基于PSO-SVR的岩质边坡稳定性评价模型

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 235-238.

基于PSO-SVR的岩质边坡稳定性评价模型

颜七笙1，2，王士同1

1.江南大学信息工程学院，江苏无锡 214122
2.东华理工大学数学与信息科学学院，江西抚州 344000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

Stability evaluation model of rock mass slope based on PSO-SVR

YAN Qisheng1，2，WANG Shitong1

1.School of Information Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China
2.School of Mathematics & Information Science，East China Institute of Technology，Fuzhou，Jiangxi 344000，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 针对边坡稳定性影响因素的复杂性，提出了基于粒子群算法（PSO）和支持向量回归（SVR）的边坡稳定性评价模型。该模型利用粒子群算法快速全局优化的特点和支持向量回归机对小样本数据的良好学习能力，建立了岩质边坡稳定性与其影响因素之间的非线性关系。仿真实验表明，该方法具有比BP神经网络和自适应模糊推理系统（ANFIS）方法更好的预测精度。

关键词: 岩质边坡, 稳定性评价, 支持向量回归, 粒子群算法

Abstract: For the complex relationships among influencing factors in slope stability，a slope stability evaluation model based on Particle Swarm Optimization（PSO） and Support Vector Regression（SVR） is proposed.The nonlinear relation between slope stability and influencing factors is obtained from the finite empirical data by SVR model，and PSO is used to search the optimum parameters of SVR.A simulation example is taken to demonstrate correctness and effectiveness of the proposed approach.The result shows that the model and algorithm proposed possess convenience，objectivity and can get higher prediction precision than BP neural network prediction and ANFIS method.

Key words: rock slope, stability evaluation, support vector regression, particle swarm optimization algorithm

颜七笙1，2，王士同1. 基于PSO-SVR的岩质边坡稳定性评价模型[J]. 计算机工程与应用, 2011, 47(16): 235-238.

YAN Qisheng1，2，WANG Shitong1. Stability evaluation model of rock mass slope based on PSO-SVR[J]. Computer Engineering and Applications, 2011, 47(16): 235-238.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[5]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[6]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[7]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[8]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[9]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[10]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.