基于PSO改进的BP网络在爆破大块率优化中的应用.pdf

第３４卷 第２期 ２０１７年６月 爆 破 ＢＬＡＳＴＩＮＧ Ｖｏｌ． ３４ Ｎｏ． ２  Ｊｕｎ． ２０１７ ｄｏｉ１０． ３９６３／ ｊ． ｉｓｓｎ． １００１ －４８７Ｘ． ２０１７． ０２． ００３ 基于ＰＳＯ改进的ＢＰ网络在爆破 大块率优化中的应用 赵国彦， 孙贵东， 戴 兵， 陈 英 （ 中南大学资源与安全工程学院， 长沙４１００８３） 摘 要 为解决地下矿山爆破开采采场大块率较高的问题， 将ＰＳＯ算法应用于ＢＰ网络中， 生成ＰＳＯＢＰ模 型对影响大块产生的主要参数进行优化。以参数孔底距、 排距、 一次炸药单耗、 起爆位置为输入因子， 大块率 为输出因子建立ＰＳＯＢＰ模型， 采用现场实测数据初步训练模型， 通过控制变量法对模型参数的选取分别进 行敏感性分析， 得出最佳的大块率ＰＳＯＢＰ评价模型。增加模型各输入因子水平数， 按Ｌ１６（３４）正交表组成 优选样本， 经评价模型的计算预测， 搜索出最优的大块率影响参数值。研究结果表明 以东际金矿为例， 采用 孔底起爆方式， 得出最佳大块率预测值９． ９８％， 最优参数值是排距为１． ６ ｍ， 孔底距为１． ８ ｍ， 一次炸药单耗 为０． ３５０ ｋｇ／ ｍ３。 关键词 大块率；优化；ＰＳＯＢＰ模型；预测值；影响参数 中图分类号 ＴＤ２３５ 文献标识码 Ａ 文章编号 １００１ －４８７Ｘ（２０１７）０２ －００１５ －０５ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ Ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ ＰＳＯ Ｉｍｐｒｏｖｅｄ ｉｎ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｂｌａｓｔｉｎｇ Ｂｏｕｌｄｅｒ Ｙｉｅｌｄ ＺＨＡＯ Ｇｕｏｙａｎ，ＳＵＮ Ｇｕｉｄｏｎｇ，ＤＡＩ Ｂｉｎｇ，ＣＨＥＮ Ｙｉｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００８３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｈｉｇｈ ｂｌａｓｔｉｎｇ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｍｉｎｅ ｓｔｏｐｅ，ｔｈｅ ＰＳＯＢＰ ｍｏｄｅｌ ｗａｓ ｐｒｏｄｕｃｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｂｙ ｕｓｉｎｇ ＰＳＯ ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｐａｒａｍｅｔｅｒｓ，ｓｕｃｈ ａｓ ｈｏｌｅｂｏｔｔｏｍ ｓｐａｃｉｎｇ，ｒｏｗ ｓｐａｃｉｎｇ，ｓｐｅｃｉｆｉｃ ｃｈａｒｇｅ ａｎｄ ｄｅｔｏｎａｔｉｏｎ ｐｏｓｉｔｉｏｎ，ｗｅｒｅ ｕｓｅｄ ａｓ ｔｈｅ ｉｎｐｕｔ ｄａｔａ ａｎｄ ｔｈｅ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｗａｓ ｓｅｔ ｔｏ ｂｅ ｔｈｅ ｏｕｔｐｕｔ ｄａｔａ ｉｎ ｍｏｄｅｌ ｂｕｉｌｄｉｎｇ． Ｔｈｅ ｂｅｓｔ ＰＳＯＢＰ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｆｉｅｌｄ ｔｅｓｔ ｄａｔａ ｔｏ ｔｒａｉｎ ｍｏｄｅｌ ｐｒｅｌｉｍｉｎａｒｉｌｙ ａｎｄ ｕｓｉｎｇ ｔｈｅ ｃｏｎｔｒｏｌｌｉｎｇ ｖａｒｉａｂｌｅ ｍｅｔｈｏｄ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ． Ａｃｃｏｒｄｉｎｇ ｔｏ ｃａｌｃｕｌａｔｉｏｎ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌ，ｔｈｅ ｂｅｓｔ ｉｎｆｌｕｅｎｃｅ ｐａｒａｍｅｔｅｒ ｖａｌｕｅｓ ｏｆ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｂｙ ｉｎｃｒｅａｓｉｎｇ ｍｏｒｅ ｌｅｖｅｌｓ ｏｆ ｔｈｅ ｉｎｐｕｔ ｄａｔａ ｔｏ ｆｏｒｍ ｔｈｅ ｆｏｒｅｃａｓｔｅｄ ａｎｄ ｏｐｔｉｍｉｚｅｄ ｓａｍｐｌｅｓ ｉｎ ｔｈｅ ｗａｙ ｏｆ Ｌ１６（３４）ｏｒｔｈｏｇｏｎａｌ ａｒｒａｙ． Ｔａｋｅ Ｄｏｎｇｊｉ Ｇｏｌｄ Ｍｉｎｅ ａｓ ａｎ ｅｘａｍｐｌｅ，ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈｅ ｂｅｓｔ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅ ｏｆ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ａｓ ９． ９８％． Ｉｎ ａｄｄｉｔｉｏｎ，ｂｙ ｄｅｔｏｎａｔｉｎｇ ａｔ ｈｏｌｅ ｂｏｔ ｔｏｍ，ｔｈｅ ｂｅｓｔ ｉｎｆｌｕｅｎｃｅ ｐａｒａｍｅｔｅｒ ｖａｌｕｅｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ ａｓ ｒｏｗ ｓｐａｃｉｎｇ １． ６ ｍ，ｈｏｌｅｂｏｔｔｏｍ ｓｐａｃｉｎｇ １． ８ ｍ ａｎｄ ｓｐｅｃｉｆｉｃ ｃｈａｒｇｅ ０． ３５０ ｋｇ／ ｍ３． Ｋｅｙ ｗｏｒｄｓ ｂｏｕｌｄｅｒ ｙｉｅｌｄ；ｏｐｔｉｍｉｚａｔｉｏｎ；ＰＳＯＢＰ ｍｏｄｅｌ；ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅｓ；ｉｎｆｌｕｅｎｃｅ ｐａｒａｍｅｔｅｒｓ 收稿日期２０１７ －０１ －０８ 作者简介赵国彦（１９６５ －） ， 男， 博士、 教授， 从事采矿与岩土工程灾 害控制方面研究工作， （Ｅｍａｉｌ）３１２９２９１２２＠ ｑｑ． ｃｏｍ。 通讯作者孙贵东（１９９０ －） ， 男， 硕士研究生， 从事矿山开采与安全 技术研究工作， （Ｅｍａｉｌ）１４５４７９２０５６＠ ｑｑ． ｃｏｍ。 基金项目国家自然科学基金项目（５１３７４２４４） 随着科技的发展， 开采智能化与数字化是矿山 未来发展的主要方向［ １］。在地采矿山中， 凿岩爆破 是非常重要的开采环节， 作为评价爆破效果好坏的 重要指标， 采场的大块率不仅直接影响皮带运输系 统和地下破碎系统的正常工作， 而且过高的大块率万方数据 会增加二次爆破的难度和成本， 进而影响矿山的安 全生产。因此， 合理控制大块率对变得尤为重要。 目前， 各文献仅定性的分析部分因素如何影响大块 率指标［ ２］， 并未加以定量的研究。王平等也通过相 似模拟实验对大块产生机理进行了分析［ ３］， 但对大 块率影响因素分析不够全面。近年来， 为了提高神 经网络的收敛速度和学习能力， 利用全局收敛能力 和鲁棒性较强的进化算法训练神经网络， 并取得了 不错的效果。鉴于此， 利用微粒群优化算法对ＢＰ 网络进行优化， 建立了ＰＳＯＢＰ网络模型， 最后将模 型应用于采场大块率优化问题中， 全面考虑了大块 率影响因素， 通过定量分析研究， 优选出最佳的大块 率影响参数［ １１６］。 １ ＰＳＯ算法简介 微粒群优化算法（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ， ＰＳＯ） 最早是由美国社会心理学家Ｋｅｎｎｅｄｙ和工程 师Ｅｂｅｒｈａｒｔ受到生物学家Ｈｅｐｐｎｅｒ鸟类模型的启发 而提出［ ４］。基本微粒群优化算法原理可描述为 假 设有一个Ｄ维问题搜索空间， 其中有Ｎ个无体积、 无重力的微粒有规律地排成队列， 每个微粒代表着 待求解问题的一个潜在解。开始时， 每个微粒按照 一定的速度和方向飞行， 各微粒间保持一定的距离， 即每个微粒都有自己的最优位置。接着， 每个微粒 会通过将自身的位置和速度与群体进行对比， 来不 断调整飞行状态， 使个体保持最优。整个群体根据 每个微粒的个体飞行情况调整群体飞行状态， 使群 体保持最优。最后， 经过不断的飞行调整和迭代， 最 终到达栖息地， 寻到问题的最优解。即该原理讨论 的数值优化问题可表述为［ ４］ ｍｉｎ ｆ（ｘ） ，ｘ ∈［ｘｍｉｎ，ｘｍａｘ］ Ｄ （１） 用Ｘｉ表示第ｉ个微粒的当前位置， 记为 Ｘｉ＝（ｘｉ１，ｘｉ２， ，ｘｉＤ） ，ｉ ＝ １，２， Ｎ（２） 用Ｖｉ表示第ｉ个微粒的当前速度， 记为 Ｖｉ＝（ｖｉ１，ｖｉ２， ，ｖｉＤ） ，ｉ ＝ １，２， Ｎ（３） 用ｐｉ（ｔ） 表示第ｉ个微粒在ｔ代时所经历的最优 位置， 称个体最优位置， 记为 ｐｉ（ｔ）＝［ｐｉ１（ｔ） ，ｐｉ２（ｔ） ， ，ｐｉＤ（ｔ） ］ （４） 设ｆ（ｘ） 为最小化目标函数， 微粒ｉ的当前个体 最优位置由下式确定 ｐｉ（ｔ）＝ ｐｉ（ｔ － １） ，ｆ［Ｘｉ（ｔ） ］ ≥ ｆ ［ｐｉ（ｔ － １） ］ Ｘｉ（ｔ） ，ｆ［Ｘｉ（ｔ） ］＜ ｆ［ｐｉ（ｔ － １ { ） ］（ ５） 用ｐｇ（ｔ）表示群体中所有微粒在ｔ代时所经历 的最优位置， 称作全局最优位置， 记为 ｐｇ（ｔ）＝ ａｒｇ ｍｉｎ｛ｆ［ｐｉ（ｔ） ］｜ ｉ ＝ １，２， ，ｎ｝ （６） 标准ＰＳＯ算法的速度和位置进化方程为 ｖｉ（ｔ ＋ １）＝ ωｖｉ（ｔ）＋ ｃ１ｒ１［ｐｉ（ｔ）－ ｘｉ（ｔ） ］＋ ｃ２ｒ２［ｐｇ（ｔ）－ ｘｉ（ｔ） ］（７） ｘｉｊ（ｔ ＋ １）＝ ｘｉｊ（ｔ）＋ ｖｉｊ（ｔ ＋ １）（８） Ｖｉｔ（ｔ ＋ １）≤ Ｖｍａｘ（９） 式（７） 中ｔ为进化代数；ω为惯性权重；ｃ１为认 知系数；ｃ２为社会系数；ｒ１、ｒ２为服从均匀分布的随 机数。 ２ 大块率优化控制网络模型 ２． １ 问题的描述 福建东际金矿厚矿体先前设计采用分段空场抛 掷爆破嗣后充填采矿法开采， 爆破后矿石的块度大 小直接影响抛掷效果， 块度过大会造成抛掷不理想， 底板矿石残余严重。此外， 矿山在溜井下布置规格 为（９００ １２００）的颚式破碎机破碎矿石， 其对入料 口矿石块度也有一定的要求， 根据相关生产实例， 该 规格的破碎机给料块度需＜３５０ ｍｍ。为此， 为了控 制合理地控制大块率， 就必须对影响大块率的各参 数进行优化。根据东际金矿矿岩赋存特点， 选用３ 种主要的孔底距、 一次炸药单耗、 排距和起爆位置水 平组合进行正交试验。经查表， 可安排四因素、 三水 平的Ｌ９（３４） 正交表， 试验因子取值如表１所示。 表１ 试验因素与水平 Ｔａｂｌｅ １ Ｆａｃｔｏｒｓ ａｎｄ ｌｅｖｅｌｓ ｏｆ ｔｅｓｔ 水平 试验因子取值 排距／ ｍ 孔底 距／ ｍ 一次炸药单耗／ （ｋｇｍ －３） 起爆位置 １１． ４１． ５０． ２５孔底 ２１． ６１． ７０． ３０中部 ３１． ８１． ９０． ３５孔口 按照试验设计安排， 分别在１４５中段的１＃和２＃ 采场进行正交实验。待通风完成后， 进入采场采用 图像分析法测定崩落矿量中的大块率。该方法是通 过对爆堆进行图像处理， 分别计算大块所占面积内 的像素目和区域总面积内的像素目， 两者的比例就 是大块率［ ５］。试验结果如表 ２所示。 ２． ２ 数据的处理 为便于网络模型的运算， 对实验数据做如下处 理（ １）将试验因子中的起爆位置进行实数化处 理。以实数－ １代表孔底起爆，０代表中部起爆，１ 代表孔口起爆。 （２） 正交试验表中的１ ～ ９组数据作为模型的 ６１爆 破 ２０１７年６月 万方数据 训练样本集， 其中第１、３、５、７、９等５组数据也作为 测试样本集。试验因素作为网络输入因子， 结果作 为输出因子。 （３） 因输入因子量纲不同， 且数量级差别较大， 采用Ｚｓｃｏｒｅ法对原始数据进行归一化处理，即 ｘ＝（ｘ － ｕ） ／ σ 。经网络模型运算的输出数据是归 一化结果，为了便于计算，进行反归一化，即ｘ ＝ ｘσ ＋ μ。 （４） 鉴于单个隐含层网络可通过增加神经元节 点数目实现任意非线性映射， 模型均采用单个隐含 层网络。隐含层节点数采用公式Ｈ ＝ｎ ＋ 槡 ｍ ＋ ａ 估算，ｍ和ｎ分别为输入和输出因子维数，ａ是［０， １０］ 之间的常数。因此，Ｈ取８ ～１３间的整数。 表２ 正交试验结果 Ｔａｂｌｅ ２ Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｏｒｔｈｏｇｏｎａｌ ｔｅｓｔ 序号 试验因素 孔底 距／ ｍ 排距／ ｍ 一次炸药单耗／ （ｋｇｍ －３） 起爆 位置 结果 大块率／ ％ １１． ４１． ６０． ２５孔底１８． ３４ ２１． ４１． ９０． ３０中部２２． ６８ ３１． ４２． ２０． ３５孔口１９． ６６ ４１． ６１． ６０． ３０孔口２３． ４１ ５１． ６１． ９０． ３５孔底１４． ８１ ６１． ６２． ２０． ２５中部２２． １７ ７１． ８１． ６０． ３５中部１７． ０７ ８１． ８１． ９０． ２５孔口２０． ６３ ９１． ８２． ２０． ３０孔底１６． ２１ ２． ３ 标准ＢＰ网络模型的应用 为便于和ＰＳＯＢＰ模型比较， 给出学习率可变 的标准ＢＰ模型。不同Ｈ所对网络模型在训练集上 的误差曲线如图１所示。由图１可知， 隐含层节点 为１１时， 网络的收敛速度极快， 在迭代１０次误差达 到０． ０１９２，但误差下降梯度小，在１００迭代后为 ０． ００４８。 隐含层节点为１０时， 网络的收敛速度较慢， 误差下降梯度大， 在１００次迭代后和方误差最小， 值 为０． ００２４。经比较， 标准ＢＰ网络模型隐含层节点 数选为１０。 １ －隐节点数８；２ －隐节点数９；３ －隐节点数１０； ４ －隐节点数１１；５ －隐节点数１２；６ －隐节点数１３ 图１ 不同节点数网络模型训练集误差曲线 Ｆｉｇ． １ Ｅｒｒｏｒ ｃｕｒｖｅｓ ｏｆ ｓａｍｐｌｅｓ ｏｆ ｔｒａｉｎｉｎｇ ａｂｏｕｔ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｎｏｄｅ ｎｕｍｂｅｒｓ ２． ４ ＰＳＯＢＰ网络模型的应用 ＰＳＯＢＰ网络模型的参数包括 种群规模Ｍ、 惯 性权重ω、 隐含层节点数Ｈ、 最大速度Ｖｍａｘ、 加速因 子Ｃ１、Ｃ２和迭代次数Ｔ。为了使网络模型的性能最 佳， 采用控制变量法探究各参数对网络的影响， 以全 局最佳适应度值作为ＰＳＯＢＰ网络性能的评判 指标。 （１）ω和Ｈ对网络的影响 鉴于ω和Ｈ为主要影响因素［ ６］， 首先研究两者 对网络的影响。研究表明［ ６］ 当 ０． ８ ＜ ω ＜ １． ２时， 粒子群算法的性能最好， 收敛速度适中， 找到全局最 优解的概率最高， 从而ω可取０． ８、０． ９、１． ０、１． １、 １． ２。从上文可知， 隐含层节点数Ｈ取值应在８ ～１３ 之间。两者组合后， 研究参数对网络性能的影响， 组 合方式如表３所示。各组分别运行１０次， 计算适应 度平均值， 得出影响情况如图２所示。 表３ 两调试参数组合方式 Ｔａｂｌｅ ３ Ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｍｏｄｅ ｏｆ ｔｗｏ ｄｅｂｕｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓ 参数 １２３４５６７ 调试组数 ８９１０１１１２１３１４１５ ω０． ８０． ８０． ８０． ８０． ８０． ８０． ９０． ９０． ９０． ９０． ９０． ９１． ０１． ０１． ０ Ｈ８９１０１１１２１３８９１０１１１２１３８９１０ 参数 １６１７１８１９２０２１２２ 调试组数 ２３２４２５２６２７２８２９３０ ω１． ０１． ０１． ０１． １１． １１． １１． １１． １１． １１． ２１． ２１． ２１． ２１． ２１． ２ Ｈ１１１２１３８９１０１１１２１３８９１０１１１２１３ ７１第３４卷 第２期 赵国彦， 孙贵东， 戴 兵， 等 基于ＰＳＯ改进的ＢＰ网络在爆破大块率优化中的应用 万方数据 图２ 两参数对网络性能的影响 Ｆｉｇ． ２ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｗｏ ｐａｒａｍｅｔｅｒｓ ｏｎ ｎｅｔｗｏｒｋ ｐｅｒｆｏｒｍａｎｃｅ 由图２可知 在模型中， 第７组（ω ＝０． ９，Ｈ ＝８） 调试参数计算的全局最佳适应度值最小， 网络模型 的综合求解性能最好。 （２） 种群规模Ｍ对网络的影响 种群规模Ｍ一般取２０ ～９０， 对复杂或特定类别 问题可适当增大。但研究表明［ ６］， 过大的 Ｍ值对改 善模型收敛精度的效果不明显， 而计算复杂度却快 速增加， 寻优效果变差。模型将Ｍ分为１５组， 每组 运行１０次， 计算适应度平均值， 得出影响情况如图 ３所示。 图３ 种群规模对网络性能的影响 Ｆｉｇ． ３ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｐｏｐｕｌａｔｉｏｎ ｓｉｚｅ ｏｎ ｎｅｔｗｏｒｋ ｐｅｒｆｏｒｍａｎｃｅ 由图３可知 在模型中， 种群规模Ｍ ＝７０时， 网 络模型的收敛精度高， 综合求解性能最好。 （３） 最大速度Ｖｍａｘ对网络性能的影响 为加快模型计算速度， 防止迭代中模型出现发 散或陷入局部最优，一般设最大速度Ｖｍａｘ＝ ｋＸｍａｘ （０． １≤ｋ≤１） ，Ｘｍａｘ为问题最大搜索空间， 取Ｘｍａｘ＝ ５。将ｋ值分成１０组， 运行１０次， 计算适应度平均 值， 得出影响情况如图４所示。 由图４可知 在模型中，ｋ ＝ ０． ６、Ｖｍａｘ＝ ３时， 网 络模型的综合求解性能最好。 图４ 最大速度对网络性能的影响 Ｆｉｇ． ４ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｍａｘｉｍｕｍ ｓｐｅｅｄ ｏｎ ｎｅｔｗｏｒｋ ｐｅｒｆｏｒｍａｎｃｅ （４） 迭代次数Ｔ对网络的影响 将迭代次数分为１０组， 运行１０次， 计算适应度 平均值， 得出影响情况如图５所示。 图５ 迭代次数对网络性能的影响 Ｆｉｇ． ５ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｉｔｅｒａｔｉｏｎ ｎｕｍｂｅｒ ｏｎ ｎｅｔｗｏｒｋ ｐｅｒｆｏｒｍａｎｃｅ 由图５可知 在模型中， 迭代次数Ｔ ＝３５０时， 网 络模型的性能已达到最好， 再增加迭代次数Ｔ反而 增加计算复杂度， 降低求解速度。 模型加速因子ｃ１、ｃ２采用随时间动态调整的方 法进行计算［ ６］。综上， 模型参数设置如下 种群规 模Ｍ ＝ ７０，最大迭代次数Ｔ ＝ ３５０，最大速度限幅 Ｖｍａｘ＝３， 惯性权重ω ＝０． ９， 隐含层节点数Ｈ ＝８，ｃ１、 ｃ２∈［０． ５，２． ５］ 。将测试样本分别输入隐含层数优 化的标准ＢＰ网络模型和经过参数调试后的ＰＳＯ ＢＰ网络模型， 输出值对比如图６所示。 由图６可知 标准ＢＰ网络训练输出值相较原 始数据差值在１０ －２左右， ＰＳＯ － ＢＰ网络训练输出值 相较原始数据差值在１０ －４左右， 两者相差两个数 量级。 ２． ５ ＰＳＯＢＰ网络模型的预测和优选 为了搜索出最优的大块率影响参数， 根据实际 生产精度要求， 将孔底距进一步细分为１． ６、１． ７、 ８１爆 破 ２０１７年６月 万方数据 １． ８和１． ９四个水平， 排距分为１． ５、１． ６、１． ７和１． ８ 四个水平， 一次炸药单耗分为０． ２７５、０． ３００、０． ３２５ 和０． ３５０四个水平， 起爆位置采用拟水平法处理， 分 为孔底， 中部， 孔口， 孔底四个水平。采用Ｌ１６（３４）正 交表组合后， 输入ＰＳＯＢＰ网络运算， 得到预测值如 表４所示。 １ －原始数据；２ －标准ＢＰ训练输出；３ －ＰＳＯ －ＢＰ训练输出 图６ 两类模型输出对比 Ｆｉｇ． ６ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｗｏ ｍｏｄｅｌ ｏｕｔｐｕｔｓ 表４ 基于ＰＳＯＢＰ网络模型的大块率预测值 Ｔａｂｌｅ ４ Ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅｓ ｏｆ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｂａｓｅｄ ｏｎ ＰＳＯＢＰ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ 序号 实验因素 排距／ ｍ 孔底 距／ ｍ 一次炸药单耗／ （ｋｇｍ －３） 起爆 位置 预测值 大块率／ ％ １１． ５１． ６０． ２７５孔底０． １９２１ ２１． ５１． ７０． ３００中部０． ２０５３ ３１． ５１． ８０． ３２５孔口０． ２０６４ ４１． ５１． ９０． ３５０孔底０． １４８０ ５１． ６１． ６０． ３００孔口０． ２３３９ ６１． ６１． ７０． ２７５孔底０． ２０６２ ７１． ６１． ８０． ３５０孔底０． ０９９８ ８１． ６１． ９０． ３２５中部０． １８２４ ９１． ７１． ６０． ３２５孔底０． １８０２ １０１． ７１． ７０． ３５０孔口０． ２０１１ １１１． ７１． ８０． ２７５中部０． ２２１０ １２１． ７１． ９０． ３００孔底０． １９７２ １３１． ８１． ６０． ３５０中部０． １７０８ １４１． ８１． ７０． ３２５孔底０． １８４３ １５１． ８１． ８０． ３００孔底０． １９１５ １６１． ８１． ９０． ２７５孔口０． ２０８０ 由表４可知 当因子排距取１． ６ ｍ， 孔底距取 １． ８ ｍ， 一次炸药单耗取０． ３５０ ｋｇ／ ｍ３， 起爆位置为 孔底时， 大块率的预测值最小， 为９． ９８％。优选出 的大块率参数已应用于东际金矿生产中， 与原平均 大块率１９．４４％相比， 降低了９．４６％。 ３ 结论 （１） 在标准ＢＰ模型的基础上， 提出了地下矿山 中深孔开采的大块率优化ＰＳＯＢＰ模型。通过测试 集的误差对比表明ＰＳＯＢＰ模型测试误差比ＢＰ模 型测试误差小两个数量级。 （２） 通过对ＰＳＯＢＰ模型参数选取的敏感性分 析， 得出模型各参数的最佳取值 种群规模Ｍ ＝ ７０， 惯性权重ω ＝０． ９， 隐含层节点数Ｈ ＝８， 最大速度限 幅Ｖｍａｘ＝３， 最大迭代次数Ｔ ＝３５０。 （３） 通过ＰＳＯＢＰ网络模型的预测， 优选出的最 佳大块率预测值９． ９８％， 最佳大块率影响参数 排 距为１． ６ ｍ，孔底距为１． ８ ｍ，一次炸药单耗为 ０． ３５０ ｋｇ／ ｍ３， 起爆位置为孔底。 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］ 古德生．地下金属矿采矿科学技术的发展趋势［Ｊ］．黄 金，２００４，２５（１） １８２２． ［１］ ＧＵ Ｄｅｓｈｅｎｇ． Ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｔｅｎｄｅｎｃｙ ｏｆ ｍｉｎｉｎｇ ｓｃｉ ｅｎｃｅ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｕｎｄｅｒｇｒｏｕｎｄ ｍｅｔａｌ ｍｉｎｅ［Ｊ］． Ｇｏｌｄ，２００４，２５（１） １８２２．（ｉｎ Ｃｈｉｎｅｓｅ） ［２］ 林大泽．降低地下矿深孔爆破大块率的技术措施［Ｊ］． 中国安全科学学报，２００７，１７（１） ８６９０． ［２］ ＬＩＮ Ｄａｚｅ． Ｔｅｃｈｎｉｃａｌ ｍｅａｓｕｒｅｓ ｏｎ ｌｏｗｅｒｉｎｇ ｂｏｕｌｄｅｒ ｙｉｅｌｄ ｄｕｒｉｎｇ ｄｅｅｐｈｏｌｅ ｂｌａｓｔ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｍｉｎｅ［Ｊ］． Ｃｈｉｎａ Ｓａｆｔｙ Ｓｃｉｅｎｃｅ Ｊｏｕｒｎａｌ，２００７，１７（１） ８６９０．（ｉｎ Ｃｈｉｎｅｓｅ） ［３］ 王 平， 李 斌， 许梦国．扇形孔爆破落矿大块产生机 理及控制研究［Ｊ］．爆破，２０１５，３２（２） １１０． ［３］ ＷＡＮＧ Ｐｉｎｇ，ＬＩ Ｂｉｎ，ＸＵ Ｍｅｎｇｇｕｏ． Ｐｒｏｄｕｃｔｉｏｎ ｍｅｃｈａ ｎｉｓｍ ａｎｄ ｃｏｎｔｒｏｌ ｍｅａｓｕｒｅ ｏｆ ｂｏｕｌｄｅｒ ｂｙ ｆａｎ ｓｈａｐｅｄ ｒｏｕｎｄ ｂｌａｓｔｉｎｇ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１５，３２（２） １１０．（ｉｎ Ｃｈｉｎｅｓｅ） ［４］ 钱 锋．粒子群算法及其工业应用［Ｍ］．北京 科学出 版社，２０１３２９３１． ［５］ 赵国彦， 戴 兵， 马 驰， 等．基于３ＤＦＲ算法的爆破块 度图像处理研究及其应用［Ｊ］．中南大学学报 自然科 学版，２０１３，４４（５） ２００２２００７． ［５］ ＺＨＡＯ Ｇｕｏｙａｎ，ＤＡＩ Ｂｉｎｇ，ＭＡ Ｃｈｉ，ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｎ ｂｌａｓｔｉｎｇ ｆｒａｇｍｅｎｔａｔｉｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ３ＤＦＲ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕ ｎｉｖｅｒｓｉｔｙＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１３，４４（５） ２００２ ２００７．（ｉｎ Ｃｈｉｎｅｓｅ） ［６］ ＲＡＴＮＡＷＥＥＲＡ Ａ，ＨＡＬＧＡＭＵＧＥ Ｓ Ｋ，ＷＡＴＳＯＮ Ｈ Ｃ． Ｓｅｌｆｏｒｇａｎｉｚｉｎｇ ｈｉｅｒａｒｃｈｉｃａｌ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚｅｒ ｗｉｔｈ ｔｉｍｅｖａｒｙｉｎｇ ａｃｃｅｌｅｒａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃ ｔｉｏｎｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ，２００４，８（３） ２４０２５５． （下转第３９页） ９１第３４卷 第２期 赵国彦， 孙贵东， 戴 兵， 等 基于ＰＳＯ改进的ＢＰ网络在爆破大块率优化中的应用 万方数据 ｊｏｉｎｔ ｓｅｔｓ ｉｎ ｒｏｃｋ ｍａｓｓｅｓ ｗｉｔｈ ＵＤＥＣ［Ｊ］． Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｒｏｃｋ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１３，４６（６） １４２９１４４２． ［８］ ＤＥＮＧ Ｘ Ｆ，ＺＨＵ Ｊ Ｂ，ＣＨＥＮ Ｓ Ｇ，ｅｔ ａｌ． Ｓｏｍｅ ｆｕｎｄａｍｅｎｔａｌ ｉｓｓｕｅｓ ａｎｄ ｖｅｒｉｆｉｃａｔｉｏｎ ｏｆ ３ＤＥＣ ｉｎ ｍｏｄｅｌｉｎｇ ｗａｖｅ ｐｒｏｐａ ｇａｔｉｏｎ ｉｎ ｊｏｉｎｔｅｄ ｒｏｃｋ ｍａｓｓｅｓ［Ｊ］． Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｒｏｃｋ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１２，４５（５） ９４３９５１． ［９］ ＺＨＡＯ Ｊ，ＣＡＩ Ｊ Ｇ，ＺＨＡＯ Ｘ Ｂ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ ｍｏｄｅｌ ｏｆ ｆｒａｃｔｕｒｅ ｎｏｒｍａｌ ｂｅｈａｖｉｏｒ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｔｒｅｓｓ ｗａｖｅ ａｔｔｅｎｕａｔｉｏｎ ａｃｒｏｓｓ ｆｒａｃｔｕｒｅｓ［Ｊ］． Ｒｏｃｋ Ｍｅ ｃｈａｎｉｃｓ ａｎｄ Ｒｏｃｋ Ｅｎｇｉｎｅｅｒｉｎｇ，２００８，４１（５） ６７１６９３． （上接第１９页） ［７］ 陈贵敏， 贾建援， 韩 琪．粒子群优化算法的惯性权值 递减策略研究［Ｊ］．西安交通大学学报，２００６，４０（１） ５３５６． ［７］ ＣＨＥＮ Ｇｕｉｍｉｎ，ＪＩＡ Ｊｉａｎｙｕａｎ，ＨＡＮ Ｑｉ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｓｔｒａｔｅ ｇｙ ｏｆ ｄｅｃｒｅａｓｉｎｇ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ ｉｎｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｘｉ Ａｎ Ｊｉａｏ Ｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，２００６， ４０（１） ５３５６．（ｉｎ Ｃｈｉｎｅｓｅ） ［８］ 李 松， 刘力军， 翟 曼．改进粒子群算法优化ＢＰ神 经网络的短时交通流预测［Ｊ］．系统工程理论与实践， ２０１２，３２（９） ２０４５２０４９． ［８］ ＬＩ Ｓｏｎｇ，ＬＩＵ Ｌｉｊｕｎ，ＺＨＡＩ Ｍａｎ． Ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｓｈｏｒｔｔｅｒｍ ｔｒａｆｆｉｃ ｆｌｏｗ ｂａｓｅｄ ｏｎ ｍｏｄｉｆｉｅｄ ＰＳＯ ｏｐｔｉｍｉｚｅｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｓｙｓｔｅｍ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｈｅｏｒｙ ａｎｄ Ｐｒａｃｔｉｃｅ， ２０１２，３２（９） ２０４５２０４９．（ｉｎ Ｃｈｉｎｅｓｅ） ［９］ 王建国， 阳建宏， 云海滨， 等．改进粒子群优化神经网 络及其在产品质量建模中的应用［Ｊ］．北京科技大学 学报，２００８，３０（１０） １１８８１１９３． ［９］ ＷＡＮＧ Ｊｉａｎｇｕｏ，ＹＡＮＧ Ｊｉａｎｈｏｎｇ，ＹＵＮ Ｈａｉｂｉｎ，ｅｔ ａｌ． Ｉｍｐｒｏｖｅｄ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚｅｄ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｎｅｕ ｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｐｒｏｄｕｃｔｉｏｎ ｑｕａｌｉｔｙ ｍｏｄ ｅｌｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｂｅｉｊｉｎｇ，２００８，３０（１０） １１８８１１９３．（ｉｎ Ｃｈｉｎｅｓｅ） ［１０］ 王新民， 赵 彬， 王贤来， 等．基于ＢＰ神经网络的凿 岩爆破参数优选［Ｊ］．中南大学学报 自然科学版， ２００９，４０（５） １４１１１４１６． ［１０］ ＷＡＮＧ Ｘｉｎｍｉｎ，ＺＨＡＯ Ｂｉｎ，ＷＡＮＧ Ｘｉａｎｌａｉ，ｅｔ ａｌ． Ｏｐ ｔｉｍｉｚａｔｉｏｎ ｏｆ ｄｒｉｌｌｉｎｇ ａｎｄ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ ＵｎｉｖｅｒｓｉｔｙＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２００９，４０（５） １４１１１４１６．（ｉｎ Ｃｈｉｎｅｓｅ） ［１１］ 赵 强， 张建华， 李 星， 等．降低中深孔爆破大块率 的技术措施［Ｊ］．爆破，２０１１，２８（４） ５０５２． ［１１］ ＺＨＡＯ Ｑｉａｎｇ，ＺＨＡＮＧ Ｊｉａｎｈｕａ，ＬＩ Ｘｉｎｇ，ｅｔ ａｌ． Ｍｅａｓｕｒｅｓ ｔｏ ｌｏｗｅｒ ｔｈｅ ｌａｒｇｅ ｌｕｍｐ ｒａｔｅ ｉｎ ｍｅｄｉｕｍｄｅｅｐｈｏｌｅ ｂｌａｓ ｔｉｎｇ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１１，２８（４） ５０５２．（ｉｎ Ｃｈｉｎｅｓｅ） ［１２］ 戴云波， 张德明， 高宇梁， 等．基于ＢＰ网络的采场爆 破钻孔参数优化［Ｊ］．爆破，２０１４（３） ５７６２． ［１２］ ＤＡＩ Ｙｕｎｂｏ，ＺＨＡＮＧ Ｄｅｍｉｎｇ，ＧＡＯ Ｙｕｌｉａｎｇ，ｅｔ ａｌ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｓｔｏｐｅ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１１，２８（４） ５０５２． （ｉｎ Ｃｈｉｎｅｓｅ） ［１３］ 罗 忆， 卢文波， 陈 明， 等．爆破振动安全判据研究 综述［Ｊ］．爆破，２０１０，２７（１） １５２２． ［１３］ ＬＵＯ Ｙｉ，ＬＵ Ｗｅｎｂｏ，ＣＨＥＮ Ｍｉｎｇ，ｅｔ ａｌ． Ｖｉｅｗ ｏｆ ｒｅ ｓｅａｒｃｈ ｏｎ ｓａｆｅｔｙ ｃｒｉｔｅｒｉｏｎ ｏｆ ｂｌａｓｔｉｎｇ ｖｉｂｒａｔｉｏｎ［Ｊ］． Ｂｌａｓ ｔｉｎｇ，２０１０，２７（１） １５２２．（ｉｎ Ｃｈｉｎｅｓｅ） ［１４］ 王德永， 袁艳斌， 钱兆明， 等．基于ＧＡＢＰ神经网络矿 岩爆破参数优选［Ｊ］．爆破，２０１３，３０（１） ３０３４． ［１４］ ＷＡＮＧ Ｄｅｙｏｎｇ，ＹＵＡＮ Ｙａｎｂｉｎ，ＱＩＡＮ Ｚｈａｏｍｉｎｇ，ｅｔ ａｌ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｍｉｎｅ ｂｌａｓｔ ｐａｒａｍｅｔｅｒｓ ｂａｓｅｄ ｏｎ ＧＡ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｂｌａｓｔｉｎｇ，２０１３，３０（１） ３０３４． （ｉｎ Ｃｈｉｎｅｓｅ） ［１５］ 陈俊桦， 李新平， 张家生．基于爆破损伤的岩台保护 层开挖爆破参数研究［Ｊ］．岩石力学与工程学报， ２０１６，３５（１） ９８１０８． ［１５］ ＣＨＥＮ Ｊｕｎｈｕａ，ＬＩ Ｘｉｎｐｉｎｇ，ＺＨＡＮＧ Ｊｉａｓｈｅｎｇ． Ｓｔｕｄｙ ｏｎ ｂｌａｓｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｏｆ ｐｒｏｔｅｃｔｉｖｅ ｌａｙｅｒ ｅｘｃａｖａｔｉｏｎ ｏｆ ｒｏｃｋ ｂｅｎｃｈ ｂａｓｅｄ ｏｎ ｂｌａｓｔｉｎｇｉｎｄｕｃｅｄ ｄａｍａｇｅ［Ｊ］． Ｃｈｉ ｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６， ３５（１） ９８１０８．（ｉｎ Ｃｈｉｎｅｓｅ） ［１６］ 周科平， 翟建波．改进蚁群算法在地下矿山运输路径 优化的应用［Ｊ］．中南大学学报 自然科学版，２０１４， ４５（１） ２５６２６１． ［１６］ ＺＨＯＵ Ｋｅｐｉｎｇ，ＺＨＡＩ Ｊｉａｎｂｏ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｉｍｐｒｏｖｅｄ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｉｎ ｒｏｕｔｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｕｎｄｅｒｇｒｏｕｎｄ ｍｉｎｅ′ｓ ｔｒａｎｓｐｏｒｔａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉ ｖｅｒｓｉｔｙＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１４，４５（１） ２５６２６１． （ｉｎ Ｃｈｉｎｅｓｅ） ９３第３４卷 第２期 王卫华， 严 哲， 姜海涛， 等 不同形貌节理对应力波传播影响的数值模拟 万方数据