MFOASVM在采煤工作面瓦斯涌出量预测中的应用

王艳晖,李国勇,王炳萱.MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用[J].矿业安全与环保,2016,43(2):54-58.文章编号:1008-4495(2016)02-0054-05MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用王艳晖,李国勇,王炳萱(太原理工大学信息工程学院,山西太原030024)摘要:针对新安煤矿采煤工作面瓦斯涌出量系统时变非线性特点,建立改进果蝇算法(MFOA)支持向量机(SVM)预测模型。利用FOA具有运算简单、收敛速度快、寻优精度高等优势来优化SVM核函数参数g、惩罚因子c和不敏感损失函数着,但FOA也存在可能陷入局部最优的不稳定缺陷,则嵌入三维搜索、混沌优化、自适应变步长和最优保留策略进行改进,并利用Rosenbrock测试函数和采煤工作面瓦斯涌出量历史数据进行试验分析,结果表明:该模型预测平均相对误差为2.16%,比其他预测模型具有更高的预测精度、更快的收敛速度、更强的泛化能力,具有一定的实际应用价值。关键词:瓦斯涌出量;MFOA-SVM;非线性;预测模型中图分类号:TD712;TP18摇摇摇文献标志码:A摇摇摇网络出版时间:2016-04-0622:29网络出版地址:收稿日期:2015-09-07;2015-12-15修订基金项目:国家自然科学基金项目(51075291)作者简介:王艳晖(1990—),女,河北沧州人,硕士研究生,研究方向为智能预测控制。E-mail:[e-mail]。ApplicationofMFOA-SVMinCoalfaceGasEmissionPredictionWANGYanhui,LIGuoyong,WANGBingxuan(SchoolofInformationEngineering,TaiyuanUniversityofTechnology,Taiyuan030024,China)Abstract:Tocountertothetime-varyingnon-linearcharacteristicsofgasemissioninXin爷anCoalMine,apredictionmodelbasedonmodifiedfruitflyoptimizationalgorithmandsupportvectormachine(MFOA-SVM)wasestablished.TheFOA(fruitflyoptimizationalgorithm)hastheadvantagesofsimpleoperation,fastconvergencespeedandhighoptimizationaccuracy,whichcanbeusedtooptimizethekernelfunctionparameterg,thepenaltyfactorcandinsensitivelossfunctionparameter着ofSVM,however,SVMhastheunstablesetbackoftrappingintolocaloptimization,soitwasmodifiedbyembeddingthethree-dimensionalsearch,chaosoptimization,adaptivevariablesstepandtheoptimalretentionstrategy,andtestanalysiswascarriedoutbyusingRosenbrockfunctionandthehistoricaldataofgasemissionincoalfaces.Thepredictionresultsshowedthattheaveragerelativeerrorpredictedwiththismodelwas2.16%,comparedwithotherpredictionmodels,ithasthehigherpredictionaccuracy,thefasterconvergencespeedandthebetterapplicationvalue.Keywords:gasemission;MFOA-SVM;non-linearity;predictionmodel摇摇瓦斯涌出是导致瓦斯灾害的重要原因,危及井下矿工的生命安全。因此,对煤矿瓦斯涌出量的准确预测是瓦斯防治的必要前提。瓦斯涌出是一个受多因素影响的非线性动态系统,线性预测方法如瓦斯含量法、线性回归分析法[1]和矿山统计预测法等,很难满足预测精度的要求。国内外学者提出基于灰色理论、神经网络[2]、主成分回归分析法和SVM等非线性预测方法,取得了较理想的预测效果。但是灰色模型的预测精度普遍较低,不能包含瓦斯涌出量的动态变化特征;神经网络研究的内容是样本数量趋于无限多时的统计性质,在样本有限的实际情况下预测效果不太理想;回归分析法很难准确建立影响因素与相关参数间的对应关系;SVM不涉及大数定律,弥补了神经网络的“过学习问题冶,在样本有限的情况下可获得最优解,但是其预测精度取决于其参数的选取,若选取不当,则准确度较低[3]。大量研究表明,瓦斯涌出量的动态预测精度取决于所使用算法的性能,尤其存在瓦斯突出的情况下。非线性预测控制中常用的两个算法,遗传算法(GA)计算量较大,粒子群算法(PSO)计算精度较·45·Vol郾43No郾2Apr郾2016摇摇摇摇摇摇摇摇摇矿业安全与环保MININGSAFETY&ENVIRONMENTALPROTECTION摇摇摇摇摇摇摇第43卷摇第2期2016年4月低,易陷入局部最优[4]。因此,笔者选择果蝇算法(FOA)对SVM的参数进行优化,FOA因其具有计算简单、收敛精度高等优点[5],广泛用于参数寻优,而原始FOA算法也存在一些不稳定缺陷,故提出将改进的果蝇算法(MFOA)-SVM应用在煤矿采煤工作面瓦斯涌出量预测中。1摇支持向量机支持向量机(SVM)[6]是一种新的机器学习方法,以统计学习理论(STL)为基础。在解决非线性回归问题时,通过非线性变换,将原始变量映射到高维特征空间,使模型泛化能力更好,又避免“维数灾难冶问题。设m个X=[X1,X2,…,Xm]T样本数据,输入向量Xi=[x1,x2,…,xl]由l个因素构成,yi是Xi对应的输出值,SVM通过非线性映射椎将数据Xi映射到高维特征空间F建立线性回归函数:f(x)=棕椎(Xi)+b(1)式中:椎(Xi)为非线性映射函数;棕为超平面的权值向量;b为偏置项。根据结构风险最小化原理及拉格朗日方法得SVM回归函数:f(x)=移li=1(ai-a*i)K(xi,x)+b*(2)式中:ai、a*i为拉格朗日系数;b*为优化偏置项;核函数K(xi,x)采用泛化能力较强的径向基函数(RBF)。2摇改进型果蝇优化算法2.1摇果蝇优化算法三维空间寻优果蝇优化算法[7](FOA)是由台湾学者潘文超于2011年提出的一种基于果蝇觅食特征发展而来的全局优化方法。果蝇通过自身位置来估计周围的味道浓度,随后向味道浓度的极值方向飞去。由于果蝇是在三维空间飞行,而原始的FOA是在二维空间搜寻全局极值,有可能导致无法搜寻到三维空间中的最优值[8]。因此,笔者采用三维空间搜寻,对FOA进行改进。2.2摇改变果蝇算法搜索步长通过多次试验,发现果蝇搜索步长的取值对收敛速度和寻优精度有很大的影响。在迭代寻优过程中,若搜索步长较大,则搜索速度较快,利于全局搜索;若搜索步长较小,则搜索速度较慢,却利于提高寻优的精度[9]。针对上述情况,笔者利用自适应变步长的策略改进果蝇算法,设步长值:h=h0-h0(G-1)Gmax(3)式中:h0为初始步长;G为当前迭代数;Gmax为最大迭代数。在第一代果蝇觅食时,步长h=h0,果蝇觅食迭代每增加一代,步长减小,直至最后一代减至h0/Gmax。通过h自适应调整步长,距离最优果蝇越远的果蝇个体搜索步长越大,可以提高搜索的速度,避免陷入局部最优解;距离最优果蝇越近的果蝇个体搜索步长越小,可以提高搜索的精度。2.3摇混沌优化果蝇算法FOA存在不稳定可能陷入局部最优的缺陷,根据混沌算法具有遍历性、随机性、对初值敏感等特性[10],将其引入到FOA改进算法中,具体算法如下:选择混沌映射生成初始种群,果蝇个体均匀分布在解空间;当果蝇种群寻优过程中陷入局部最优时,在算法中加入“干扰冶,即在规定的解空间范围内进行混沌迭代,以取代部分种群个体,增加种群个体多样性,使部分个体跳出局部最优点,并带领整个种群找到全局最优点。应用式(4)混沌映射生成的混沌变量在三维空间分布均匀,提高了果蝇种群的多样性和果蝇个体搜索的遍历性,比Logistic映射精度更高:zn+1=zn/0.4,0zn臆0.4(1-zn)/(1-0.4),0.4臆zn{1(4)确定局部混沌搜索空间,以Smellbest为中心,在R为半径的空间域内进行混沌搜索,即:R=籽(xmax-xmin)(5)式中:籽为混沌搜索的收缩因子,迭代过程中以1.0~0.3线性递减;xmax、xmin分别是解空间的上、下界。3摇改进算法的测试利用Rosenbrock函数测试MFOA在函数优化时全局搜索、收敛速度和稳定性方面的性能,与FOA、GA-PSO并行混合算法[11]的优化性能进行比较。Rosenbrock函数f=移Di=1[100(xi+1-x2i)2+(xi-1)2]全局最优值为0,极值点为(1,…,1),搜索范围[-30,30]。各算法相应的参数:种群个数N=50,h0=20,变异概率Pm=0.01,替代概率P=0.2,惯性权重棕取[0.95,0.4],c1=c2=2.0。FOA、GA-PSO、MFOA各算法50次独立优化数据的平均值见表1,可以看出,MFOA算法接近全局·55·第43卷摇第2期2016年4月摇摇摇摇摇摇摇矿业安全与环保MININGSAFETY&ENVIRONMENTALPROTECTION摇摇摇摇摇摇摇摇摇Vol郾43No郾2Apr郾2016最优点,性能最优;GA-PSO算法比较稳定;原始FOA算法性能最差,方差较大,不稳定。表1摇测试函数的优化性能数据函数维数迭代次数算法平均值最优值最差值偏差f301500FOA102.096.9211.015.9GA-PSO93.514.5945.05.28伊10-2MFOA4.14伊10-31.47伊10-83.87伊10-27.41伊10-3摇摇从图1中可看出,对于复杂Rosenbrock函数优化,MFOA表现突出,寻优速度快,向着全局最优的方向收敛,当陷入局部最优解后,经若干次迭代后可以跳出局部最优解,而FOA和GA-PSO算法陷入局部最优或偏离最优值非常远。图1摇Rosenbrock函数寻优情况对比图4摇MFOA-SVM预测模型煤矿中的瓦斯涌出量预测是受多因素影响的动态非线性预测问题,选取主要影响因素Xi作为输入样本,对瓦斯涌出量Y进行预测。采用极差化处理方法,对模型样本的原始数据进行归一化处理,归一区间为[0,1]。其数据归一化公式如下:Y=X-XminXmax-Xmin(6)式中:X为原始数据;Xmin为原始数据的最小值;Xmax为原始数据的最大值;Y为归一化后的数据。预测运算完成后,对结果数据进行反归一化处理,反归一化公式如下:X=Xmin+Y(Xmax-Xmin)(7)具体执行步骤如下:Step1摇初始化参数:采用式(4)混沌映射初始化果蝇群体位置X_axis、Y_axis、Z_axis,设置个体数量N,最大迭代次数Gmax,初始搜索步长h0,替代概率P。Step2摇果蝇个体开始寻优,利用嗅觉搜索食物的随机方向和距离:X(i,:)=X_axis+2h·rand()-hY(i,:)=Y_axis+2h·rand()-hZ(i,:)=Z_axis+2h·rand()-ìîíïïïïh(8)式中:h为自适应搜索步长;i=