基于SVR－IPSO的高危行業(yè)企業(yè)安全投入優(yōu)化模型及其改進
——以煤炭生產(chǎn)企業(yè)為例

王金鳳陳 贊翟雪琪馮立杰，2

1（鄭州大學(xué)，鄭州 450001）2（河南省煤層氣開發(fā)利用有限公司，鄭州 450016）

基于SVR－IPSO的高危行業(yè)企業(yè)安全投入優(yōu)化模型及其改進
——以煤炭生產(chǎn)企業(yè)為例

王金鳳1陳 贊1翟雪琪1馮立杰1，2

1（鄭州大學(xué)，鄭州 450001）2（河南省煤層氣開發(fā)利用有限公司，鄭州 450016）

傳統(tǒng)的安全投入模型對解決高危行業(yè)領(lǐng)域中模糊復(fù)雜的安全投入問題具有一定局限性，尤其當(dāng)建立目標函數(shù)時，采用隱含線性關(guān)系假設(shè)的函數(shù)進行擬合會影響模型的推廣能力 。基于此，本文首先采用支持向量回歸機（SVR）建立事故損失模型，與傳統(tǒng)C－D函數(shù)擬合結(jié)果相比，該模型具有更好的預(yù)測能力；然后，以實際安全投入要求為約束，以安全總成本最小化為原則建立企業(yè)安全投入優(yōu)化模型 ；最后，采用基于捕食搜索策略的粒子群算法對模型進行求解，同時，為保證全局收斂性，引入自適應(yīng)控制策略對算法進行了改進。結(jié)果表明：該模型能夠更加準確地描述安全投入與安全成本間的非線性作用關(guān)系，并通過粒子群尋優(yōu)得到具備可行性的全局最優(yōu)解，為高危行業(yè)企業(yè)安全投入結(jié)構(gòu)優(yōu)化提供新的決策思路 。

安全 高危行業(yè) SVR 捕食搜索算法 自適應(yīng)控制

引 言

我國高危行業(yè)企業(yè)是指參與高危行業(yè)運營的企業(yè)或組織，如煤礦、非煤礦山、建筑施工行業(yè)、危險化學(xué)品行業(yè)等企業(yè)，該類企業(yè)為實現(xiàn)安全生產(chǎn)，必須進行安全投入，以降低安全事故帶來的損失。然而，由于我國高危行業(yè)企業(yè)普遍存在安全投入決策不科學(xué)、結(jié)構(gòu)不合理等現(xiàn)象，使得有限的安全投入并未得到充分利用，在造成資源浪費的同時也增加了安全隱患及事故發(fā)生概率，導(dǎo)致事故損失成本激增，為企業(yè)帶來了沉重的經(jīng)濟負擔(dān)。因此，如何優(yōu)化高危行業(yè)企業(yè)安全投入結(jié)構(gòu)，降低事故損失，減少安全生產(chǎn)成本的投入成為亟待解決的現(xiàn)實問題。

對此，已有學(xué)者進行了相關(guān)研究。陸寧等［1］針對建筑施工企業(yè)的特點，分析了影響該類企業(yè)安全水平的重要投入指標，并建立了安全投入指標綜合重要度評價模型；Wang等［2］采用DEA（數(shù)據(jù)包絡(luò)分析）方法綜合評價了煤礦安全投入產(chǎn)出效率 ；李廣龍等［3］結(jié)合我國歷年投入產(chǎn)出數(shù)據(jù)構(gòu)建DEA模型，并采用Malmquist指數(shù)（全要素生產(chǎn)力指數(shù)）對煤礦安全投入效率進行了深入分析；Tong等［4］提出了煤礦生產(chǎn)、安全投資系數(shù)以及事故消耗系數(shù)的計算方法并建立了煤礦安全動態(tài)投入產(chǎn)出模型；董大旻［5］等采用因子分析法提煉出建筑企業(yè)投入6要素，并結(jié)合EFQM（業(yè)務(wù)卓越模型）構(gòu)建了建筑企業(yè)安全投入績效評價結(jié)構(gòu)方程模型（SEM）；丁日佳等［6］分析了煤炭生產(chǎn)與安全水平間的影響關(guān)系，根據(jù)多項式回歸擬合分析，構(gòu)建了煤炭安全生產(chǎn)模型；任海芝等［7］將安全投入準則層分為預(yù)防性和損失性兩部分，根據(jù)C－D生產(chǎn)函數(shù)擬合安全總投入與各指標間的關(guān)系，建立了以安全總投入最小化為目標的優(yōu)化模型。

現(xiàn)有關(guān)于安全投入的研究多集中在指標評價、效率優(yōu)化等方面，已有的涉及到安全投入優(yōu)化的研究，其模型中目標函數(shù)的構(gòu)建多采用多項式回歸、邏輯回歸等方法，該類方法通常隱含著線性關(guān)系的假設(shè)，而高危行業(yè)領(lǐng)域數(shù)據(jù)收集困難、數(shù)據(jù)量小，且數(shù)據(jù)間具有模糊復(fù)雜的非線性關(guān)系［8］。因此，采用常規(guī)方法分析安全投入優(yōu)化問題存在一定的局限性。

綜上，本文提出了一種高危行業(yè)企業(yè)安全投入優(yōu)化的改進模型。采用支持向量回歸機（SVR）擬合變量間復(fù)雜的作用關(guān)系。SVR是一種機器學(xué)習(xí)方法，它在解決小樣本、非線性、高維和局部極小點等實際問題中有著獨特優(yōu)勢［9］。借助SVR的特點構(gòu)建的安全投入優(yōu)化模型能夠更好地解釋小樣本數(shù)據(jù)間的非線性規(guī)律。針對模型的求解，作者將采用粒子群優(yōu)化算法（PSO）尋找模型最優(yōu)解，與其他進化算法相比，PSO具有精度高、易實現(xiàn)等優(yōu)勢［10］。同時，為保證全局收斂性，引入捕食搜索策略及自適應(yīng)控制對該算法進行改進。最后，通過實證分析了該方法的可行性及有效性。

1 基于SVR的事故損失模型分析

企業(yè)安全成本包括安全投入及事故損失兩部分。其中，安全事故損失與企業(yè)當(dāng)年的安全投入規(guī)模和結(jié)構(gòu)密切相關(guān)，在探究它們之間的作用關(guān)系時，為克服傳統(tǒng)方法的不足，可采用SVR構(gòu)建安全事故損失模型，為后續(xù)構(gòu)建安全投入優(yōu)化模型提供基礎(chǔ)。

1.1 SVR理論描述

當(dāng)支持向量機用于回歸估計時稱為支持向量回歸機（SVR），其基本思想是：對于訓(xùn)練樣本集（xiyi） （其中i＝1，2，3，…，l；xi∈Rm為輸入變量；yi∈R為對應(yīng)的輸出值），尋找一個輸入空間到輸出空間的非線性映射φ，并通過將數(shù)據(jù)x映射到一個高維特征空間F來求解最優(yōu)回歸函數(shù)。SVR回歸模型可表述為：

其中，g為核函數(shù)參數(shù)，其控制著核函數(shù)的徑向作用范圍，數(shù)值大小影響著模型的泛化能力。

由SVR原理可知，適當(dāng)?shù)倪x取懲罰系數(shù)c和核函數(shù)參數(shù)g對回歸模型的效果起重要作用。

1.2 基于SVR的事故損失模型構(gòu)建

有鑒于高危行業(yè)企業(yè)生產(chǎn)作業(yè)的特殊性，事故隱患伴隨其生產(chǎn)過程的始終。為改善安全生產(chǎn)狀態(tài)，遏制事故發(fā)生減少事故損失，企業(yè)往往進行必要的安全投入。

由于各安全投入要素與事故損失間存在模糊、復(fù)雜的非線性關(guān)系，因此，在研究它們之間的作用機理時，為克服傳統(tǒng)方法的不足，可以采用SVR構(gòu)建安全事故損失模型L＝f（x1，x2，…，xn）。

以煤炭生產(chǎn)企業(yè)為例。由于煤炭生產(chǎn)過程復(fù)雜，環(huán)境特殊，由人員操作失誤、設(shè)備損壞、管理疏忽等原因易導(dǎo)致安全事故的發(fā)生［11］。因此，煤炭生產(chǎn)企業(yè)更加重視對安全的投入。根據(jù)各投入要素功能的差異，可將安全投入分為人員素質(zhì)x1、機械設(shè)備x2、環(huán)境改善x3、安全管理x4、應(yīng)急預(yù)防x5五方面內(nèi)容［12］。

不同煤炭生產(chǎn)企業(yè)的安全水平有所區(qū)別，但影響安全生產(chǎn)的重要因素與安全生產(chǎn)間的作用規(guī)律是一致的。正是由于企業(yè)間存在安全狀態(tài)的差異，更有利于從中找出影響安全生產(chǎn)的制約因素。因此，本文從大樣本中隨機挑選15家中小型煤炭生產(chǎn)企業(yè)在2013～2015年間的安全投入情況作為輸入變量，事故損失情況作為輸出變量，共獲得45組樣本數(shù)據(jù)，隨機選出40組作為訓(xùn)練樣本，其余5組作為測試樣本驗證模型的有效性。采用LIBSVM工具箱中回歸與參數(shù)尋優(yōu)功能構(gòu)建基于SVR的事故損失模型，并將預(yù)測樣本的輸出結(jié)果與傳統(tǒng)C－D函數(shù)擬合結(jié)果作對比，驗證模型的推廣能力。具體流程如圖1所示。xi為訓(xùn)練樣本輸入數(shù)據(jù)向量；xj為分析樣本輸入數(shù)據(jù)向量；K（xi，xj）為核函數(shù)。

根據(jù)Mercer條件可定義核函數(shù)，本文選用徑向基核函數(shù)（RBF）：

圖1 事故損失模型構(gòu)建流程圖

（1）為獲得更好的SVR擬合效果，將樣本數(shù)據(jù)進行歸一化處理。同時，由1.1節(jié)可知，在運用支持向量機進行回歸分析時，參數(shù)c、g的選擇至關(guān)重要。因此，在使用LIBSVM工具箱建模前，需要采用網(wǎng)格搜索進行參數(shù)尋優(yōu)，關(guān)鍵編程語言如下：

其中，Y表示損失值數(shù)據(jù)集，X表示安全投入數(shù)據(jù)集。經(jīng)過參數(shù)尋優(yōu)過程得到參數(shù)c、g的值分別為6.519，24.949。

將參數(shù)c、g代入式（1）、（2）經(jīng)過支持向量機回歸訓(xùn)練，得到基于SVR的事故損失模型，如下：

（2）傳統(tǒng)的事故損失模型采用C－D函數(shù)擬合安全投入與事故損失間的作用關(guān)系，表示形式如下：

對上式左右兩邊同時取對數(shù)，可轉(zhuǎn)化為如下形式：

將訓(xùn)練樣本取對數(shù)，采用MINITAB軟件進行多元線性回歸，可得事故損失與各分項安全投入之間的函數(shù)關(guān)系，見式（6）。

利用均方誤差RMSE和平方相關(guān)系數(shù)R2可以評價兩種模型的擬合性能，SVR模型和C－D模型的擬合誤差如表1所示。

表1 擬合誤差對比

為進一步驗證模型的推廣能力，將5組測試樣本分別代入兩種模型，預(yù)測曲線見圖2。

圖2 預(yù)測曲線圖

由表1可以看出，兩種方法的平方相關(guān)系數(shù)R2基本相同，但C－D函數(shù)擬合的均方誤差值明顯大于SVR模型的對應(yīng)值，表明基于SVR參數(shù)尋優(yōu)方法對事故損失額與安全投入兩者間的擬合效果要優(yōu)于C－D函數(shù)的擬合效果。而且，從圖2的預(yù)測曲線對比圖中可以觀察到，采用SVR模型的預(yù)測效果更接近于真實值。

進一步分析，對C－D函數(shù)取對數(shù)后發(fā)現(xiàn)變量間呈現(xiàn)線性關(guān)系，且擬合式中并未體現(xiàn)出變量之間的交互作用，因此，采用C－D函數(shù)來解釋數(shù)據(jù)間隱含的復(fù)雜關(guān)系時，會出現(xiàn)擬合效果和預(yù)測效果不佳的情況。

基于此，本文將基于SVR擬合所得式（3）作為確定安全成本中事故損失值的計算模型，為安全投入優(yōu)化模型中目標函數(shù)的構(gòu)建提供依據(jù)。

2 安全投入優(yōu)化模型的構(gòu)建

以上述SVR擬合模型為基礎(chǔ)確定安全投入與安全總成本之間的函數(shù)關(guān)系，并以總成本最小化為原則構(gòu)建安全投入優(yōu)化模型，為高危行業(yè)企業(yè)優(yōu)化安全投入結(jié)構(gòu)提供方法支持。

2.1 目標函數(shù)的確定

高危行業(yè)企業(yè)為實現(xiàn)安全生產(chǎn)，會投入必要的安全成本，同時，期望用最小的安全成本獲得最大的安全效益。企業(yè)安全成本既包括為保障安全生產(chǎn)所進行的安全投入，還包括事故發(fā)生后所造成的事故損失［13］。以安全成本投入G最小化為模型的目標函數(shù)：

式中：L≥0為事故損失值，其表達式為（3），萬元；C為各項安全投入總和，，萬元；xi（i＝1，2，…，n）為各項安全指標投入量，萬元。

2.2 約束條件的確定

企業(yè)為追求利益的最大化，不會無限增加安全投入，企業(yè)能夠承擔(dān)的最大安全投入規(guī)模即安全投入上限U。

此外，受到行業(yè)制度規(guī)范的約束，企業(yè)必須承擔(dān)的最小安全投入規(guī)模即安全投入下限D(zhuǎn)，即：

安全投入優(yōu)化的前提條件是保證各項指標的最低要求得到滿足，以防止由于投入不足造成的安全隱患。同時，考慮到某些指標間具有相互聯(lián)系、相互影響的關(guān)系，在設(shè)定投入下限時，需要綜合考慮某幾項指標間的投入情況，即：

綜上，可將安全投入優(yōu)化模型表述為：

3 基于IPSO的安全投入優(yōu)化模型求解

采用SVR擬合事故損失和安全投入間的作用關(guān)系，進而構(gòu)建安全投入優(yōu)化模型，能夠提高模型的推廣能力，但同時也加大了模型的復(fù)雜程度，而利用傳統(tǒng)的求解方法很難尋找到最優(yōu)解，因此，可采用基于捕食搜索策略的粒子群（PS－PSO）求解模型最優(yōu)值，同時為防止粒子搜索時出現(xiàn)越過最優(yōu)解的現(xiàn)象，引入自適應(yīng)控制對該方法進行改善，得到改進的PS－PSO算法，也即IPSO算法。

3.1 PS－PSO算法

捕食搜索是一種模仿動物捕食搜索行為的空間搜索算法。采用捕食搜索算法尋優(yōu)時，首先需要在搜索空間整體范圍內(nèi)進行全局搜索，找到較優(yōu)解，然后在較優(yōu)解周圍進行局部搜索，若未找到更優(yōu)解則選擇放棄在該區(qū)域的搜索工作，并返回全局搜索步驟，繼續(xù)尋找較優(yōu)解。如此循環(huán)直至搜索到最優(yōu)解（或接近最優(yōu)解）后停止搜索。

基于捕食搜索的PSO算法是對標準PSO算法中粒子搜索方式進行改善。對于粒子在n維搜索空間中第i個粒子的飛行速度Vi＝（vi1，vi2，…，viD）和距離Pi＝（pi1，pi2，…，piD）的計算公式不作改變，見式（11）、（12）。

式中：i＝1，2，…，m ；c1、c2為非負常數(shù)；ξ、η是介于［0，1］之間的隨機數(shù)；w為慣性權(quán)重，是介于［0，1］之間的常數(shù)；k為迭代次數(shù)；

需要說明的是：在粒子群尋優(yōu)過程中，每個粒子的位置代表一個潛在解，初始粒子需要在不斷的迭代中完成尋優(yōu)任務(wù)，在此過程中，第i個粒子在 n維搜索空間的位置為Xi＝（xi1，xi2，…，xiD），計算第i個粒子的適應(yīng)度值，并與兩類 “極值”作比較，即局部極值Pi（也即Pbest）和Pg全局極值（也即Gbest），進而完成對自身位置的更新。

3.2 改進PS－PSO算法（IPSO）

捕食搜索可以通過控制搜索空間范圍大小，完成全局搜索與局部搜索之間的相互轉(zhuǎn)換，具備良好的局部集中搜索和跳出局部最優(yōu)的能力，這正是標準PSO算法所欠缺的。然而，當(dāng)解決復(fù)雜非線性尋優(yōu)問題時，由于搜索范圍隨機生成，固定的搜索速度易導(dǎo)致粒子搜索時越過最優(yōu)解，從而陷入局部最優(yōu)。

因此，本文在常規(guī)PS－PSO基礎(chǔ)上引入自適應(yīng)控制策略，對粒子速度進行變異，即對式（12）進行如下調(diào)整：

式中：δ為調(diào)節(jié)參數(shù)；j為范圍限制，每個范圍限制下進行c次重復(fù)搜索；i為當(dāng)前迭代次數(shù)；maxi為各范圍限制對應(yīng)的最大迭代次數(shù)。

當(dāng)粒子在較大的范圍限制內(nèi)進行搜索時，粒子速度較快，使算法能夠快速尋找到較優(yōu)解，接著，粒子將以此較優(yōu)解為中心進行小范圍的搜索，受到算法的約束，粒子速度逐漸變緩，以保證在較優(yōu)解周圍尋找更優(yōu)解的搜索精度。由于粒子搜索速度受到當(dāng)前迭代次數(shù)的影響，因此，可以使粒子速度得到有效的調(diào)節(jié)。為防止陷入局部最優(yōu)，算法將在無法找到更優(yōu)解時重新生成范圍限制對全局進行搜索。

結(jié)合以上對IPSO算法的描述，可以得到安全投入優(yōu)化模型求解的具體過程為：

步驟1：根據(jù)實際要求確定安全投入優(yōu)化模型的目標函數(shù)及約束條件，構(gòu)建安全投入優(yōu)化模型；

步驟2：初始化設(shè)置，隨機產(chǎn)生種群和速度，計算初始最優(yōu)解Gbest；

步驟3：將改進的（13）式替代（12）式作為標準PSO算法中的位置更新公式。以當(dāng)前最優(yōu)解為中心，在當(dāng)前限制L下重新隨機初始化粒子，進行迭代尋優(yōu)，得到一個歷史最優(yōu)解Pg，若Pg＜Gbest，則Gbest＝Pg，重復(fù)此步驟；

步驟4：若在當(dāng)前限制L下重復(fù)c次搜索后，無較優(yōu)解，則在限制L＋1的基礎(chǔ)上重新初始化粒子進行搜索，若得到更優(yōu)解則轉(zhuǎn)至步驟3，否則重復(fù)本步驟；

步驟5：在對所有限制區(qū)域完成搜索后，輸出最優(yōu)結(jié)果，對應(yīng)的最佳粒子位置向量即安全投入的最終優(yōu)化方案。

4 實證分析——以煤炭生產(chǎn)企業(yè)為例

本文選取某煤業(yè)集團下屬煤炭生產(chǎn)企業(yè)Y為實證對象，以檢驗?zāi)Ｐ偷目尚行约坝行浴企業(yè)生產(chǎn)能力為60萬噸/年，根據(jù)國家安全生產(chǎn)監(jiān)督管理總局頒發(fā)的 《企業(yè)安全生產(chǎn)費用提取和使用管理辦法》［14］中相應(yīng)費用的規(guī)定，當(dāng)煤礦年產(chǎn)量為60萬噸時，煤礦的安全資源投入最低應(yīng)為D＝300萬元。該企業(yè)在2015年的安全總成本為630萬元，計劃要將2016年的安全成本控制在U＝600萬元以內(nèi)，包括事故損失投入和安全投入（人員素質(zhì)x1、機械設(shè)備x2、環(huán)境改善x3、安全管理x4以及應(yīng)急預(yù)防x5）。

考慮到安全投入的某些指標間具有相互聯(lián)系、相互影響的關(guān)系，結(jié)合該企業(yè)實際，構(gòu)建安全投入優(yōu)化模型：

其中，式（14）表示安全投入成本最小，L≥0為事故損失值，其表達式是由1.2節(jié)中基于SVR擬合所得式（3）構(gòu)成；式（15）表示總體安全投入的上限和下限；式（16）表示人力與設(shè)備是煤礦生產(chǎn)的關(guān)鍵生產(chǎn)要素，其投入不僅要滿足生產(chǎn)要求，還要滿足最低安全投入要求；式（17）表示對人為安全因素的外部約束，包括設(shè)備、環(huán)境及管理約束；式（18）式表示為保證事故發(fā)生后的應(yīng)急環(huán)節(jié)正常運轉(zhuǎn)需要滿足的最低安全投入要求。

本文利用Matlab編程實現(xiàn)對上述模型的求解。首先需要進行參數(shù)設(shè)置，標準PSO算法中常規(guī)參數(shù)包括［15］：慣性權(quán)重w，常數(shù)系數(shù)c1、c2。

當(dāng)引入改進PSO算法后，需要進一步根據(jù)反復(fù)實驗的結(jié)果確定調(diào)節(jié)參數(shù)δ，重復(fù)搜索限制c，最大迭代限制maxi，以保證粒子具有較好的搜索能力，具體參數(shù)設(shè)置如表2所示。

其次，分別采用常規(guī)PS－PSO和改進粒子群算法（IPSO）對安全投入優(yōu)化模型進行求解，可以得到尋優(yōu)對比結(jié)果，見表3。

表3 PS－PSO與IPSO 優(yōu)化結(jié)果對比

由表3可知，本文提出的IPSO算法的計算結(jié)果優(yōu)于PS－PSO的計算結(jié)果。由于在PS－PSO的基礎(chǔ)上，引入了捕食搜索及自適應(yīng)控制算法，很好地克服了PS－PSO算法在搜索過程中易出現(xiàn)越過最優(yōu)解的問題，從而保證計算結(jié)果達到了全局最優(yōu)。

最后，根據(jù)最佳粒子位置確定該企業(yè)在2016年的安全投入優(yōu)化方案為xT＝（80.3，106.7，58.8，120.3，60.8）萬元，對應(yīng)的安全總成本為509.3萬元，與2015年相比降低了19.2%。

5 結(jié) 論

本文針對傳統(tǒng)安全投入模型的局限性，提出了安全投入優(yōu)化改進模型，以解決高危行業(yè)企業(yè)的安全投入問題。采用SVR能夠克服了傳統(tǒng)方法在擬合時隱含線性關(guān)系假設(shè)的不足，提升了模型中目標函數(shù)的推廣能力，但同時也增加了目標函數(shù)的復(fù)雜程度。因此，在對模型進行求解時，為保證全局收斂性，本文引入自適應(yīng)控制算法對常規(guī)PS－PSO進行了改進。

結(jié)果表明，該模型能夠較準確地描述安全投入與安全成本間的非線性作用關(guān)系，并通過粒子群算法尋優(yōu)得到具備可行性的全局最優(yōu)解，以期為高危行業(yè)企業(yè)制定安全投入優(yōu)化策略提供更加準確的理論依據(jù)。

［1］陸寧，劉楠，張煥芳，等 .建筑施工企業(yè)安全投入指標的綜合重要度診斷 ［J］.工業(yè)安全與環(huán)保，2014，（1）：73～75

［2］Wang Shu－Ming.Evaluation of Safety Input－Output Efficiency of Coal Mine Based on DEA Model［J］.Procedia Engineering，2011，26：2270～2277

［3］李廣龍，周科平，侯造水.基于DEA和Malmquist指數(shù)的煤礦安全投入效率評價 ［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2014，（11）：162～167

［4］Tong Lei，Wang Liangyu，Ding Rijia，Liu Lijia.Study on the Dynamic Input－Output Model with Coal Mine Safety［J］.Procedia Engineering，2011，26：1997～2002

［5］董大旻，馮凱梁 .基于EFQM的建筑企業(yè)安全投入績效評估SEM ［J］.中國安全科學(xué)學(xué)報，2012，（2）：10～16

［6］丁日佳，劉娜 .我國煤礦生產(chǎn)與安全投入的計量分析 ［J］.工業(yè)安全與環(huán)保，2015，（7）：86～88

［7］任海芝 ，陳玉琴 ，程戀軍.煤炭企業(yè)安全投入規(guī)模與投入結(jié)構(gòu)優(yōu)化研究 ［J］.中國安全科學(xué)學(xué)報，2014，（8）：3～8

［8］Azadeh，V.Salehi，M.Arvan，M.Dolatkhah.Assessment of Resilience Engineering Factors in High－risk Environments by FuzzyCognitive Maps：A Petrochemical Plant［J］.Safety Science，2014，68：99～107

［9］Yassine Ben Salem，Salem Nasri.Automatic Recognition of Woven Fabrics Based on Texture and Using SVM［J］.Signal，Image and Video Processing，2010，4（4）：429～434

［10］杜軍崗，魏汝祥，劉寶平 .基于PSO優(yōu)化LS－SVM的小樣本非線性協(xié)整檢驗與建模研究 ［J］.系統(tǒng)工程理論與實踐，2014，（9）：2322～2331

［11］郭凱.煤礦事故風(fēng)險集成管理研究 ［J］.中國煤炭，2015，（7）：30～33

［12］王金鳳，翟雪琪，馮立杰.面向安全硬約束的煤礦生產(chǎn)物流效率優(yōu)化研究 ［J］.中國管理科學(xué)，2014，（7）：59～66

［13］高蕊 .煤礦安全投入優(yōu)化數(shù)學(xué)模型研究及應(yīng)用 ［J］.中國煤炭，2012，（3）：105～108

［14］企業(yè)安全生產(chǎn)費用提取和使用管理辦法［J］.交通財會，2012，（4）：93～97

［15］李昌兵，杜茂康，付德強.基于層次粒子群算法的非線性雙層規(guī)劃問題求解策略 ［J］.系統(tǒng)工程理論與實踐，2013，（9）：2292～2298

Safety Investment Optimization Model of High Risk Industry Enterprises Based on SVR－IPSO and Its Improvement——A Case Study of Coal Production Enterprises

Wang Jinfeng1Chen Zan1Zhai Xueqi1Feng Lijie1，2
（1.Zhengzhou University，Zhengzhou 450001，China；2.Henan Provincial Coal Seam Gas Development and Utilization CO.，LTD，Zhengzhou 450016，China）

Input the traditional security model for solving the fuzzy and complex safety investment problem in high－risk industry has certain limitations.Especially when establishing the objective function，to use a function implied linear relationwill affect the model’s generalization ability.Based on this，this paper firstly used the support vector regression machine（SVR）to establish the accident loss model，compared with the traditional C－D function fitting results，the model had a better predictive ability；then，taking the actual security investment requirements as the constraint and the minimize safety cost as the principle，this paper established the enterprise security investment optimization model；finally，the model was solved by particle swarm optimization algorithm based on predatory search strategy.At the same time，in order to guarantee the global convergence，the algorithm was improved by introducing the adaptive control strategy.The results showed that the model could more accurately describe the nonlinear relationship between safety input and safety cost，and the particle swarm optimization algorithm to get the global optimal solution.This study provided a new decision－making method to optimize the safety investment structure of high risk industries.

high risk industry；safety input optimization；SVR；prey search algorithm；adaptive control

10.3969/j.issn.1004－910X.2016.12.016

F275

A

（責(zé)任編輯：史 琳）

2016—05—13

基金項目：國家自然科學(xué)基金資助項目（項目編號 ：71271194）；國家自然科學(xué)基金資助項目（項目編號：71472171）。

王金鳳，鄭州大學(xué)管理工程學(xué)院教授，博士。研究方向 ：煤礦物流工程、工業(yè)工程、煤礦災(zāi)害救治等。陳贊，通訊作者，鄭州大學(xué)管理工程學(xué)院碩士研究生。研究方向：企業(yè)管理。翟雪琪，鄭州大學(xué)管理工程學(xué)院博士研究生。研究方向：安全管理、技術(shù)創(chuàng)新。馮立杰，鄭州大學(xué)管理工程學(xué)院教授，河南省煤層氣開發(fā)利用有限公司副總經(jīng)理。研究方向：工業(yè)工程、技術(shù)創(chuàng)新。