郑文博，余学祥，赵祥硕，杨邵文

（1.安徽理工大学 空间信息与测绘工程学院，安徽 淮南232001；2.矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室，安徽淮南232001；3.矿区环境与灾害协同监测煤炭行业工程研究中心，安徽淮南232001）

随着经济不断发展，煤炭的需求量也日益增加，导致地下开采加剧，这不仅影响矿区安全［1］，而且对矿区周边环境也有不利影响，因此对矿区进行开采沉陷的预测工作显得尤为重要。

常见的开采沉陷预测方法有力学模型预计［2］、时间函数模型预计［3］和概率积分法模型预计［4］。概率积分法的优势是计算方便且精度高，它的预计参数可以通过实测数据+优化算法、机器学习或者覆岩性质求解［5］。但实测数据解算成本较高，并且不能在开采前获取。覆岩求解的过程较为复杂，机器学习法求参则较为简单并且预测精度可靠［6］。常用的机器学习为BP神经网络，BP神经网络非线性拟合效果好，但初始权值和阈值的选择存在盲目性，会影响到模型的预测精度和收敛速度。文献［7-8］指出GA-BP神经网络进一步提升了神经网络求参的精度。

人工鱼群算法具有全局搜索能力较强，局部搜索能力较弱的特点。故本文建立ADAFSA-BP模型、普通BP模型、GA-BP模型进行求参精度分析，探究ADAFSA-BP模型求解概率积分法预计参数的可靠性。

1 地质采矿条件与概率积分法预计参数的关联分析

概率积分法的预计参数有8个，本文研究其中的4个，包括下沉系数q，主要影响角正切值tan B，开采影响传播角 θ、水平移动系数 b［9］。……