韩 亮，贺昌斌，柴书罡

（中煤平朔集团有限公司 安太堡露天矿，山西 朔州 036006）

现有边坡稳定性分析的确定性方法理论完善，推导严谨，在工程实践中具有一定的实用性及可靠性；然而，露天矿边坡是一个动态、开放的复杂系统，其稳定性不但受地质、工程等各种可测的确定性因素影响，还受多种随机、模糊、可变、不可测的不确定性因素影响，各种影响因素之间的关系复杂，且往往是非线性的，导致边坡稳定性分析评价很难或不可能建立明确的数学、力学模型并进行准确地求解；此外，由于确定性方法在进行边坡稳定性分析评价时，仅选择了其中起主要控制作用的可测因素建立模型，对不可测因素进行了简化，导致了评价结果存在一定程度的不可靠性[1]。

RBF 神经网络预测精度很大程度上依赖于网络的隐含层基函数中心值C、宽度σ 以及隐含层至输出层的连接权值w 等参数的选择，RBF 神经网络参数主要通过经验与试算的方式确定，极易由于参数选取不当对RBF 神经网络的收敛性及预测精度产生较大影响。为克服RBF 神经网络参数选取不当产生的问题，引入具有全局搜索能力的粒子群算法（Particle Swarm Optimization，PSO）对RBF 神经网络参数进行优化，在此基础上，构建RBF 神经网络预测露天矿边坡稳定系数。

1 粒子群算法与RBF 神经网络

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）是Kennedy 与Eberhart 于1995 年提出的群体智能仿生优化算法，算法采用“群体”与“进化”的概念，群体由在n 维搜索空间中的个体（粒子）构成，个体在搜索空间以一定速度飞行，飞行速度由个体的飞行经验和群体的飞行经验进行动态调整，并依据个体的适应值大小决定下一步操作。……