提出了一种基于QPSO算法的概率积分法参数反 演方法， 并对其适用性进行讨论。 1基于QPSO的概率积分法参数反演模型 1. 1理论基础 粒子群优化 （PSO） 算法作为一种基于群体智能 的优化算法， 是由1995年美国心理学家James Ken- nedy和电气工程师 Russell Eberhart提出 ［14］。PSO算 法属于群体智能优化算法范畴， 源于模拟鸟群的觅 食过程， 通过个体之间相互合作最终找到食物最多 最近的点， 即优化后的搜索结果 ［5］。孙俊等［11］提出了 量子粒子群 （QPSO） 算法， 该算法取消了速度变量， 并 且位置更新是完全随机迭代， 弥补了PSO算法的不 足， 是一个有效且较为完善的群体智能优化算法。 有别于传统PSO算法， QPSO算法并非让粒子按 照某一随机确定的轨道移动， 而是建立一个量子化 引力势场来束缚粒子运动。在建立量子粒子群模型 时， 用向量X表示粒子个体的当前位置， 即粒子个体 的思维状态； 随后经过适应度函数判定找到个体的 历史最优位置， 即粒子个体的最优历史经验；gbest表 示由N个粒子组成的粒子群中适应度函数最优的粒 子当前位置。在物理力学中用束缚态来描述聚集 性， 粒子运动中心存在某种引力势场是粒子产生束 缚态的主要原因 ［11］。因此建立一个量子化引力势场 是量子粒子群优化算法的基础， 处于引力势场的粒 162 ChaoXing 2020年第7期朱尚军等 量子粒子群算法反演概率积分法参数 子会依据一定的概率出现在解空间的任何一个位 置， 当趋近无穷远时， 粒子出现的概率趋于0。可见， QPSO算法的随机性远大于PSO算法， 如何建立一个 引力势场至关重要 ［15］。 1. 1. 1势场模型建立 粒子群中的每个粒子都是以点pijpi1,pi2,,pij 为吸引子 ［11］， 其坐标公式为 pij t c1r1j t pij t c2r2j t Gij t c1r1j t c2r2j t ,i ≤ j ≤ N（1） 或 ■ ■ ■ ■ ■ pij t φij t ⋅ pij t []1 - φij t ⋅ Gij t φij t []c1r1j t []c1r1j t c2r2j t ，（2） 式中，i、j分别为粒子个数及维数；t为迭代次数；N为 粒子总数；c1、c2为加速常数；r1、r2为区间0,1上的随 机数；Gij t为历史全局最优位置。 由式 （1） 和式 （2） 可知， 当c1 c2时，φij t 即为在 区间0,1上随机且均匀分布的一个数。因此可将式 （2） 中φij t 表示为直接由随机数产生， 可将式 （2） 表 示为 pij t φij t ⋅ pij t []1 - φij t⋅ Gij t ,φj t ～U0,1 ， （3） 在量子粒子群算法中采用该式表示历史最优位置与 群体最优位置之间的某个随机多维点的位置。 由上述分析并依据文献 ［14］ 提出在pij点建立δ 势阱引力场。由于粒子的位置和速度在量子化空间 中无法同时确定， 所以需要利用波函数ψx,t（x为粒 子的位置，t为粒子的速度） 来描述粒子的运动状态， 粒子的空间三维坐标向量为X x,y,z。波函数表 述的物理意义为粒子在解空间某点出现的概率等于 波函数模的平方， 可表示为 ||ψX,t 2dxdydz Q X,t dxdydz，（4） 式中，QX,t为概率密度分布函数。 易知， 式 （4） 满足归一化条件 ∫-∞ ∞ ||ψ 2dxdydz ∫-∞ ∞ Qdxdydz 1，（5） 式 （5） 即为Schrodinger公式， 是粒子在量子空间中的 动力学方程 ［11］。 为求得多维δ势阱下粒子的随机位置方程， 先在 一维空间中建立一个一维势阱， 表达式为 v x -γδx - p -γδ y，（6） 式中，x,y为一维条件下点的坐标； p为δ势阱引力场 一维坐标；γ为常数。 令y x - p， Schrodinger公式可改写为 ■ ■ ■ ■ ■ ■ ■ d2ψ dy2 2m h2 []E γδ y ψ 0 H ˆ - h2 2m . d2ψ dy2 - γδ y ，（7） 式中，H ˆ 为哈密顿算子；h为普朗克常数；m为粒子质 量；v x为粒子所在的引力势场；E为粒子能量。 Schrodinger公式在一维条件下的解为 ■ ■ ■ ■ ■ ■ ■ ψ y 1 L e -|y| L L 1 β h2mγ ，（8） 式中，L为势阱的特征长度；β为势阱的特征长度的倒 数。 通过式 （6） 、 （7） 、 （8） 求得粒子出现在解空间的 概率分布函数。为求得粒子在每点的适应度值， 需 求出粒子在解空间的确切位置x， 进而得到粒子的位 置更新公式。 1. 1. 2QPSO算法粒子位置进化方程 在上文已求得一维条件下的波函数， 即得到了 粒子相对于pij点的位置。为求得粒子的确切位置， 本研究采用蒙特卡罗随机模型 （逆变换法） 方法 ［11］推 导出一维δ势阱下粒子的随机位置方程 x p L 2 ln1 u，（9） 式中，u为区间0,1上的随机数；p为δ势阱引力场一 维坐标。 将一维拓展为多维， 即在每一维上都建立一个 一维δ势阱， 可得粒子i的随机位置方程 （即位置进化 方程） ■ ■ ■ ■ ■ ■ ■ xijt 1 PGij t Lij t 2 ln[ ] 1 uij t PGij t θ1⋅ pij t 1 - θ1⋅ pg t ， （10） 式中，θ1为区间0,1上的随机数；t为迭代次数； xijt 1为第t 1次迭代中粒子i的位置；PGij t为 第t次迭代中粒子的历史最优位置pij与群体最优位 置pg之间的某个随机多维点的位置；Lij t为多维条 件下的势阱的特征长度。 对函数Lij t进行控制时的运算公式为 ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ Lij t 2α||mbest t - xij t mbest t 1 N∑ i 1 N pi t ■ ■ ■ ■ ■ ■ 1 N∑ i 1 N pi1 t , 1 N∑ i 1 N pi2 t , 1 N∑ i 1 N piD t ， （11） 163 ChaoXing 金属矿山2020年第7期总第529期 式中，D为粒子维数；mbest t为所有粒子个体的历史 最优位置的均值； N为粒子总数；α为收缩因子是量 子粒子群中唯一需要确定的参数， 是用来控制量子 粒子群的收敛速度， 即扩张收缩速度 ［16-17］。 式 （11） 中参数α控制公式为 α αminαmax- αmin⋅T - tT，（12） 式中，T为算法的总迭代次数 ［4］； t为算法的当前迭代 次数；αmin与αmax为常数， 通常αmax取1、αmin取0.5。本 研究αmax取1，αmin取0.5。 综上分析， 可得粒子的进化公式为 xijt 1 PGij t α ⋅||mbest t - xij t⋅ ln[ ] 1 uij t .（13） 通过上述分析可知 QPSO引入平均个体历史最 优位置， 取消了速度向量， 将粒子搜索区域扩大为全 局唯一的解空间； 在平均位置的作用下每个粒子在 收敛过程中不得不考虑其他粒子的运动状态而独立 地向最优点gbest靠近， 远离gbest的粒子会将平均位 置拉向自己， 此时聚集于gbest附近的粒子大范围搜 索最终的群体最优位置， 等远离的点靠近gbest时再 共同缩小搜索区域， 故而加强了粒子的全局搜索能 力， 降低了粒子陷入局部最优的概率 ［15-21］。 1. 2基于 QPSO 算法的概率积分法参数反演模型 构建 根据概率积分法原理 ［1-5］， 可将地表任意一点的 下沉值与水平移动表示为 ■ ■ ■ ■ ■ W Wx,y,P U Ux,y,P ，（14） 式 中 ，P为 概 率 积 分 法 参 数 矩 阵 ，P []q,b,tanβ,θ,S1,S2,S3,S4；q为下沉系数；b为水平移动 系数；tanβ为主要影响角正切值；θ为开采影响传播 角；S1，S2为上下拐点偏移距；S3，S4为左右拐点偏移 距；（x， y） 为观测站点的坐标 假设地表任意一点M的实测下沉值与水平移动 值分别为WM实，UM实， 该点通过QPSO算法得出的下沉 与水平移动预计值分别为WM实，UM实.则该点的下沉与 水平移动残差vM为 vM sum[ ] absWM实- WM预 absUM实- UM预， （15） 式中，abs为绝对值运算方式；sum为求和运算方式。 根据误差平方和最小原则， 本研究构建的概率 积分法求参准则为 ∑ i 1 m abs vM min，（16） 式中，m为测点数，i ＜ m。可根据该式采用 QPSO算 法求解概率积分法参数。 综上分析， 本研究采用MATLAB语言对QPSO算 法进行编程实现。假设在解空间有100个粒子， 每个 粒子有8维， 在第t次迭代中粒子的当前位置可表示 为xi8[]xi1 t ,xi2 t ,,xi8 t,i 1,2,,100； 粒 子 的历史最优位置可表示为pi8 t []pi1 t ,pi2 t ,,pi8 t， 群 体 最 优 位 置 可 表 示 为 pg8 t []pg1 t ,pg2 t ,,pg8 t。将下沉和移动变 形实测值与预计值之差的绝对值累加值作为适应度 函数f f sum■ ■ ■ ■ absW预- W实 absU预- U实， （17） 适应度函数越小说明粒子位置越好， 即参数反演结 果越好。 本研究基于QPSO算法的概率积分法参数反演 流程如图1所示。 算法实现步骤为 （1） 初始化种群， 将粒子当前位置初始化为个体 历史最优位置， 计算适应度找到群体最优位置。 （2） 通过式 （10） 得到粒子i1 ≤ i ≤ 100的介于个 体历史最优与群体最优之间的位置PGi。 （3） 依据式 （11） 计算mbest， 即个体历史最优位置 的均值。 （4） 根据式 （13） 更新粒子的位置。 （5） 计算当前迭代次数下的粒子适应度值， 并与 164 ChaoXing 2020年第7期朱尚军等 量子粒子群算法反演概率积分法参数 前一次迭代比较， 如果适应度值小， 将粒子历史最优 位置更换为当前粒子的位置； 否则， 不变。找到群体 最优位置与前一次迭代结果比较， 适应度值小， 则进 行替换； 否则， 不变。 （6） 重复步骤 （1） 至步骤 （5） ， 若循环达到最大迭 代次数或满足精度， 则跳出循环， 输出最终反演所得 的8个概率积分法参数。 2模拟试验 2. 1工作面概况 本研究所模拟的工作面煤层采厚为3.0 m， 煤层 倾角为5， 走向线长800 m， 倾向线长500 m， 平均采 深为400 m， 采用全部垮落法顶板管理， 达到充分开 采。地表沉陷预计的概率积分法参数设计为 下沉 系数q为 0.8； 主要影响正切tanβ为 2.5； 水平移动系 数b为 0.25， 开采影响传播角θ为 85； 拐点偏距 （S1 S2 S3 S4） 为 0.15 倍的平均采深， 即 60 m。 在试验中， 在移动盆地内设计了沿走向和倾向 2条 主断面的移动和变形观测线， 每个监测点间距为30 m， 其中走向线 （a 线） 长度为 800 m， 共布设了 45 个 监测点； 倾向线 （b线） 长度为500 m， 共布设了35个 监测点。模拟工作上的测线及测点分布如图 2 所 示。 2. 2QPSO 及 PSO 算法参数反演准确性及效率比 较 本研究使用 QPSO及 PSO两种智能优化算法对 概率积分法参数进行反演， 将下沉与水平移动残差 绝对值之和作为适应度函数； 再将参数设计值与参 数反演值进行比较， 通过比较求取参数的相对误差 和中误差的大小反映参数反演的准确性， 并进一步 分析比较两种算法的运行时间。为了避免求参偶然 误差， 在相同条件下分别进行了10次试验， 结果如表 1所示。 注 PSO与QPSO算法参数取值是通过10次试验取均值得到； 10次试验中， PSO与QPSO算法运行耗时分别为1 665.43 s和197.79 s。 165 ChaoXing 金属矿山2020年第7期总第529期 由表1可知 ①QPSO算法反演的概率积分法参 数中除了θ值中误差略大外， 其余参数的中误差均小 于PSO算法反演的参数中误差， 表明QPSO算法的稳 定性优于PSO算法； ②QPSO算法反演的概率积分法 参数除了部分拐点偏距 （S1、S2） 的参数相对误差略大 外， 其余参数的相对误差都小于 PSO 算法， 反映出 QPSO算法反演精度优于PSO算法； 此外， QPSO算法 耗时也远小于PSO算法， 表明QPSO算法的运行效率 优于PSO算法。 为了进一步分析两种算法的参数反演效果， 根 据QPSO与PSO算法的概率积分法参数反演结果， 绘 制了两者的下沉曲线及水平移动曲线， 如图3至图6 所示。 由图 3至图 6分析可知 PSO 及 QPSO 算法的下 沉及水平移动拟合效果均较好； QPSO算法的绝对误 差波动小于 PSO 算法。通过模拟试验数据计算得 PSO的参数取均值后求得的下沉值与水平移动值的 拟合中误差为 8.50 mm； QPSO的参数取均值后求得 的下沉值与水平移动值拟合结果中误差为3.19 mm。 可见， QPSO算法概率积分法参数反演精度优于PSO 算法， 并且QPSO算法的运行效率远高于PSO算法。 2. 3QPSO算法可靠性研究 对表1进一步分析可知 ①利用QPSO算法进行 10次概率积分法参数反演后， 参数的最大相对误差 不超过4， 说明采用 QPSO算法反演概率积分法 参数精度较高； ②与 PSO算法相比， QPSO算法反演 的概率积分法参数除了影响传播角θ拟合中误差略 大外， 其余参数的拟合中误差均小于PSO算法， 说明 QPSO 算法稳定性优于 PSO 算法； ③QPSO 算法运行 效率也明显优于 PSO 算法。模拟试验结果反映出 QPSO算法可靠性较好。 为了进一步分析QPSO算法的稳定性， 本研究对 PSO与 QPSO算法反演的参数分别进行了波动性分 析， 结果如图7所示。 由图7可知 QPSO算法参数反演结果中除了影 响传播角θ波动略大外， 其余参数的波动性均小于 PSO算法反演的各个参数。 3工程实例 3. 1矿区概况 淮南顾桥矿南二采区1414 （1） 是该矿南区的首 166 ChaoXing 2020年第7期朱尚军等 量子粒子群算法反演概率积分法参数 采工作面， 该工作面采用后退式开采， 机械化掘进， 一次采全高， 全部垮落法管理顶板。该工作面沿煤 层走向布置， 工作面开采尺寸为走向长度倾向长 度为2 120 m251 m， 工作面走向方向为充分采动， 倾向方向为非充分采动， 总体为非充分采动 ［22］。工 作面平均采高为3.0 m， 煤层倾角平均为5， 为近水平 煤层。工作面平均深度为735 m， 倾向观测线布置在 距离切眼和停采线1 144 m和976 m处， 共布设了3个 控制点和50个监测点， 点间距为30 m， 倾向线长度为 1 500 m。 3. 2试验结果及分析 选取顾桥南矿1414 （1） 工作面122个监测点 （走 向线上75个监测点， 倾向线上47个监测点） 的实测数 据为基础， 分别采用基于QPSO、 PSO算法构建参数反 演模型对该工作面进行概率积分法参数反演， 并对结 果进行对比分析。两种模型分别进行了10次试验， 将试验结果取平均值， 并计算参数的拟合中误差， 结 果如表2所示， 拟合结果分别如图8至图11所示。 由表2以及图8至图11分析可知 QPSO算法反 演参数得到的拟合中误差均优于PSO算法， 可认为 QPSO算法稳定性较好， 并且QPSO算法效率明显优 于PSO算法； PSO与QPSO算法的拟合结果都较为精 确， 将两种智能优化算法反演的参数取平均值， 计算 出PSO算法下沉值、 水平移动值与实测下沉值、 水平 移动值拟合中误差为 70.93 mm， QPSO算法下沉值、 水平移动值与实测下沉值、 水平移动值拟合中误差 为72.04 mm， 两种算法的下沉值与水平移动值拟合 精度相当。根据文献 ［9］ 分析可知， 尽管二者的拟 合精度都符合工程应用标准， 但 QPSO 算法运算效 率相对于 PSO 算法有明显优势， 故 QPSO 算法对于 实现概率积分法参数高效率、 高精度反演有较好的 适用性。 167 ChaoXing 4结语 为实现对概率积分法预计参数的精确反演， 提 出了基于QPSO算法的参数反演模型。模拟试验以 及顾桥南矿1414 （1） 工作面实例分析表明 QPSO算 法模型反演参数的波动性略小于PSO算法模型， 并 且QPSO算法模型的运算效率明显优于PSO算法模 型， 对于实现概率积分法开采沉陷预计参数高效、 精 准反演有一定的参考价值。 参 考 文 献 陈元非， 王磊， 查剑锋 .矿山开采沉陷预计与分析 ［J］ .煤矿 安全， 2017， 48 （1） 99-102， 106. Chen Yuanfei， Wang Lei， Zha Jianfeng.Prediction and analysis of mine mining subsidence［J］ .Safety in Coal Mines， 2017， 48 （1） 99-102， 106. 陈元非， 高彦涛， 査剑锋， 等.智能优化算法在概率积分参数反 演中的比较 ［J］ .金属矿山， 2017 （4） 162-168. Chen Yuanfei， Gao Yantao， Zha Jianfeng， et al.Comparation of intelligent optimization algorithms in the inversion of probabili⁃ ty integral parameters ［J］ .Metal Mine， 2017 （4） 162-168. 朱晓峻， 郭广礼， 方齐 .概率积分法预计参数反演方法研究 进展 ［J］ .金属矿山， 2015 （4） 173-177. Zhu Xiaojun， Guo Guangli， Fang Qi.Recent progress on parame⁃ ter inversion of probability integral ［J］ . Metal Mine， 2015 （4） 173-177. 注 概率积分法参数取值区间是根据1414 （1） 工作面已有资料得出； 10次试验中， PSO与QPSO算法运行耗时分别为1639.43 s和197.72 s。 ［1］ ［2］ ［3］ 金属矿山2020年第7期总第529期 168 ChaoXing ［4］ ［5］ ［6］ ［7］ ［8］ ［9］ ［10］ ［11］ ［12］ ［13］ ［14］ ［15］ ［16］ ［17］ ［18］ ［19］ ［20］ ［21］ ［22］ 王磊， 张鲜妮， 池深深， 等 .融合 InSAR和 GA的开采沉陷预 计参数反演模型研究 ［J］ .武汉大学学报 信息科学版， 2018， 43 （11） 1635-1641. Wang Lei， Zhang Xianni， Chi Shenshen， et al.Parameter inver⁃ sion model for mining subsidence prediction based on fusion of InSAR and GA［J］ .Geomatics and Ination Science of Wu⁃ han University， 2018， 43 （11） 1635-1641. 徐孟强， 查剑锋， 李怀展 .基于 PSO算法的概率积分法预计参 数反演 ［J］ .煤炭工程， 2015， 47 （7） 117-119， 123. Xu Mengqiang， Zha Jianfeng， Li Huaizhan.Parameters inversion in probability integral by particle swarm optimization ［J］ .Coal Engineering， 2015， 47 （7） 117-119， 123. 吴侃， 周鸣.矿区沉陷预测预报系统 ［M］ .徐州 中国矿业 大学出版社， 1999. Wu Kan， Zhou Ming.Prediction and Prediction System for Min⁃ ing Subsidence［M］ . Xuzhou China University of Mining and Technology Press， 1999. 查剑锋， 冯文凯， 朱晓峻 .基于遗传算法的概率积分法预计参 数反演 ［J］ .采矿与安全工程学报， 2011， 28 （4） 655-659. Zha Jianfeng， Feng Wenkai， Zhu Xiaojun.Research on parame⁃ ters Inversion probability integral by genetic algorithm ［J］ .Journal of Mining Safety Engineering， 2011， 28 （4） 655- 659. 陈涛， 郭广礼， 朱晓峻， 等.利用果蝇算法反演概率积分法开 采沉陷预计参数 ［J］ .金属矿山， 2016 （6） 185-188. Chen Tao， Guo Guangli， Zhu Xiaojun， et al.Mining subsidence prediction parameters inversion of the probability integ