遗传算法在滑坡体变形监测预计方面的应用探讨

【摘要】介绍了遗传算法的模型，对滑坡体水平位移、滑坡体沉降量监测数据进行了预测。结果表明，利用遗传算法特有的全局优化能力，对预计函数可以做出很好的拟合。

【关键词】遗传算法；滑坡变形监测；预计

引言

遗传算法是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术。本文对遗传算法在滑坡体变形监测预计方面的应用做了一些有益的探讨。

1.遗传算法以及其改进模型

1.1 遗传算法模型

标准的遗传是从生物学的角度引出和具体阐释的并且给出了遗传算法的基本框架，以后对于遗传算法的改进，都是基于此种算法。

标准遗传算法的流程如下：（l）使用二进制编码对搜索空间进行编码。（2）随机产生包含n个个体的初始群体。（3）适应度评估检测个体适应度（个体适应度反映了个体好坏的情况）。（4）WHILE<未满足迭代终止条件>DO。（5）用赌轮选择方法选出若干个体进行繁殖，个体可以重复。（6）随机配对，按一定概率（交叉概率）进行一点交叉操作，并生成两个子个体。（7）按照一定概率（变异概率）变异二进制个体串中某个（些）位。（8）适应度评估检测个体适应度。（9）END DO。这个過程将导致种群象自然进化一样的后代种群比前代更加适应环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。

1.2遗传算法的改进模型

遗传算法在许多优化问题中都有成功的应用，但其本身也存在一些不足.一些学者提出了遗传算法的改进模型。有以下可以探讨改进的方法：编码表示、适应度函数、选择策略、控制参数、遗传算子等。

编码表示方面，通常遗传算法方面应用二进制编码，但二进制编码不能直接反映问题的固有结构，精度不高，个体长度大，占用计算机内存多。所以这是可以改进的一个点，有些学者利用转换法来克服这种弱点。

适度函数方面，适应度函数是用来区分群体中个体好坏的标准，是自然选择的唯一标准，选择的好坏直接影响算法的优劣。引入适应值调节和资源共享策略可以加快收敛速度和跳出局部最优点。对适应值进行调节就是通过变换改变原适应值间的比例关系，常用的比例变换有线性变换、乘幂变换和指数变换等。

选则策略方面，优胜劣汰的选择机制使得适应值大的个体有较大的存活机会，不同的选择策略对算法性能有较大的影响。轮盘赌法是使用最多的选择策略，但这种策略可能会产生较大的抽样误差，于是对此提出了很多的改进方法，如繁殖池选择等。但是这几种策略都是基于适应值比例的选择，常常会出现早熟收敛现象和停滞现象.这是可以改进的地方之一。

控制参数方面，制参数一般有群体大小，交换概率，变异概率等，这些参数对遗传算法性能影响较大。在标准的遗传算法中采用经验进行估计，这将带来很大的盲目性，而影响算法的全局最优性和收敛性。针对这种情况，有的学者提出了：群体规模可变的遗传算法。

遗传算子方面，基本遗传算法中采用单点交叉算子和简单的变异算子。它们操作比较简单，计算量小，但是在使用过程中有很大的局限性， 多维连续空间的遗传算法的杂交多样性进行了分析，通过建立相应的数学模型，在多维连续空间和大规模群体中使用均匀杂交算子是如何探索新的解空间区域。为了使得变异能够根据解的质量自适应的调整搜索区域，从而能较明显地提高搜索能力，提出自适应变异算子。

2.实例分析

滑坡是一种常见的自然灾害，对滑坡灾害发生的类型、原因、机理、规律、监测及预报做出准确的结论是很有实际意义的。目前，滑坡的非线性动力学特性已经得到广泛的认识。

图1 斜滑坡示意图 图2 双滑块模型

滑坡的动力学模型已经获得如下：

以上方程中有5个参数p、q、w、r和c，p和q是与周期有关的参数。对其进行按照遗传算法找出最优解并作出相应的预测。

这种方法在计算得出结果的同时，也显现出其很大的优越性，经过实例分析得出的预测值可以作为此滑坡的预测参考。

图3 变形预测值 图4 遗传迭代收敛曲线

3.结论

应用遗传算法建立滑坡安全监控预测模型，受到了监测界的广泛关注，其独特的结构和强大的信息处理能力可以提供有力的技术支持。应用遗传算法对滑坡沉降量监测数据进行了训练和预测，结果表明，模型的预测效果很好，可为实时在线监控滑坡安全性态中提供有力的技术支持。同时有很多学者也提出了与遗传算法在图像处理方面应用且有很大的优势。

参考文献

[1] 葛继科等.遗传算法研究综述[J].计算机应用研究，2008

[2] 刘立平，牛熠.遗传算法综述[J].东莞理工学院学报，2005

[3] 王建，张献州.基于加速遗传算法的GPS 变形监测单历元求解算法[J].测绘通报，2013

艾鹏（1984—），男，2008年毕业于辽宁科技学院工程测量技术专业，助理工程师。