APP下载

基于遗传算法优化BP神经网络的输水管道地基沉降预测分析

2019-10-10杨阳

中国水运 2019年5期
关键词:适应度权值遗传算法

杨阳

摘 要:埋设在地下的输水管道多应用于长距离输水,其结构易受地基沉降影响。本文建立了神经网络模型,并基于遗传算法对神经网络模型进行优化,利用某实际工程的监测数据,对其所产生的地基沉降值进行预测并分析,从而起到监测预警的效果,可为同类工程提供参考。

关键词:遗传算法;BP神经网络;地基沉降

中图分类号:U655.5            文献标识码:A            文章编号:1006—7973(2019)05-053-02

人工神经网络[1]具有很强的非线性拟合能力,具有很强的鲁棒性、记忆能力、强大的自学能力,能对很复杂的问题、模糊且不精确的信息进行计算,而且能够同时考虑多个因素,最终能给出较为精准的预测结果。而影响神经网络精度的主要原因就是其权值和阈值的选取,在此处引入遗传算法来优化神经网络的权值阈值,以求得到最优解。遗传算法[2]的思想就是利用达尔文“优胜劣汰”的原则,选择好的保留,不好的淘汰,最终找到全局最优解。遗传算法与BP神经网络模型[3-4]相结合,可以利用遗传算法的优势,解决神经网络模型易陷入局部最优、不易收敛等问题,从而提高了神经网络模型结果的精度。本文将影响输水管道地基沉降的因素输入,利用基于遗传算法的BP神经网络模型,对输水管道的地基沉降值进行预测。

1 算法简介

1.1 BP神经网络

BP(Back-Propagation)神经网络[5]是一种多层前馈式神经网络,其主要特点是:信号是前向传播的,而误差是反向传播的,它是目前应用最广泛的神经网络。BP神经网络模型拓扑结构一般分为三部分,分别为输入层、隐含层、输出层。(见图1)。它通过对样本进行训练,使输出值接近真实的期望值,从而通过误差的反向传播来不断调整网络的权值和阈值,使其误差平方和最小。虽然BP神经网络有结构简单、非线性拟合能力强等优点,但同时也存在易陷入局部极小值、收敛速度慢、“过拟合”等缺点。

1.2 遗传算法

遗传算法是模拟自然界中生物进化过程与机制来解决优化问题的一种人工智能算法,它的基本思想:是按照所需求解的目标函数,设置一个适应度函数作为评价标准,再根据遗传算法的初始化,将数据进行基因编码从而获得初始种群,后经过交叉变异、选择等步骤以获得本代适应度最好的个体。在多次迭代遗传的过程中,通过选择每代最好适应度的个体进行对比,最终选取最好适应度的个体,即为所求问题的最优解。

遗传算法的具体步骤如下:

步骤1:种群初始化:随机生成N个个体的产生初始种群P={X1,X2,X3,…,Xn},种群中每个个体编码后都对应所求问题的一个初始解。

步骤2:求适应度值:个体Xi,i=1,2,3,…,n,有指定的适应度值作为评价其好坏的标准。

步骤3:选择:根据某种策略从当前种群中选择出M个个体作为下一代群体,选择是按照个体的适应度值进行,淘汰适应低的个体,体现了进化论中自然选择的原则。

步驟4:交叉变异:按照杂交概率PC在所选出的M个个体内随机选出两个个体进行交叉操作,可得到两个新个体,该操作多次进行,直到所需杂交的个体都两两交叉杂交完成。在所得M个个体中,须按概率PM并根据变异规则选择出一些个体进行个体变异操作。在交叉变异操作中,交叉操作可体现出个体间信息交换的思想,变异操作则是增加了种群的多样性。

步骤5:若算法停止,解码后得到最优解,否则转到步骤2重复执行迭代运算,直至得到最优解。

2 建立GA-BP预测模型

遗传算法优化BP神经网络模型是用遗传算法来进行优化搜索,得到BP神经网络的最优初始权值阈值,使BP神经网络能够更好地进行预测输出。本文利用MATLAB软件来建立GA-BP神经网络模型与BP神经网络模型。GA-BP算法相关参数设置如下: 种群的数量为40,最大迭代次数为50,最大训练次数为10000,训练目标为0.01,学习速率为0.01。BP神经网络结构为4-9-1,即输入层4个节点,隐层9个节点和输出层1个节点,BP神经网络结构确定后,便可得到所需优化的初始权值阈值的总数55。图2为遗传算法优化BP神经网络流程图:

如图3所示,遗传算法的适应度值(与目标函数的误差值)从第4代道第8代就产生了大的下降,从8代以后保持平稳,在35代以后又出现了比较明显的下降,最终收敛在0.07434。由此,易见遗传算法对于误差的减少起着相当显著的作用。

本文数据来自某段三孔箱涵的实时监测数据,其时间为2013年1月4日到2015年2月21日,共340组数据,330组为训练样本,余下10组进行维数为14的滚动预测。本文选取了布置在箱涵左中右三孔的内水压力计,以及底部的外水压力计,温度、时间序列作为神经网络的输入,地基沉降值即为所求输出。下表是遗传算法优化BP神经网络模型(GA-BP)与BP神经网络模型模拟值与误差值作对比分析:

由图4、图5可知,GA-BP神经网络模型最大的相对误差为0.136847,而BP神经网络模型的最大相对误差为0.167598, GA-BP神经网络模型的平均相对误差为0.0629863,BP神经网络模型的平均相对误差为0.102919;其次,GA-BP神经网络模型的最大相对误差百分比为1.563966 %,平均误差百分比为0.713564 %,BP神经网络模型的最大相对误差百分比为1.915406 %,平均误差百分比为1.16098 %。显然,由遗传算法优化的BP神经网络模型比BP神经网络模型误差减少且精度得到较大提高。

3 结论

(1)遗传算法与BP神经网络结合后,改善了BP神经网络易受局部最优值、过拟合等方面的影响,GA-BP神经网络模型比BP神经网络模型的精度得到了较大的提升。

(2)当把遗传算法优化BP神经网络模型运用在地基沉降预测方面时,所得到的地基沉降值预测结果较为切合实际值,故该方法利用在地基沉降预测方面能起到良好的监测预警作用。

参考文献:

[1] 高浪, 谢康和. 人工神经网络在岩土工程中的应用[J]. 土木工程学报, 2002, 35(4):77-81.

[2] 金强国. 基于遗传算法的大坝土石料运输智能动态调配应用研究[D].天津大学, 2016.

[3] 李彦杰, 薛亚东, 岳磊, et al. 基于遗传算法-BP神经网络的深基坑变形预测[J].地下空间与工程学报, 2015, 11(s2):741-749.

[4] 郁磊. MATLAB智能算法30个案例分析[M].北京航空航天大学出版社, 2011.

[5] 康飞. 大坝安全监测与损伤识别的新型计算智能方法[D]. 大连理工大学, 2009.

猜你喜欢

适应度权值遗传算法
基于遗传算法对广义神经网络的优化
基于遗传算法对广义神经网络的优化
基于遗传算法的临床路径模式提取的应用研究
基于遗传算法的临床路径模式提取的应用研究
遗传算法在校园听力考试广播系统施工优化中的应用
物流配送车辆路径的免疫遗传算法探讨
启发式搜索算法进行乐曲编辑的基本原理分析
基于改进演化算法的自适应医学图像多模态校准
财务风险跟踪评价方法初探
基于洪泛查询的最短路径算法在智能交通系统中的应用