基于pso算法的bp神經(jīng)網(wǎng)絡在邊坡穩(wěn)定性評價中的應用

1、第9卷第2期2009年6月溫州職業(yè)技術學院學報JournalofWenzhouVocational＆TechnicalCollegeVol.9No.2Jun.200920081130許敏（1980—），女，江蘇無錫人，無錫職業(yè)技術學院講師，碩士.[收稿日期][作者簡介]許敏(無錫職業(yè)技術學院，江蘇無錫214073)[摘要]傳統(tǒng)的用于邊坡穩(wěn)定性分析的方法較多，但計算過程復雜，計算量大。采用粒子群優(yōu)化（PSO）算法優(yōu)化神經(jīng)網(wǎng)絡的連接權值和閾

2、值，可以克服存在的缺陷，減少迭代次數(shù)，具有良好的泛化性能，在邊坡穩(wěn)定性評價上具有一定的應用價值。[關鍵詞]PSO；BP神經(jīng)網(wǎng)絡；邊坡穩(wěn)定性[中圖分類號]TP183[文獻標識碼]A[文章編號]16714326(2009)02004903基于PSO算法的BP神經(jīng)網(wǎng)絡在邊坡穩(wěn)定性評價中的應用ApplicationofBPNeuralwkinSlopeStabilityEvaluationontheBasisofPSOAlgithm0引言邊坡穩(wěn)

3、定性問題一直是巖土工程的一個重要研究內(nèi)容，邊坡穩(wěn)定性的分析、評價及其發(fā)展趨勢的預報都具有重要的工程實際意義，而邊坡穩(wěn)定性評價結果的正確與否直接關系到邊坡工程的成敗[1]。目前，在工程中用于邊坡穩(wěn)定性評價的方法較多，但由于影響邊坡穩(wěn)定性的因素繁多，導致計算過程復雜計算量大。為此，筆者提出一種新的邊坡穩(wěn)定性評價模型，將粒子群優(yōu)化(ParticleSwarmOptimization，簡稱PSO)算法與神經(jīng)網(wǎng)絡相結合，采用PSO算法優(yōu)化神經(jīng)網(wǎng)絡

4、的連接權值與閾值，從而在提高誤差精度的同時加快訓練收斂的速度。1PSO算法PSO算法主要用于求解優(yōu)化問題。該算法將每個個體看作N維搜索空間中的一個粒子，采取速度—位置搜索模型。速度…決定粒子在搜索空間單位迭代次數(shù)的位移。每個粒子的位置…就是1個潛在解，將xi代入目標函數(shù)就可以計算出其適應值，衡量其優(yōu)劣。每一次迭代，粒子通過動態(tài)跟蹤個體極值Pi和全局極值Pg來更新其速度和位置。…是粒子從初始到當前迭代次數(shù)搜索產(chǎn)生的最優(yōu)解…是粒子種群目前的

5、最優(yōu)解。粒子根據(jù)以下公式[2]更新其速度和位置：(1)(2)其中，…，為種群規(guī)模；…，為搜索空間的維數(shù)；為第i個粒子的第d次迭代中飛行速度的第k維分量；為第i個粒子第k次迭代中位置的第d維分量；Pid為粒子i最好位置的第d維分量；Pgd為整個粒子種群最好位置的第d維分量；r1和r2是[0，1]范圍XUMin(WuxiVocationalTechnicalCollegeWuxi214073China)Abstract:Thetraditi

6、onalmethodofslopestabilityanalysisiscomplexincalculationlargeincomputingcapacity.TheapplicationofParticleSwarmOptimization(PSO)tooptimizetheconnectingweightthresholdofneuralwkcanavoidtheweaknessesdecreasetheiterativetime

7、swhichhasagoodgeneralizationcapacityisofcertainpracticalvalueinslopestabilityevaluation.Keywds:PSOBPneuralwksSlopestability第9卷第2期51置。步驟8：算法停止條件的判斷。對迭代產(chǎn)生的新的粒子種群進行適應度評價，判斷算法是否達到最大迭代次數(shù)或者達到規(guī)定的誤差標準，如果條件滿足則進入步驟9；否則迭代次數(shù)增1后返回步驟4

8、繼續(xù)迭代。步驟9：生成最優(yōu)解。算法停止迭代時，全局極值對應的神經(jīng)網(wǎng)絡權值與連接結構即為訓練問題的最優(yōu)解。由上可知，粒子向量各元素的值由BP神經(jīng)網(wǎng)絡中的權值和閾值組成，粒子的適應度函數(shù)也是根據(jù)BP算法的均方誤差得到，從而實現(xiàn)了PSO算法與BP算法的充分融合，使BP神經(jīng)網(wǎng)絡得到最優(yōu)化[5]。3應用實例在Window2003環(huán)境下，利用VisualBasic語言自編的源程序，應用PSO優(yōu)化的BP算法對文獻[1]中已有明確結論的18個邊坡實例進

9、行分析。將前15個邊坡作為訓練樣本，后3個邊坡作為測試樣本，選用巖石容重、粘聚力、內(nèi)摩擦角、邊坡角、邊坡高度、空隙水壓力等作為評價指標。邊坡的穩(wěn)定狀態(tài)用1表示穩(wěn)定，0表示破壞。根據(jù)以上PSO算法優(yōu)化的神經(jīng)網(wǎng)絡模型，確定輸入6個神經(jīng)元，分別代表6項評價指標，隱含層神經(jīng)元10個，輸出層神經(jīng)元1個。PSO每個粒子的維數(shù)dimsize為81維，種群規(guī)模popsize為30，wmax=0.9，wmin=0.4=2，=2，連接權值在[5，5]之間，

10、MSE小于104，或最大迭代次數(shù)為20000次，網(wǎng)絡拓撲結構為6:10:1，學習速率η為0.05，動量因子α為0.9。分別采用傳統(tǒng)BP算法和基于PSO的BP算法來訓練該組數(shù)據(jù)，并比較兩種算法的性能。（1）迭代次數(shù)比較。當達到誤差時，使用傳統(tǒng)BP算法訓練網(wǎng)絡的迭代次數(shù)明顯多于使用PSO優(yōu)化的BP算法訓練網(wǎng)絡的次數(shù)。當最終達到誤差104時，使用BP算法訓練神經(jīng)網(wǎng)絡的迭代次數(shù)為13114次，而基于PSO的BP算法訓練網(wǎng)絡的迭代次數(shù)為4060次

11、，如圖1所示。很顯然，使用基于PSO的BP算法訓練神經(jīng)網(wǎng)絡可以明顯減少迭代次數(shù)。（2）輸出結果比較。在選用3個樣本做測試時，評價模型，優(yōu)化神經(jīng)網(wǎng)絡的連接權值和閾值，找到全局最優(yōu)的網(wǎng)絡參數(shù)，從而優(yōu)化了神經(jīng)網(wǎng)絡，克服了傳統(tǒng)的BP神經(jīng)網(wǎng)絡的缺陷。實驗證明，基于PSO的BP算法與傳統(tǒng)的BP算法相比，明顯減少了迭代次數(shù)，具有良好的泛化性能，是一種有效的綜合評價方法，在邊坡穩(wěn)定性評價上具有一定的應用價值。兩種算法對測試數(shù)據(jù)的輸出結果也不相同（見表1

12、）。從表1可以看出，應用PSO算法優(yōu)化神經(jīng)網(wǎng)絡的評價結果更趨于期望輸出值，且更精確，基于PSO的BP算法要比傳統(tǒng)的BP算法的泛化能力高許多。4結論邊坡穩(wěn)定性問題的評價，通過應用PSO算法，建立圖1BP算法和基于PSO的BP算法的誤差—迭代次數(shù)比較表1BP算法和基于PSO的BP算法的測試數(shù)據(jù)結果比較樣本123樣本理想輸出100BP算法輸出0.98070.00850.0104基于PSO的BP算法輸出0.99350.00450.00041傳統(tǒng)

13、的BP算法誤差0.0190.00850.0104基于PSO的BP算法誤差0.00650.00450.00041[1]劉沐宇，朱瑞賡.基于模糊相似優(yōu)先的邊坡穩(wěn)定性評價范例推理方法[J].巖石力學與工程學報，2002，21(8):11881193.[2]JKennedyRCEberhart.ParticleSwarmOptimization[J].IEEEInternationalConferenceonNeuralwksPerthAust