31、爆破块度预测与岩石工程二维特征表征的智能方法研究

爆破块度预测与岩石工程二维特征表征的智能方法研究

爆破块度预测方法

在采矿工程中，爆破块度预测是一项至关重要的任务。由于爆破作业和环境的复杂性与不确定性，平均块度尺寸（MFS）的预测颇具挑战。为解决这一问题，采用了两种新颖的预测方法，即蚱蜢优化算法 - 支持向量回归（GOA - SVR）和磷虾群算法 - 支持向量回归（KHA - SVR）。

GOA优化函数

为使GOA优化函数更适合并清晰地解决特定问题，对相关参数进行了改写，最终的GOA函数形式如下：
[PD_i = k\sum_{j = 1,j\neq i}^{N}\left(\frac{UBD - LBD}{2}\right)S(P_j - P_i)+ BD]
其中，UBD和LBD分别确定搜索的上界和下界，D定义了所提出问题的维度，BD表示当前的最优解，k是一个系数，用于在探索和开发之间创建平衡机制，其计算公式为：
[k = k_{max}-\frac{J(k_{max}-k_{min})}{J_{max}}]
根据原文，(k_{max})和(k_{min})分别定义为1和0.00001，J是当前迭代次数，(J_{max})表示最大迭代次数。

磷虾群算法（KHA）

KHA是一种新开发的受自然启发的优化算法，它模拟了磷虾的群居行为。其一般工作流程包括初始化参数、接近优化目标和评估优化结果。
- 初始化阶段 ：设置每个磷虾个体的速度，该阶段受局部效应、目标群效应和排斥群效应的影响。其速度更新公式为：
[V_{i}^{new}=a_iV_{i}^{max}+b_nV_{i}^{old}]