遺傳算法在滑坡體變形監測預計方面的應用探討

【摘要】介紹了遺傳算法的模型，對滑坡體水平位移、滑坡體沉降量監測數據進行了預測。結果表明，利用遺傳算法特有的全局優化能力，對預計函數可以做出很好的擬合。

【關鍵詞】遺傳算法；滑坡變形監測；預計

引言

遺傳算法是模擬自然界生物進化過程與機制求解極值問題的一類自組織、自適應人工智能技術。本文對遺傳算法在滑坡體變形監測預計方面的應用做了一些有益的探討。

1.遺傳算法以及其改進模型

1.1 遺傳算法模型

標準的遺傳是從生物學的角度引出和具體闡釋的并且給出了遺傳算法的基本框架，以后對于遺傳算法的改進，都是基于此種算法。

標準遺傳算法的流程如下：（l）使用二進制編碼對搜索空間進行編碼。（2）隨機產生包含n個個體的初始群體。（3）適應度評估檢測個體適應度（個體適應度反映了個體好壞的情況）。（4）WHILE<未滿足迭代終止條件>DO。（5）用賭輪選擇方法選出若干個體進行繁殖，個體可以重復。（6）隨機配對，按一定概率（交叉概率）進行一點交叉操作，并生成兩個子個體。（7）按照一定概率（變異概率）變異二進制個體串中某個（些）位。（8）適應度評估檢測個體適應度。（9）END DO。這個過程將導致種群象自然進化一樣的后代種群比前代更加適應環境，末代種群中的最優個體經過解碼，可以作為問題近似最優解。

1.2遺傳算法的改進模型

遺傳算法在許多優化問題中都有成功的應用，但其本身也存在一些不足.一些學者提出了遺傳算法的改進模型。有以下可以探討改進的方法：編碼表示、適應度函數、選擇策略、控制參數、遺傳算子等。

編碼表示方面，通常遺傳算法方面應用二進制編碼，但二進制編碼不能直接反映問題的固有結構，精度不高，個體長度大，占用計算機內存多。所以這是可以改進的一個點，有些學者利用轉換法來克服這種弱點。

適度函數方面，適應度函數是用來區分群體中個體好壞的標準，是自然選擇的唯一標準，選擇的好壞直接影響算法的優劣。引入適應值調節和資源共享策略可以加快收斂速度和跳出局部最優點。對適應值進行調節就是通過變換改變原適應值間的比例關系，常用的比例變換有線性變換、乘冪變換和指數變換等。

選則策略方面，優勝劣汰的選擇機制使得適應值大的個體有較大的存活機會，不同的選擇策略對算法性能有較大的影響。輪盤賭法是使用最多的選擇策略，但這種策略可能會產生較大的抽樣誤差，于是對此提出了很多的改進方法，如繁殖池選擇等。但是這幾種策略都是基于適應值比例的選擇，常常會出現早熟收斂現象和停滯現象.這是可以改進的地方之一。

控制參數方面，制參數一般有群體大小，交換概率，變異概率等，這些參數對遺傳算法性能影響較大。在標準的遺傳算法中采用經驗進行估計，這將帶來很大的盲目性，而影響算法的全局最優性和收斂性。針對這種情況，有的學者提出了：群體規模可變的遺傳算法。

遺傳算子方面，基本遺傳算法中采用單點交叉算子和簡單的變異算子。它們操作比較簡單，計算量小，但是在使用過程中有很大的局限性， 多維連續空間的遺傳算法的雜交多樣性進行了分析，通過建立相應的數學模型，在多維連續空間和大規模群體中使用均勻雜交算子是如何探索新的解空間區域。為了使得變異能夠根據解的質量自適應的調整搜索區域，從而能較明顯地提高搜索能力，提出自適應變異算子。

2.實例分析

滑坡是一種常見的自然災害，對滑坡災害發生的類型、原因、機理、規律、監測及預報做出準確的結論是很有實際意義的。目前，滑坡的非線性動力學特性已經得到廣泛的認識。

圖1 斜滑坡示意圖 圖2 雙滑塊模型

滑坡的動力學模型已經獲得如下：

以上方程中有5個參數p、q、w、r和c，p和q是與周期有關的參數。對其進行按照遺傳算法找出最優解并作出相應的預測。

這種方法在計算得出結果的同時，也顯現出其很大的優越性，經過實例分析得出的預測值可以作為此滑坡的預測參考。

圖3 變形預測值 圖4 遺傳迭代收斂曲線

3.結論

應用遺傳算法建立滑坡安全監控預測模型，受到了監測界的廣泛關注，其獨特的結構和強大的信息處理能力可以提供有力的技術支持。應用遺傳算法對滑坡沉降量監測數據進行了訓練和預測，結果表明，模型的預測效果很好，可為實時在線監控滑坡安全性態中提供有力的技術支持。同時有很多學者也提出了與遺傳算法在圖像處理方面應用且有很大的優勢。

參考文獻

[1] 葛繼科等.遺傳算法研究綜述[J].計算機應用研究，2008

[2] 劉立平，牛熠.遺傳算法綜述[J].東莞理工學院學報，2005

[3] 王建，張獻州.基于加速遺傳算法的GPS 變形監測單歷元求解算法[J].測繪通報，2013

艾鵬（1984—），男，2008年畢業于遼寧科技學院工程測量技術專業，助理工程師。