導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 建筑安全論文>>正文

基于蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的混凝土壩位移安全監(jiān)控模型

文檔作者：牛景太，魏博文2 文檔來源： 1．南昌工程學(xué)院水利與生態(tài)工程學(xué)院 2．南昌大學(xué)		點擊數(shù)：	更新時間： 2024年02月22日
下載地址：點擊這里	文件大?。?226.53 KB 共3頁	文檔格式： PDF	下載點數(shù)： 1 點（VIP免費）

全屏查看

內(nèi)容預(yù)覽 [文件共3頁]

本文件共3頁，如需編輯使用，請下載。

注：預(yù)覽效果可能會出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問題，下載是正常的。

	文件大?。?26.53 KB 共3頁文件格式：PDF 下載點數(shù)：1 點（VIP會員免費）

下一篇：混凝土結(jié)構(gòu)設(shè)計中人的因素對其安全性能的…

上一篇：建筑結(jié)構(gòu)安全性鑒定評級中的混凝土構(gòu)件抗…

文本預(yù)覽

僅提取頁面文字內(nèi)容，供快速閱讀使用。

第48卷第7期
2012年7月
甘肅水利水電技術(shù)
GANSU WAI玨t R琰 I】】麟ANDⅡ如)I舊pD1愀如瞄ⅡN0U，c．Y
V01．48．No．7
Jd．，2012
· 設(shè)計與研究·
基于蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的混凝土壩位移安全監(jiān)控模型
牛景太 ，魏博文2
(1．南昌工程學(xué)院水利與生態(tài)工程學(xué)院，江西南昌330099；
2．南昌大學(xué)建筑工程學(xué)院，江西南昌 330031)
摘要：反向傳播算法(BP)作為一種多層前饋神經(jīng)網(wǎng)絡(luò)模型廣泛應(yīng)用于水利工程監(jiān)測資料分析中，文中考慮到該算法
在求解過程中精度較低、搜索速度慢和易于陷入局部極小值等缺點，將蟻群算法(ACO)引入其中，并提出了一種基
于蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的計算方法，通過對該模型中的權(quán)值進行尋優(yōu)求解，構(gòu)建了混凝土壩位移監(jiān)控的ACO—BP模
型。最后。通過實例證明了文中所建模型的合適性和快速性。鑒于此模型的有效性，為大壩的安全監(jiān)控和風(fēng)險預(yù)警提
出了一種新的評價依據(jù)。
關(guān)鍵詞：蟻群算法；神經(jīng)網(wǎng)絡(luò)；位移；監(jiān)控
中圖分類號： Ⅳ698．1 1 文獻標志碼：A 文章編號：2095-0144(2012)07—0039—03
1 前言
神經(jīng)網(wǎng)絡(luò)具有復(fù)雜的非線性映射能力、函數(shù)逼
近和大規(guī)模并行分布處理能力。神經(jīng)網(wǎng)絡(luò)中應(yīng)用最
普遍的是多層前饋網(wǎng)絡(luò)模型，其中BP算法因其依
據(jù)堅實、推導(dǎo)過程嚴謹、通用性強而得到了廣泛的應(yīng)
用。由于BP學(xué)習(xí)算法[1]采用的是沿梯度下降算法．
所以，訓(xùn)練通常需要很長時間才能收斂，而且不可避
免地會遇到局部極小的問題。
蟻群算法(ant colony system)是2O世紀9O年代
提出的一種新型的模擬進化算法，它是由意大利學(xué)
者M．Dorigo等人首先提出來的，[2 稱之為蟻群系統(tǒng)，
并成功應(yīng)用于一些實際問題，如TSP問題、分配問
題、job—shop調(diào)度問題，并取得了一系列較好的實驗
結(jié)果。[ ·
本文將蟻群算法和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，可兼有
神經(jīng)網(wǎng)絡(luò)的廣泛映射能力和蟻群算法的快速、全局
收斂以及啟發(fā)式學(xué)習(xí)等特點， 】在某種程度上避免
了神經(jīng)網(wǎng)絡(luò)收斂速度慢，易于陷入局部極小點的問
題。利用蟻群算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)值，將二者結(jié)
合起來可解決非線性模型的辨識問題。
2 蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練
2．1 基于蟻群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練
大多數(shù)神經(jīng)網(wǎng)絡(luò)都使用梯度下降法進行訓(xùn)練．
例如反向傳播算法(BP)。這種算法具有收斂時間
長、易于陷人局部極值等缺陷。[9,10】蟻群算法是一種
全局優(yōu)化的啟發(fā)式算法，因此用它來訓(xùn)練神經(jīng)網(wǎng)絡(luò)
的權(quán)值?？杀苊釨P算法的缺陷。算法基本思想是：
假設(shè)網(wǎng)絡(luò)中有n個參數(shù)，它包括所有權(quán)值或閾值。
首先，將神經(jīng)網(wǎng)絡(luò)參數(shù)P (1耋i耋n)設(shè)置為jv個隨
機非零值，形成集合 。蟻群從蟻巢出發(fā)去尋找食
物，即每只螞蟻在集合 中選擇一個權(quán)值。螞蟻的
數(shù)目為h， ( )表示集合 (1 i耋m)的第．『個元
素p ( )的信息素。螞蟻搜索時，不同的螞蟻選擇元
素是相互獨立的，每只螞蟻從集合 出發(fā)，根據(jù)集
合中每個元素的信息素和公式(1)從每個集合 中
選擇1個元素。當螞蟻在所有集合中完成選擇元素
后，它就到達食物源，然后調(diào)節(jié)集合中元素的信息
素。這一過程反復(fù)進行，當全部螞蟻收斂到同一路
徑?；蜻_到給定的迭代次時搜索結(jié)束。
2-2 蟻群算法的主要步驟
(1)令時間t和循環(huán)次數(shù)NC為零，設(shè)置最大循
環(huán)次數(shù)ⅣIn唧，令每個集合中的每個元素的信息素
~i(1pi)(t)=C，且 ( )=O，將全部螞蟻置于蟻巢。
(2)啟動所有螞蟻，對螞蟻k(．j}=l，? ， )，根據(jù)
下述路徑選擇規(guī)則計算的概率用輪盤轉(zhuǎn)法選擇集
合厶的元素。路徑選擇規(guī)則：對集合厶，螞蟻k根
據(jù)式(1)計算的概率Prob隨機地選擇它的第f個元
素。
收稿日期：2012-07—06
基金項目：①江西省科技支撐項目(2010BSA16800)
②水利部公益性行業(yè)專項項目：農(nóng)村小河流綜合治理關(guān)鍵技術(shù)研究與示范(201201016)
作者簡介：牛景太(1977一)，男，山東東明人，講師，博士研究生，研究方向：水工結(jié)構(gòu)及水工建筑物安全監(jiān)控。
· 39 ·
2012年第7期 甘肅水利水電技術(shù) 第48卷
Prob( (厶i))=( ( ))， ( ) (1)
(3)重復(fù)步驟(2)，直到蟻群全部到達食物源。
(4)令t一抖m，Ⅳc．一一Ⅳc+1；利用各螞蟻選擇的
權(quán)值計算神經(jīng)網(wǎng)絡(luò)輸出和誤差，記錄當前最優(yōu)解。
根據(jù)下面的信息素調(diào)節(jié)規(guī)則更新每個元素的信息
素。信息素調(diào)節(jié)規(guī)則：隨著時間的推移，先前留下的
信息素逐漸消逝，用參數(shù)p(O~p≤1)來表示信息素
的持久性，則1_p表示信息素的消逝程度。經(jīng)過m
個時間單位，螞蟻從蟻巢到達食物源，各路徑上的信
息素要根據(jù)下式作調(diào)整。
( )(￡+ )= ( )(t)+△ ( ) (2)
ArAb,)= ( ) (3)
△ (，Pi)表示第后只螞蟻在本次循環(huán)中，在集合
的第 個元素 ( )上留下的信息素，可用下式來
計算。
篙 ㈤
式中：Q是常數(shù)，用于調(diào)節(jié)信息素的調(diào)整速度；e 是
將第k個螞蟻選擇的一組權(quán)值作為神經(jīng)網(wǎng)絡(luò)的權(quán)值
時的輸出誤差，定義為ek=[O一0 l；式中：0和0 是神
經(jīng)網(wǎng)絡(luò)的實際輸出和期望輸出。誤差越小，相應(yīng)信
息素的增加就越多。
(5)如果螞蟻群全部收斂到一條路徑或循環(huán)次
數(shù) ≥Ⅳ ，則循環(huán)結(jié)束，輸出最佳路徑。否則轉(zhuǎn)
步驟(2)。
3 大壩變形的AC0一BP監(jiān)測模型
由大壩監(jiān)測資料分析可得，大壩結(jié)構(gòu)各個部位
的位移(即變形)變化與水壓日、溫度 等環(huán)境量有
關(guān)，因此，變形安全監(jiān)控網(wǎng)絡(luò)模型的輸入層節(jié)點數(shù)
目取決于影響變形觀測量的因子數(shù)，可將用于位移
預(yù)報的網(wǎng)絡(luò)輸入變量擬定為f實測值y、水位日、溫
度 、時效01。對于本文訓(xùn)練實例中，其預(yù)報統(tǒng)計模
型[】 ]可以擬定為：
g=ao+喜aiM + f=1 i=l L sin JVJ cos u—J l+c1。
(4)
研究表明，若輸入層的節(jié)點數(shù)為 ，則當隱含層
具有2T+1個節(jié)點時。3層BP網(wǎng)絡(luò)可以任意精度逼
近任何一個可微函數(shù)。輸出結(jié)果為大壩某測點變形
監(jiān)測量，因此網(wǎng)絡(luò)輸出層的節(jié)點數(shù)為1。
對于神經(jīng)元激活函數(shù)采用Sigmoid函數(shù)。即
)=(1+exp( 一 ))
· 40 ·
(5)
當數(shù)據(jù)在遠離0的區(qū)域?qū)W習(xí)時，因為在飽和區(qū)
段，學(xué)習(xí)收斂速度比較慢，甚至于出現(xiàn)麻痹現(xiàn)象。為
此將訓(xùn)練樣本數(shù)據(jù)開始之間先進行標準化，設(shè) 為
標準化前的因子變量； 為標準化后的因子變量；
為因子變量的最大值； 血為因子變量的最小
值。則相應(yīng)標準化后的變量為：
X =( — Ⅱin)／( ) (6)
這樣本樣本數(shù)據(jù)均在(0，1)之間，在未減少數(shù)據(jù)
間聯(lián)系的情況下，可以大大加快了網(wǎng)絡(luò)的學(xué)習(xí)速度，
而數(shù)據(jù)間的聯(lián)系并不減少。
4 工程應(yīng)用
4．1 工程資料
某混凝土重力壩，壩頂高程280 m，最大壩高
78 m，壩頂全長253 m，共分13個壩段，從左往右編
號為2 14 。其中河床中部6 11 壩段設(shè)有6孔溢
洪道，河床4個溢流壩段為寬縫重力壩，其余檔水壩
段為實體重力壩。選取了典型 壩段2002—2005年
壩頂水平位移前900個觀測數(shù)來訓(xùn)練。剩下64個數(shù)
據(jù)用來檢驗。應(yīng)用上述理論建立位移預(yù)報模型。模型
為多輸入單輸出模式，即輸出量是實測值，水位、溫
度、時效，輸出量為監(jiān)控預(yù)報值。當訓(xùn)練達到3 600
次時。誤差函數(shù)趨于穩(wěn)定。模型訓(xùn)練結(jié)果與實測值對
比曲線圖如圖l所示。
l
蠢
日期
圖1 模型擬合曲線(實線為實測值。虛線為擬合值)
- 31
4．2 兩種模型3種評價指標的比較
為了對文中ACO—BP模型的精度更清晰的了
解，文中將ACO—BP模型和傳統(tǒng)的統(tǒng)計模型進行對
比分析，利用以下3種統(tǒng)計評價指標。
平均絕對百分比誤差：
： 訂 Y (7)
t
均方誤差：
■■———一
腳 一 (8)
平均決定誤差：
MAE= 一 I (9)
第7期 牛景太，等：基于蟻群優(yōu)化神經(jīng)網(wǎng)絡(luò)的混凝土壩位移安全監(jiān)控模型 第48卷
對于ACO—BP模型與統(tǒng)計模型的歷史樣本的
擬合效果作定量比較。表1給出了ACO—BP模型與
統(tǒng)計模型的3種統(tǒng)計評價指標計算結(jié)果。由表1可
見．ACO—BP模型的擬合效果明顯優(yōu)于統(tǒng)計模型。即
便統(tǒng)計預(yù)報方法往往擬合效果較好，但實際預(yù)報能
力有時不一定與擬合效果一致。
表1 兩種模型三種評價指標的比較
5 結(jié)語
本文考慮到反向傳播算法在求解過程中精度較
低、搜索速度慢和易于陷入局部極小值等缺點．將蟻
群算法(ACO)引入其中，取得以下結(jié)果：
(1)ACO—BP模型應(yīng)用于大壩變形監(jiān)控預(yù)報分
析中是可行的，其預(yù)報精度優(yōu)于常規(guī)的統(tǒng)計模型；
(2)利用蟻群算法特有的快速全局收斂特性，
可以有效地解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計和學(xué)習(xí)中的精度
低、收斂慢等缺陷；
(3)蟻群算法在大壩安全監(jiān)測神經(jīng)網(wǎng)絡(luò)預(yù)報模
型建立中的應(yīng)用尚屬起步階段，僅限于前饋網(wǎng)絡(luò)的
設(shè)計，對于復(fù)雜問題中的應(yīng)用還需進一步的研究，從
而提高網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化計算能力。
參考文獻：
[1]Garson G D．Interpreting neural network connection weights
lJ]．AI Expert，1991，6(7)：47-51．
[2]DORIGOM，MANIEZZOV，COLORNIA．Ant system：oF--
fimization by a colony ofcoperating agent【J J．IEEE Trans
on System，Man，and Cybernetics，1996，26(1)：29-41．
[3 J DORIGO M，GMBARDEUA L M．A cooperative learning
approach to the traveliing salesman pmblem一[J]．IEEE
Trans on Evolutionary Computation，1997，t(I)：53—66．
[4]COLORNI A．Heuristics from nature for hard eombinatorial
optimization problems[J]．Int Trans in Opnl Res，1996，3
(1)：l一21．
[5]洪炳熔，金飛虎，高慶吉．基于蟻群算法的多層前饋神經(jīng)
網(wǎng)絡(luò)[J]．哈爾濱工業(yè)大學(xué)學(xué)報，2003，35(7)：823—825．
[6]梅紅，王勇，趙榮齊．基于蟻群優(yōu)化的前向神經(jīng)網(wǎng)絡(luò)[J]．
武漢理工大學(xué)學(xué)報：交通科學(xué)與工程版，2009，33(3)：
53l—533．
[7]趙勝穎，高廣春．基于蟻群算法的選擇性神經(jīng)網(wǎng)絡(luò)集成方
法[J]．浙江大學(xué)學(xué)報：工學(xué)版，2009，43(9)：1568—1573．
[8]師彪，李郁俠：于新花周旺．動態(tài)調(diào)整蟻群一BP神經(jīng)網(wǎng)絡(luò)模
型在短期負荷預(yù)測中的應(yīng)用[J]．水力發(fā)電學(xué)報，2011，30
(3)：5—9．
[9]Maniezzo V，Carbonaro A．An ants heuristic for t helm—
quency assignment pro blem 【J J．Future Gener ationComputer
System~，2000，16：927—935．
[1O]蘇懷智，吳中如，溫志萍，沈振中．遺傳算法在大壩安全
監(jiān)控神經(jīng)網(wǎng)絡(luò)預(yù)報模型建立中的應(yīng)用[J]．水利學(xué)報，
2001(8)：44—48．
[11]吳中如．水工建筑物安全監(jiān)控理論及其應(yīng)用[M]．北京：
高等教育出版社，2003．
(上接第29頁)庫容約5 000萬m3，提高了防洪標
準，對上下游都極為有利。如2010年水庫遭遇到2O
年一遇的洪水標準，由于提前將加大負荷發(fā)電。預(yù)騰
庫容，增大防洪庫容8 000萬m，．此次洪水過程削峰
率61．12％，確保了下游的防洪安全，1999年同量級
的洪水對下游造成損失約2 000萬元。
6 結(jié)語
汛限水位分期、動態(tài)控制的關(guān)鍵的時期是實時
調(diào)度，其經(jīng)濟效益與社會效益是巨大的。汛限水位
分期、動態(tài)控制的相結(jié)合的試運行．為充分利用洪水
資源及水能資源，科學(xué)合理的利用水庫防洪與興利
的“重疊”庫容，達到保證興利蓄水及提高防洪能力
提供有力保障。某水庫正是試行運用了汛限水位分
期、動態(tài)控制的理念，在2010年安全防洪度汛．取得
了一定的經(jīng)濟效益、社會效益。既保障了下游防洪安
全，又完成了興利蓄水目標。
參考文獻：
[1]王本德，周惠成．水庫汛限水位動態(tài)控制理論與方法及其
應(yīng)用[M]．北京：中國水利水電出版社，2006．
[2]遼寧省水利廳．防洪調(diào)度新方法及應(yīng)用[M] 匕京：中國水
利水電出版社，2007．
[3]譚培倫．綜合利用水庫調(diào)度[M]．北京：水利電力出版社，
1990
· 41 ·

網(wǎng)友評論 more

建筑安全論文最新內(nèi)容

03-05