基于APSO-BP耦合算法的岩体力学参数反馈研究.pdf

第3 7 卷第6 期中国矿业大学学报 V 0 1 ．3 7N o ．6 2 0 0 8 年11 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y N o v ．2 0 0 8 基于A P S O B P 耦合算法的岩体力学参数反馈研究 杜小凯1 ，任青文2 ，郑治3 ，张国华4 ，许传华5 1 ．河海大学水利水电工程学院，江苏南京2 1 0 0 9 8 ；2 ．河海大学土木工程学院．江苏南京2 1 0 0 9 8 ； 3 ．中国水电工程顾问集团贵阳勘测设计研究院，贵州贵阳5 5 0 0 0 2 ；4 ．中国灌溉排水发展中心，北京1 0 0 0 5 4 ， 5 ．中钢集团马鞍山矿山研究院，安徽马鞍山 2 4 3 0 0 4 摘要提出了基于自适应粒子群优化 A P S O 与误差反向传播 B P 神经网络耦合反馈分析模型 A P S O - B P ．模型实现对网络结构、权重、阈值的同时优化，借助自适应粒子群算法全局优化能 力强、收敛速度快的特点，提高了模型运算效率．采用S c h a f f e r 基准函数对该模型和传统遗传算 法、B P 神经网络、粒子群与B P 神经网络组合算法进行测试对比．结果表明该模型更为优越．应 用该模型对索风营水电站地下岩体力学参数进行反馈分析，计算位移值与实测值吻合较好，平均 误差O ．2 2m m ． 关键词自适应粒子群算法；B P 神经网络；反馈分析；岩体力学参数；索风营水电站 中图分类号T U4 5 文献标识码A文章编号1 0 0 0 一1 9 6 4 2 0 0 8 0 6 0 7 5 6 - 0 7 B a c k - A n a l y s i so fR o c kM e c h a n i cP a r a m e t e r sB a s e d o nC o u p l i n gA l g o r i t h mo fA d a p t i v eP a r t i c l e 。_ A w a r m - O p t i m i z a t i o n a n dB a c k P r o p a g a t i o nN e u r a lN e t w o r k D UX i a o - k a i1 ，R E NQ i n g w e n2 ，Z H E N GZ h i 3 ，Z H A N GG u o h u a 4 ，X UC h u a n - h u a 5 1 ．C o l l e g eo fW a t e rC o n s e r v a n c ya n dH y d r o p o w e rE n g i n e e r i n g ，H o h a iU n i v i s t y ，N a n i i n g ，J i a n g s u2 1 0 0 9 8 ，C h i n a 2 ．C o l l e g eo fC i v i lE n g i n e e r i n g ，H o h a iU n i v i s t y ，N a n j i n g ，J i a n g s u2 1 0 0 9 8 ，C h i n a 3 ．G u i y a n gI n s t i t u t eo fI n v e s t i g a t i o n a n dD e s i g n i n g ，G u i y a n g ，G u i z h o u5 5 0 0 0 2 ，C h i n a l4 ．C h i n aI r r i g a t i o na n dD r a i n a g eD e v e l o p m e n tC e n t e r ， B e i j i n g1 0 0 0 5 4 ，C h i n a ，5 ．M a a n s h a nI n s t i t u t eo fM i n i n gR e s e a r c h ，M a a n s h a n ，A n h u i2 4 3 0 0 4 ，C h i n a A b s t r a c t T h ec o u p l i n gf e e d b a c ka n a l y s i sm o d e l A P S O - B P w a sp r o p o s e db a s e do nt h ea d a p t i r ep a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h ma n dt h eB a c k P r o p a g a t i o nn e u r a ln e t w o r k ．T h e m o d e ls u c c e e d si no p t i m i z i n gt h ec o n s t r u c t i o n ，t h ew e i g h t sa n dt h et h r e s h o l d so ft h en e u r a l n e t w o r ka tt h es a m et i m e ，w h i c hg i v e st h ef u l ls t o c h a s t i cg l o b a lo p t i m i z a t i o na b i l i t yo fA P S O ， g r e a t l yi m p r o v i n gt h eo p e r a t i o ne f f i c i e n c yo ft h em o d e l ．T h eS c h a f f e r ’Sf u n c t i o nw a sa p p l i e dt o t e s tt h em o d e l ，t h eg e n e t i ca l g o r i t h m ，t h eB Pn e u r a ln e t w o r ka n dt h eP S O - B Pa l g o r i t h m ．T h e r e s u l t ss h o wt h a tt h eA P S _ B Pm o d e lt a k e ss m a l l e rt i m ea n dh a sm o r ep r e c i s i o nl e v e l ．T h e m o d e li su s e dt oo p t i m i z et h er o c km a s sm e c h a n i c a lp a r a m e t e r so fu n d e r g r o u n dg r o t t oo f s u o f e n g y i n gh y d r a u l i cp o w e rp l a n t ．T h ec a l c u l a t e dr e s u l tw a sc l o s et ot h em e a s u r e dv a l u e s ； a n dt h ea v e r a g ee r r o rw a s0 ．2 2m m ． K e yw o r d s a d a p t i v ep a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h m ；B a c k P r o p a g a t i o nn e u r a ln e t w o r k ； f e e d b a c ka n a l y s i s ；r o c km a s sm e c h a n i c a lp a r a m e t e r ；s u o f e n g y i n gh y d r a u l i cp o w e rp l a n t 收稿日期2 0 0 8 0 3 1 0 基金项目国家自然科学基金项目 5 0 5 3 9 0 3 0 ；国家重点基础研究发展计划 9 7 3 项目 2 0 0 7 C B 7 1 4 1 0 4 作者简介杜小凯 1 9 7 9 一 ，男，北京市密云县人，博士研究生，从事水工地下洞室结构方面的研究． E - m a l l d u x i a o k a i 2 0 0 3 1 6 3 ．c o mT d 1 3 9 1 4 7 2 8 1 2 5 万方数据 第6 期杜小凯等基于A P S O - B P 耦合算法的岩体力学参数反馈研究 7 5 7 在地下工程计算分析中，所用的地质参数一般 都是通过室内试验获得．由于试验样本的扰动，室 内试验值与实际值往往有较大差异，因此会造成计 算结果和实际情况有较大误差．为减小这种误差， 国内外学者先后开展了基于试验或监测数据的反 分析方法来确定岩土工程计算所需的参数L l { ] ．然 而，深埋洞室岩体的变形与支护形式、开挖深度、地 下水位、岩体结构、应力历史等诸多因素相关，导致 计算位移与岩体计算参数呈高度非线性关系，运用 常规的方法对岩体参数进行反分析就会存在一定 困难．目前有关岩土工程反演分析的模型有很多， 有的学者提出了组合算法，如演化支持向量 机模拟退火算法数值算法结合、粒子群 P a r t i c l eS w a r mO p t i m i z a t i o n ，P S O 单纯形 法算法结合等睁5 ] ；也有学者提出利用遗传算法、模 拟退火算法、粒子群算法来优化人工神经网络的 方法，这些方法在各自的适应范围内取得了较好的 反演精度[ 6 - 7 ] ．目前粒子群 P S O 一误差反向传播神 经网络 B P 结合算法还多见于预测、故障诊断分 析研究[ 8 。9 ] ，且该种结合算法仅仅对B P 神经网络 的权重和阈值进行优化，算法之间较为孤立，没有 实现真正的耦合优化．本文提出的基于自适应粒子 群优化 A P S O 与误差反向传播神经网络 B P 耦 合反馈分析模型，在充分发挥了粒子群算法的全局 优化能力的同时，克服了传统方法中的靠经验来设 计网络结构、收敛速度慢、不易找到全局最优解等 问题，实现了对网络结构、权重、阈值的同时优化， 并成功应用于索风营地下洞室岩体力学参数的反 馈分析研究． 1 耦合算法反演分析模型 粒子群 P S O 算法可以同时搜索多个解空间 区域，提高了搜索效率，并且能以较大的概率找到 全局最优解．人工神经网络有很强的非线性动态处 理能力，与粒子群优化算法 P S O 结合，可以发挥 2 种方法的优势． 1 ．1自适应粒子群优化算法 粒子群优化算法是由E b e r h a r t 博士和 K n n e d y 博士在1 9 9 5 年发明的一种新型全局优化 进化算法[ 10 。，该算法源于对鸟类捕食行为的模拟． P S O 同遗传算法类似，是一种基于群体 p o p u l a - t i o n 的优化工具，但是没有遗传算法的交叉和变 异操作，而是粒．子 潜在的解 在解空间追随最优的 粒子进行搜索．在P S 0 中所有粒子都有一个由适 应度函数决定的适应度和一个速度决定的在搜索 空间单位迭代次数的位移．其中适应度函数由优化 目标定义． D 维搜索空间中有仇个粒子，其中第i 个粒子 在空间中的位置是露，记z f z 订，z f 2 ’⋯，z 毋 ，则 每个粒子的位置就是一个潜在的解．将．2 7 。带入目 标函数就可以计算出其适应值，根据适应值的大小 衡量z i 的优劣．第i 个粒子的“飞翔”速度也是一个 D 维向量，记为让 口订，口控，⋯，口i D ．记第i 个粒 子迄今为止搜索到的最优位置为P ； 户P “ ⋯，P ；D ，整个粒子群迄今为止搜索到的最优位置 为P 。 户d ，户萨’．．，P g o ．P S O 算法的更新方程 如式 1 ， 2 ． 甜1 一聊乞 c l ，．I 户d z 乞 C 2 r 2 户耐一z 乞 ， 1 z 铲1 旌 谢1 ， 2 式中仞为惯性权重因子；愚为迭代次数；i 1 ，2 ， ⋯，，，l ；d 一1 ，2 ．．，D ；f 1 和f 2 为学习因子，根据经 验一般取2 ；r 。和r 2 为介于[ o ，1 ] 之间的随机数； “ d ∈[ 一钆一，功一] ． 为防止粒子远离搜索空间，每一维速度％都 被限制在[ 一仇。。。，V d m j 。] 里，若“ O d m a ，太大，则粒子将 容易飞离最好解，太小又将会陷入局部最优．设将 搜索空间的第d 维速度区间定义为[ 一班。， 珊。，] ，通常7 d r r 。， 惫7 z 加，0 ．1 ≤志7 ≤1 ．0 ，对于每 一维都用同样的设置方法． P S O 中，惯性权重硼较大时，粒子对未来的探 索空间搜索能力增强，而局部细调能力较弱；当惯 性权重伽较小时，算法的局部搜索能力较强，而搜 索新空间能力减弱．针对这一特性，文献[ 1 1 ] 提出 了惯性权重线性递减 o ．9 ～o ．4 的P S 0 算法，对 P S O 算法性能有了明显的改进．但这种线性递减 惯性权重只与算法迭代次数有关，不能真实反映算 法在运行过程中的复杂的、非线性变化的特性；另 一方面，在运行后期，随着惯性权重的减小，P S O 算法缺乏全局搜索能力．为此，本文应用一种动态 自适应惯性权重随适应值自动调整算法，叫的表达 式如下 f ，。，一 塾坚二竺业 』二』 堕 I “一 ‰一 ⋯ 硼2 ．1 ，≥厶 ， u ’ 【‰。 ， ，| 哩 ， 式中∞。。，叫。；。分别为惯性权重的最大值和最小 值；f 为粒子的适应值； ，。为每代粒子的平均适 应值；，眦。为粒子群中最大的适应值【1 2 ] ． 对于那些适应值高于粒子群平均适应值的微 万方数据 7 5 8中国矿业大学学报 第3 7 卷 粒，取较小的硼，为的是保护该微粒；低于平均适应 值的微粒，取较大的硼，为的是该微粒能够更快地 趋向较好的搜索空间．A P S 0 算法不仅保障了粒子 的多样性和P S 0 算法的收敛性，而且有效平衡了 P S O 的全局和局部搜索能力． 1 ．2 基于A P S O - B P 人工神经网络耦合算法 用A P S O 算法优化B P 网络，将网络性态定义 为粒子群位置向量X ，首先初始化位置向量X 和 速度向量y ，然后用A P S O 算法搜索最优位置，使 如下均方误差指标 适应度函数 最小． ． _ NC E 七∑∑ 劬．。一∞．i 2 ， 4 。’l z lj I I 式中N 为训练样本数目；q 为第i 个样本的第J 个网络输出节点的理想输出值；M ．；为第i 个样本 的第J 个网络输出节点的实际输出值；C 为输出层 神经元个数． B P 神经网络 b a c kp r o p a g a t i o nn e u r a ln e t - w o r k 即误差向后传播神经网络在岩土工程反馈 分析中应用十分广泛，其隐含层神经元的激活函数 可为S s i g m o i d 型函数，而输出神经元的激活函 数可以是S 型函数，也可以是线性函数． 神经网络结构 通常指隐含层的层数和隐含层 中神经元数目 是B P 神经网络应用中的难题，为 了实现对神经网络结构、权重和阈值优化，必须把 神经网络的结构、权重和阈值映射成空间中粒子群 优化算法可以识别的粒子．神经网络分为输入层、 隐含层和输出层．设网络共有L 层，第L 层连接权 矩阵为w 。，权重矩阵向量W 一 W 。，W ，⋯，W c ， 阈值矩阵向量B 一 B 。，B ，⋯，B L ，第L 层的神经 元个数为H 。，结构矩阵为H H 。，H ，⋯，H 。 ． 粒子相关向量位置向量z i 和速度向量口；，粒子位 置向量包括神经网络结构向量五．。和权重向量 z m ，阈值向量z “．z 抽由H 映射而成，z m 由W 映 射而成，五．，由B 映射而成．结构向量元素取为二进 制变量，1 表示该连接存在，0 表示该连接不存在， 对应的速度向量耽．。．连接权重向量和阈值向量元 素为较小的随机数，对应的速度向量分别为功．s 和 口沁．粒子在演化过程中的最优位置p i 中与结构向 量z 抽对应的记为P 加，与权重向量轧。对应的记为 九。、阈值向量z 沁对应的记为p 妇．群体最优位置 九与结构向量z 抽对应的记为P 。，与权重向量 五．一对应的记为户一、阈值向量置．。对应的记为 户。。 A P S O 对网络进行优化也就是对应的粒子位 置向量五和速度向量口，的更新过程．对应的速度 向量7 ．1 抽，研．。和口缸的更新方程都可用式 1 来更 新．对于权重向量死a 和阈值向量z “，其更新方程 可用式 2 ．而对于结构向量z ‰，采用离散二进制 P S O 算法思想n3 ‘，其更新方程必须为离散更新方 式 f 1 r 3 s i g m o i d v 油 ， s i g m o i d z 矗吾， 6 式中 r 3 是[ o ，1 ] 之间的随机数． 在岩土工程反馈分析中采用较多的是三层人 工神经网络模型，为了在更大的范围内搜索最优的 神经网络结构，本文采用了不大于四层的人工神经 网络结构，利用A P S 0 算法对其进行自动选择和 优化．另外隐含层单元的个数以往是根据经验取 值，然后经过大量的试算来确定．而现在A P S O - B P 耦合算法中，隐含层单元的个数也是自动进行选择 和调整，隐含层单元个数按下式[ 1 4 J 进行约束 口 c o 5 z 口 c o 5 口， 7 式中2 为隐含层单元数，a ，c 分别为输入层、输出 层单元数，口为1 ～1 0 之间的常数． 具体A P S O - B P 人工神经网络耦合算法可分 为以下7 个步骤第1 步样本集的生成．由于反演 材料参数多，取值范围较大．因此，在计算参数变化 范围内，本文采用正交试验法来构造训练参数组， 然后通过有限元计算出相应位移，即生成A P S O - B P 集成算法的训练样本．第2 步初始粒子群体的 生成．确定粒子种群的大小、最大迭代步数、目标误 差、c 。和c 。，，．。和r ．初始叫值，初始化粒子的初始 位置和速度．首先网络拓扑结构的确定，设随机变 量r 代表神经网络的层数，则按要求r 的取值为3 或4 ．隐含层单元数的确定，设随机变量z 代表神经 网络的隐含层单元数，则按式 7 确定其取值范 围，输入和输出层神经元个数可由具体实际问题确 定．然后是神经网络群体的生成，按照，．和z 的上述 取值范围，随机生成以个神经网络的拓扑结构，并 对每个粒子个体 一个神经网络 各层之间的连接 权重和阈值定义和初始化．至此就得到了咒个神经 网络的群体．第3 步计算适应值．将样本集中输入 值带入每个个体 一个神经网络 得到输出值，根据 网络输出值与目标输出值，按式 4 计算每个个体 的适应值．第4 步记录粒子最优位置和群体最优 位置，按式 1 ， 2 或式 5 中介绍的算法得到新的 一个粒子，按式 3 调整惯性权重系数∞．第5 步 万方数据 第6 期杜小凯等基于A P S o B P 耦合算法的岩体力学参数反馈研究 7 5 9 对新的粒子群中的每个个体 一个神经网络 用弹 性B P 算法‘1 5 1 对网络进行训练．第6 步检验是否 达到收敛条件或最大迭代次数．如果符合结束条 件，则程序转入下一步；否则，程序转到第3 步继续 运行．第7 步生成测试样本对个体 一个神经网 络 进行检验，如果满足精度要求，则输出其中最好 的一个；如果均不满足要求，程序转入第一步对网 络重新进行训练，直至满足要求．计算框图如图1 所示． 堋练样本 随机生成一个神经网络粒子 适应值计算 记录粒子最优位置n 和群体最优位l b , x 用式 1 ，式 2 或式f 5 ’更新粒子位置， 并计算调整惯性权重w o 采用弹性B P 算法训练网络 逞岁 磊乙L 一 选出最优个体输出 冲经网络 增加洲 练样本 图1A P S O - B P 耦合算法流程 F i g ．1 F l o wc h a r to ft h ep r o g r a mo f A P S O - B Pc o u p l i n ga l g o r i t h m 1 ．3 基于A P S O - B P 集成耦合算法的参数反演分 析模型 基于A P S O - B P 集成耦合算法的参数反演分 析模型的建立，包括3 个流程构造训练样本，训练 网络模型，利用训练好的网络模型进行反演计算． 第1 步，构造反演参数集通过有限元正分析计 算生成训练样本，也即1 ．2 中A P S O - B P 集成算法 建立步骤中的第一步训练样本集的生成．随机 生成几组用于测试的反演参数并对各组参数分别 进行有限元的正分析计算，其结果连同随机生成的 测试参数共同组成1 ．2 中A P S O - B P 集成耦合算 法建立步骤中的第七步所需要的测试样本． 第2 步按照1 ．2 中A P S O - B P 集成耦合算法 建立的7 个步骤，依据上述的训练样本和测试样本 得到最优的神经网络 下一步操作中用到 ． 第3 步反馈算法流程a ．初始粒子群体的生 成．按照反演参数的取值范围生成初始粒子群体． b ．计算粒子的适应度．将粒子群体中的每个个体 一个反演参数组 带入第2 步得到的最优神经网 络，得到网络的输出值，根据网络输出值和实测值， 适应度函数仍然采用1 ．2 中介绍的函数，即得此个 体的适应值E o ，记录个体和全局最优位置．C ．利用 式 1 和式 2 对粒子更新迭代，按式 3 调整惯性 权重系数硼．作为初始粒子的第一次迭代，其个体 最优就是粒子本身，之后则采用其在解空间移动时 所经历的最好点．d ．判断找到的最优解是否达到 收敛条件或最大迭代次数．如果符合结束条件，则 程序转入下一步；否则，程序转到步骤b 继续运行． f ．如果E o P ，则增加初始群体的规模，程 序转入步骤a 继续运行，直至满足要求．至此通过 M a t l a b 语言工具箱编写了基于A P S O - B P 耦合算 法的岩体计算参数的反演分析程序，基本流程如图 2 所示． 丽日L ／芈i E 交法构造 羹蠡磐／1l参数组lI 生成n 个参 数组粒子 塑竺壁奎} [ A P S O B P 网络 的训练和优化 二二工二 选择优化后的 最优神经网络 有限元正 分析计算 ● 网络的期 望输出值 I 计算个体适应值l 记录粒子最优位置研 和群体最优佗置如 实测 位移 甩式 I ， 2 或式 5 更新粒子位置， 并计算调整惯性权重‰ N 判断收敛误差或最 ＼迭代次数一 趟 选择最优的粒子 最优参数组 图2A P S O - B P 耦合反演分析流程 F i g ．2 F l o wc h a r to ft h ep r o g r a mo f A P S O - B PC o u p l i n gf e e d b a c ka l g o r i t h m 2 模型测试与反演分析模型的实际应用 2 ．1 A P S O - B P 人工神经网络耦合算法模型测试 采用S c h a f f e r 基准函数对A P S O - B P 耦合算 法模型进行测试，主要测试模型的收敛速度以及全 局搜索能力．函数表达式为 f x , y 卜o ．s 一蒿筹赢舞辩 一4 ．2 7 ，Y 4 ， 8 万方数据 』 一～一 中国矿业大学学报 第3 7 卷 S ■ 二二～兰兰ch 舣肌a f f 隙e r 醐。怒黧呈黧气冀曩兰耋苎岩体变形模量E 蝴；赢i 磊i 赢 舅麓量髫{ 『篡麓慧苎慧嚣，孽数竺磊簇主I 三葛是靠荔葛霉菖羹雾嚣 等麓 莩 l 震嚣嚣嚣尝嚣毫黧翼竺芝；夏篡纂 罢；嚣墓戮龛善翥 鬻嚣湘粕锨鲥嘲黼⋯圣蔓燮j 姜茹湍端霎 奎苎查对各参数在原始建议值的变化范围之间进 图3 S c h a f f e r 函数 F i g 3 F i g u r eo fS c h a f f e j ；sf u n c t i o n ⋯。型要s c h a f f e r 函数对A P S O - B P 耦合算法模 型苎要掣试的结果与B P 神经网络模型和遗磊； 法测试结果比较，如表1 所示． 一～ 2 2 索风营地下洞室的位移反分析研究 根据索风营地下洞室计算范围内岩体材料的 分区及层问错动带，层状岩体变形模量顺向岩层和 垂直岩层方向有一定差别，采用均匀化方法，故需 要反演的参数有1 4 个，即块状结构厚灰岩 云i ； 的岩体变形模量E t ；中厚夹薄层状灰岩 砰了。一z 岩 体变形模量E ；薄层结构层状灰岩 砰2 - 1 一、 一O 捧 - 雾～母线滑J 日t ． { 、 水 。黟一母线润二2 ．‘、 庸，妙- - ／g - 线涸乙3 f - I f , K j 再 道 a 平面 ⋯堡孽勘探设计部门专家建议及前人的研究成 果分析m 。，参数的取值范围如表3 所示． ⋯。 ．． 图4 厂房测点布置 6 断面 F i g ．4P l a n e1 l i o n i t o f i n ga r r a n g e ⋯m e n to f 砒c ‰I l a l l 卜I 断面测点 2 - 2 断面测点 3 - 3 断面．涓点 万方数据 第6 期杜小凯等基于A P S O - B P 耦合算法的岩体力学参数反馈研究7 6 1 表4各参敛的反演值 T a b l e4V a l u e so fp a r a m e t e r sf r o mb a c k - a n a l y s i s 应用反演出来的参数进行有限元正计算，与实 测位移对比如表5 所示． 裹5 测点计算位移值与实测位移值比较 T a b l e5 C o m p a r i s o no fo b s e r v i n gd i s p l a c e m e n ta n dc a l c u l a t i o n 断面誓煮茎荔／栅r a m 蓉雾怒绑差／帐r n m断面誓蓑甚磊／柏对r a m差雾胁斜t X , - J “羹蕊 10 ．6 1一O ．8 80 ．2 743 ．3 63 ．7 20 ．3 6 2 2 21 ．6 21 ．8 70 ．2 552 ．5 32 ．4 20 ．1r 卜1 31 ．1 8 1 ．0 4 0 ．1 4 11 ．0 81 ．3 60 ．Z 8 42 ．6 73 ．1 70 ．5 022 ．2 82 ．4 40 ．1 6 51 ．8 61 ．9 80 ．1 231 ．7 1 1 ．5 8 0 ．1 3 3 3 10 ．8 9一1 ．1 50 ．2 643 ．9 74 ．2 90 ．3 2 2 221 ．9 82 ．1 30 ．1 553 ．0 92 ．9 4O ．1 5 31 ．4 71 ．3 6 0 ．1 1 由表5 所知按反演参数计算出的相对位移值 与测点实际相对位移值最大误差为0 ．5 0m m ，平 均误差0 ．2 2m m ，对于索风营这样的大型地下洞 室来说，这一结果还是比较令人满意． 3结论 1 提出的A P S o B P 耦合算法模型，实现了对 人工神经网络的结构和权重、阈值同时进行优化， 解决了传统方法中的靠经验来设计网络结构的弊 端、收敛速度慢和不容易找到全局最优解等问题． 2 引入自适应惯性加权因子来改进P S O 算 法，平衡P S O 的全局和局部搜索能力．在充分发挥 了自适应粒子群算法的全局优化能力的同时，提出 的基于A P S O - B P 耦合算法反馈分析模型，利用耦 合算法优化出的神经网络来模拟有限元计算，提高 了反馈分析速度，同时由于自适应粒子群算法具有 全局搜索能力解决了局部极小与全局极小问题． 3 利用基准函数S c h a f f e r 函数，对建立的 A P S O - B P 耦合集成算法模型进行了测试，证明了 A P S o B P 耦合集成算法模型能够快速准确地收敛 到全局最优解． 4 应用基于A P S o B P 耦合算法反馈分析模 型对索风营地下岩体力学参数进行了位移反馈分 析研究，按反演参数计算出的相对位移值与测点实 际相对位移值最大误差为0 ．5 0m m ，平均误差 0 ．2 2m m ，对于大型岩土结构工程结果令人满意， 验证了该模型的实用性．表明基于A P S O - B P 耦合 算法反馈分析模型，在岩土工程计算参数的反馈分 析中具有较好的应用价值． 参考文献 [ 1 ]K I R S T E NH AD ，D e t e r m i n a t i o no fr o c km a s se l a s ． t i cm o d u l ib yb a c ka n a l y s i so fd e f o r m a t i o nm e a s u r e - m e n t [ C ] ／／P r o e e e d i n g so fS y m p o s i u mo nE x p l o r a t i o n f o rR o c kE n g i n e e r i n g ．J o h a n n e s b u r g I s ．I L ] ．1 9 7 6 ， 1 1 5 4 11 6 0 ． [ 2 ] 朱维申，王可钧，朱家桥，等．二滩电站坝肩厂房三 维有限元分析及围岩变形观测反分析[ J ] ．岩土力 学，1 9 8 8 ，9 3 1 1 2 1 ． Z H UW e i s h e n ．W A N GK e - j a n ，Z H UJ i a - q i a o ，e t a 1 ．T h r e e - d i m e n s i o n a lF E Ma n a l y s i sa n db a c ka n a l y - s i sf o rd e f o r m a t i o nm o n i t o r i n go fE r t a nh y d r o p o w e r s t a t i o nc h a m b e r s [ J ] ．R o c ka n dS o i lM e c h a n i c a s ， 1 9 8 8 ，9 3 1 1 - 2 1 ． [ 3 ] Y A N GH u a c h a o ，Z H A N GS h u - b i ，D E N GK a z h o n g ， e ta 1 ．R e s e a r c hi n t oaf e a t u r es e l e c t i o nm e t h o df o rh y p e r s p e c t r a li m a g e r yu s i n gP S Oa n dS V M [ J ] ．J o u r n a l o fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 7 ， 1 7 4 4 7 3 4 7 8 ． [ 4 ] 许传华，任青文，周庆华．基于支持向量机和模拟退 火算法的位移反分析[ J ] ．岩石力学与工程学报， 2 0 0 5 ，2 4 2 2 4 1 3 4 - 4 1 3 8 ． X UC h u a n - h u a 。R E NQ i n g w e n ，Z H o UQ i n g h u a ． D i s p l a c e m e n tb a c ka n a l y s i sb a s e do ns u p p o r tv e c t o r m a c h i n ea n ds i m u l a t e da n n e a l i n g [ J ] ．C h i n e s eJ o u r n a l o fR o c kM e c h a n i c sa n dE n g i n e e r i n g ，2 0 0 5 ，2 4 2 2 4 1 3 4 4 1 3 8 ． [ 5 ] 冯夏庭，周辉，李邵军，等．岩石力学与工程综合 集成智能反馈分析方法及应用[ J ] ．岩石力学与工程 学报，2 0 0 7 ，2 6 9 z1 7 3 7 1 7 4 4 ． F E N GX i a t i n g ，Z H O UH u i ，L IS h a o - j a n e ta 1 ．I n t e g r a t e di n t e l l i g e n tf e e d b a c ka n a l y s i so fr o c km e c h a n i c sa n de n g i n e e r i n gp r o b l e m sa n di t sa p p l i c a t i o n s [ J ] ． C h i n e s eJ o u r n a lo fR o c kM e c h a n i c sa n dE n g i n e e r i n g ， 2 0 0 7 。2 6 9 1 7 3 7 1 7 4 4 ． [ 6 3 梁桂兰，徐卫亚，韦杰，等．位移反分析的A P S O - W N N 模型研究及应用[ J ] ．岩石力学与工程学报， 万方数据 7 6 2 中国矿业大学学报 第3 7 卷 2 0 0 7 ，2 6 6 1 2 5 1 1 2 5 7 ． L l A N GG u i - l a n ，X UW e i y a ，W E lJ i e ，e ta 1 ．W a v e - l e tn e u r a ln e t w o r kb a s e do na d a p t i v ep a r t i c l es w a r m o p t i m i z a t i o na n di t sa p p l i c a t i o nt Od i s p l a c e m e n tb a c k a n a l y s i s [ J ] ．C h i n e s eJ o u r n a lo fR o c kM e c h a n i c sa n d E n g i n e e r i n g ，2 0 0 7 ，2 6 6 1 2 5 1 1 2 5 7 ． [ 7 ] 刘先珊，周刨兵．改进的边坡岩体稳定性预测模型 研究[ J ] ．岩石力学与工程学报．2 0 0 5 ．2 4 1 9 3 4 9 2 一 ‘3 4 9 8 ． L I UX i a n - s h a