基于GA-BP神经网络矿岩爆破参数优选.pdf

第3 0 卷第1 期 爆破 V o l 3 0N o 1 2 0 1 3 年3 月B L A S T I N G M a r ．2 0 1 3 d o i 1 0 ．3 9 6 3 ／j ．i s s n ．1 0 0 I 一4 8 7 X ．2 0 1 3 ．0 1 ．0 0 7 基于G A B P 神经网络矿岩爆破参数优选木 王德永1 ”，袁艳斌1 ，钱兆明1 ，陈颖1 1 ．武汉理工大学资源与环境工程学院，武汉4 3 0 0 7 0 ；2 ．平顶山工业职业技术学院计算机系，平顶山4 6 7 0 0 1 摘要针对B P 神经网络方法用于矿岩爆破参数优选存在收敛速度慢、误差相对较高等问题，提出利用 遗传算法优化的B P 神经网络模型，用于矿岩爆破参数的智能优选。通过具体实例，对采用B P 神经网络和 改进后的G A ．B P 神经网络的算法进行对比实验，结果表明优化后的B P 神经网络性能得到提高，优化后的爆 破参数能取得更好的爆破效果。 关键词爆破参数；优化选择；B P 神经网络；遗传算法 中图分类号T D 2 3 5 ；T B 4 1文献标识码A文章编号1 0 0 1 4 8 7 X 2 0 1 3 0 1 0 0 3 0 0 5 O p t i m i z a t i o no fM i n eB l a s tP a r a m e t e r sb a s e do nG A B PN e u r a lN e t w o r k W A N GD e ．y o n 9 1 ”，Y U A NY a h ．b i n l ，Q I A NZ h a o ．m i n 9 1 ，C H E NY i n 9 1 1 ．S c h o o lo fR e s o u r c e sa n dE n v i r o n m e n t a lE n g i n e e r i n g ，W u h a nU m v e r s i t yo fT e c h n o l o g y ，W u h a n4 3 0 0 7 0 ，C h i n a ； 2 ．D e p a r t m e n to fC o m p u t i n g ，P i n g d i n g s h a nI n d u s t r i a lC o l l e g eo fT e c h n o l o g y ，P i n g d i n g s h a n4 6 7 0 0 1 ，C h i n a A b s t r a c t T h en e u r a ln e t w o r km e t h o du s e di nb l a s tp a r a m e t e r so p t i m i z a t i o nW a si m p r o v e dd u et os l o wc o n v e r g e n c es p e e da n dr e l a t i v e l yh i g he r r o r ．T h eG A B Pn e u r a ln e t w o r kf o ra c h i e v i n gt h ep u r p o s eo fm i n eb l a s tp a r a m e t e r s i n t e l l i g e n to p t i m i z a t i o nw a sp u tf o r w a r d ．T h r o u g he x a m p l e s ，t h eB Pn e u r a ln e t w o r ka n di m p r o v e dG A - B Pn e u r a ln e t - w o r ka l g o r i t h mw e r ec o m p a r e d ．T h ee x p e r i m e n t a lr e s e a r c hr e s u l t ss h o wt h a tt h ep e r f o r m a n c eo ft h eo p t i m i z e dG A B P n e u r a ln e t w o r kW a sg r e a t l yi m p r o v e da n dt h eo p t i m i z e db l a s tp a r a m e t e r sg o tb e t t e rb l a s t i n gr e s u l t s ． K e yw o r d s b l a s tp a r a m e t e r ；o p t i m i z ea n dc h o o s e ；B a c k P r o p a g a t i o nn e u r a ln e t w o r k ；g e n e t i ca l g o r i t h m 合理选择矿岩爆破参数，是取得良好爆破效果 的重要措施。传统爆破参数确定方法有经验公式 法、工程类别法和现场试验法。经验公式法得到的 参数值范围大，无法实现真正意义上的优选；性质类 似工程类比法确定参数往往考虑不周全，容易受主 观因素左右；现场试验法需要花费大量的人力、财 力、物力及时间，且不同地段的试验具有局限性，难 以达到理想的效果参考’2 ] 。因此，爆破参数优选 收稿日期2 0 1 2 1 2 1 2 作者简介王德永 1 9 6 9 一 ，男，副教授，武汉理工大学资源与环境 工程学院博士研究生，从事矿山信息技术研究， E m a i l c o m p u c l u b 1 6 3 ．c o n l 。 通讯作者袁艳斌 1 9 7 0 一 ，男，武汉理工大学资源与环境工程学院 教授、博导，从事数值优化理论与方法研究， E m a i l y y b j m 1 2 6 ．c o r n 。 基金支持国家8 6 3 科技项目 2 0 0 9 A A l 2 2 0 1 ；平顶山市科技创新人 才计划项目 2 0 1 2 0 6 1 方法的研究势在必行。 文献[ 1 - 3 ] 为了克服上述方法缺陷，分别研究了 爆破参数与其主要影响因素参数间的非线性复杂关 系，由于B P 神经网络具有高度的非线性映射能力， 适应爆破参数与主要影响因素参数间关系模型的建 立，同时爆破参数优选过程不需要建立数学方程，具 有自适应性、学习能力以及容错性和鲁棒性，可避免 传统的矿岩爆破参数确定方法的弊端，所以在上述 文献中以国内爆破工艺类似、效果良好的矿山为样 本来建立B P 神经网络模型进行爆破参数优选，优 选出的参数适用于矿岩条件，爆破参数合理，爆破矿 石块度大块率低、成本低、工艺简单。但是，由于B P 神经网络是基于梯度下降原理的一种局部寻优算 法，本身存在收敛速度慢、易陷入局部最小、全局搜 万方数据 第3 0 卷第1 期 王德永，袁艳斌，钱兆明，等基于G A ．B P 神经网络矿岩爆破参数优选3 1 索能力弱、网络结构难确定，泛化能力差等缺陷，因 而爆破参数的精度和获取速度得不到很大提高，由 上述文献也可以看出，应用B P N N 是网络结构、隐含 层神经元数量初始权值和阈值确定都比较麻烦，优 选过的参数根据实际还需要根据生产实际做一定的 修正，才能达到和预测结果一致。遗传算法 G e n e t i cA l g o r i t h m ，G A 提供了一个全局的搜索优化方法。 遗传算法是根据适度函数，逐步逼近目标值，最终达 到全局最优值。针对B P 网络和遗传算法各自的优 点，将二者结合起来，用遗传算法来优化B P 网络， 是一种可行的策略”J 。因此我们提出利用遗传算 法的选择、交叉和变异操作后得到最优的权值和阈 值优化的B P 网络用于矿岩爆破参数的智能优选。 通过具体实例，运用M a t l a b 软件对部分改进算法进 行了对比研究，结果表明，优化后的B P 神经网络性 能大幅度提高，优选出的爆破参数比之前能取得更 好的爆破效果。 1 遗传算法优化B P 神经网络 神经网络在各领域的应用取得了很大的成功和 进展，但仍存在一些难以解决的问题。如局部极小 问题，结构设计问题，实时性差问题等。将遗传算法 与神经网络相结合可以有效地解决上述问题。目前 常用的有将遗传算法的搜优特性优化B P 神经网络 G A 对初始值编码 数据预处理 遗传 的权值和阈值、遗传算法用于神经网络结构进化和 学习规则进化3 种优化方式”J 。采用的是利用遗传 算法对B P 网络的权值和阈值进行优化的方式，通 过搜索解空间，遗传算法能在预定的进化次数内得 到全局最优解的权值和阈值【6J ，从而改善B P 网络 的性能，主要步骤如下。 1 ．1 ’B P 网络结构的确定 输入层有矿岩容重、弹性模量、抗拉强度等6 个 输入量，输出层有炮孔排距、孔底距及一次炸药单耗 3 个输出量，结合K o l m o g r o v 定理，可得隐含层神经 元个数应该在1 3 左右，通过实验验证对比，隐含层 神经元个数为1 5 网络收敛速度最快，所以本文构建 了一个输入层为6 ，隐含层为1 5 、输出层为3 的3 层 神经网络结构。 1 ．2 遗传算法优化B P 神经网络的实现过程 将神经网络中所有神经元的连接权值和阈值编 码成二进制码串或实数码串表示的个体，随机生成 这些码串的初始群体，即可进行常规的遗传算法优 化计算。每进行一代计算后，将码串解码为权值和 阈值构成新的神经网络，通过对所有训练样本进行 计算得到神经网络输出的均方误差从而确定每个个 体的适应度。经过若干代计算，神经网络将进化到 误差全局最小。具体流程如图1 所示。 初始B P 神经网络权 值、阈值长度 臣亘圃 B P 神经网络部分 图1 遗传算法优化B P 网络流程图 F i g ．1 F l o wc h a r to fg e n e t i ca l g o r i t h mt oo p t i m i z et h eB Pn e t w o r k 万方数据 3 2爆破2 0 1 3 年3 月 1 编码。采用实数编码方法。设神经网络的 输入层、隐含层、输出层的神经元个数分别为￡、肘、 Ⅳ，待优化的参数是神经网络的所有权值和阀值，因 此有 ￡ Z 肘 M 1 Ⅳ个参数待优化，这些参数 组成一个染色体。染色体中基因的排列顺序为输入 层到隐含层权值、隐含层到输出层权值、隐含层阀 值、输出层阀值。所以共有1 5 3 个参数需要优化。 2 适应度函数的确定。设定网络的目标函数 一般选用输出与期望的误差平方和。根据训练样本 集，训练神经网络得到总误差E 2 由于是实数编码，交叉采用算术交叉，由2 个 父个体的线性组合产生2 个新的个体。 X ’。 以。 1 一d 如 3 X ’2 以2 1 一O ／ X l 4 式中x ’。、x ，2 为交叉后的新个体；o r 为 0 ，1 的 随机常数。 3 变异采用基本位变异，对父个体上几个基因 座上的基因值做变异操作，产生新的个体。 4 选出适应度最高的个体，输出最优的权值和 阈值训练B P 神经网络。 P1p R E ∑E p 寺∑∑ t ，，- 。‘，f 2 1 2 实验 P 1‘- P 1Z 1 。一 在式 1 中输出输入样本总数为p ；t 。。表示输 出层第p 个样本的第z 个节点的期望输出；。胡表示第 P 个样本的输出层第1 个节点的输出；．j } 为输出层的 节点数。 定义适应度函数为 厂 南 2 3 遗传操作。包括选择、交叉、变异3 种操作， 是种群进化的关键，种群经过遗传操作后，得到下一 代新群体。 1 选择操作采用最优保存策略和轮盘赌法相 结合的选择策略。对每个个体i 有选择概率P 二 ，／∑，，其中P i 为个体，的适应度值。 2 ．1 实例构建 石人沟铁矿隶属于河北钢铁集团矿业有限公 司，根据矿岩实际生产条件，采用上向扇形中深孑L 爆 破工艺，采用了国内7 个生产条件和石人沟铁矿相 似、爆破工艺一致、应用效果良好的矿山爆破参数作 为训练样本，采用了G A B P N N 模型对其爆破参数 进行优选，并把优选结果和B P 神经网络模型爆破 优选参数进行了对比实验。 为了验证算法的有效性，我们选取文献[ 1 ，2 ] 中的爆破参数样本集，样本集的个数为7 ，如表1 所 示，通过2 0 0 次仿真运算并记录结果，无论从收敛速 度或者预测结果，都明显优于文献[ 1 ，2 ] 中的单一 B P 神经网络的结果。 表1 爆破参数优选训练样本集 T a b l e1 S a m p l e so ft r a i n i n gf o rb l a s tp a r a m e t e r s 大红山铜矿 3 ．2 53 ．7 2 1 0 ．1 01 03 7 ．0 01 5 ．6 71 ．6 02 ．7 5 0 ．5 2 铜官山铜矿 4 ．4 34 ．7 7 4 ．4 853 9 ．0 04 ．6 81 ．2 51 ．9 0 金厂峪金矿 2 ．8 46 ．2 4 7 ．3 083 9 ．9 07 ．5 61 ．3 01 ．9 0 梅山铁矿 4 ．6 71 4 ．0 71 3 ．9 51 33 2 ．6 0 3 ．5 01 ．7 01 ．5 0 张马屯铁矿 3 ．2 07 ．1 45 ．4 273 5 ．5 04 5 ．0 0 1 ．0 02 ．4 0 康家湾铅锌矿 2 ．8 9 3 ．1 03 ．0 875 3 ．8 l1 5 ．9 91 ．2 0 2 ．0 0 开阳磷矿 3 ．2 25 ．2 04 ．4 87 4 1 ．9 62 0 ．0 01 ．9 02 ．2 0 石人沟铁矿 3 ．4 04 ．8 02 ．2 61 13 8 ．0 0 2 ．4 0 0 ．2 5 0 ．4 5 0 ．3 5 0 ．4 2 0 ．4 5 0 ．1 6 在该实例中，B P 神经网络参数选择和文献 [ 1 ，2 ] 相同，可知，B P 神经网络参数为输入节点数 为6 ，输出节点数为3 ，隐含层节点数为1 5 ，网络隐 含层的神经元传递函数采用5 型正切函数t a n s i g ，输 出层神经元传递函数采用s 型对数函数l o g s i g 。利 用式 2 进行归一化，作为B P 神经网络的输入。设 置的训练次数和误差极其重要，直接影响的网络的 运算速度和精度，训练次数和误差分别设为1 5 0 0 和 0 ．0 0 0 0 1 。 使用遗传算法对网络权值进行优化，隐含层节 点数为1 5 ，遗传算法编码长度为1 5 3 ，初始种群数量 为1 0 0 ，调用g a o t 工具箱进行试验，将初步得到的权 万方数据 第3 0 卷第1 期 王德永，袁艳斌，钱兆明，等基于G A ．B P 神经网络矿岩爆破参数优选 3 3 值矩阵赋给尚未开始训练的B P 神经网络进行训 练，最终得到训练好的网络。 2 ．2 实验结果 分别利用B P 神经网络模型和G A ．B P 神经网络 模型对矿岩爆破参数进行优选，B P 神经网络模型优 选结果为炮孔排距W 1 ．6 8 4 9m 、孑L 底距a 1 ．8 2 5 3m 、Y 。。 0 ．4 5k g ／t 。G A B P N N 神经网络模 涮 魃 熏 极 斗 型优选结果为炮孔排距W 1 ．5i n 、孑L 底距口 1 ．8 m 、Y 耐 0 ．4k g ／t 。并得到遗传代数与适应度和 平方和误差的曲线。 利用B P 神经网络算法进行参数优选的结果如 图2 。 利用G A ．B P 神经网络算法进行参数优选的结 果如图3 。 a B P 神经网络算法参数优选适应度曲线 b G A ．B P 神经网络算法参数优选适应度曲线 图22 种算法的适应度曲线对比 F i g ．2 C o n t r a s to ft w oa l g o r i t h m gf i t n e s sc u r v e a B P 神经网络算法参数优选误差曲线 b G A - B P 神经网络算法参数优选误差曲线 图32 种算法的误差曲线对比 F i g ．3 C o n t r a s to ft w oa l g o r i t h m ge r r o rc u r v e 从图2 与图3 可以看出，在5 0 代左右B P 神经 网络的适应度为2 ．5 左右，平方和误差为0 ．5 左右， 而G A B P N N 在5 0 代时的适应度为6 左右，平方和 误差为0 ．2 左右，后者明显适应度高，误差小。因此 将遗传算法和B P 神经网络结合起来是有意义的， 得到的混合算法优势明显，不仅能够发挥神经网络 的泛化能力和学习能力，并且可以加快神经网络的 收敛，得到理想的优选结果。从获得的优选参数和 实际应用经验值比较，G A ．B P N N 优选出的参数更接 近于实际生产经验值，实践证明G A B P N N 优选出 的爆破参数更合理，爆破效果更好，大块率低、成本 低以及工艺简单。 3 结语 基于G A B P 神经网络的爆破参数优选方法在 收敛速度和优选结果上，都优于单一B P 神经网络 的结果。对B P 神经网络方法用于矿岩爆破参数优 选存在适应度低、误差相对较高等问题的方法进行 1 l l l O O O O 榭蝼熏椒湃 5 5 4 5 3 5 2 5 1 5 O 4 3 2 1 0 万方数据 3 4．爆破2 0 1 3 年3 月 上接第2 9 页 [ 1 ] L I UY a n ，D U A NZ h u o p i n g ，W A N GX i n - s h e n g ，e ta 1 ．[ 5 ] R I E D E LW ．B e t o nu n t e rd y n a mi s c h e nL a s t e nMe s o u n d E x p e r i m e n t so ne x p l o s i o no fe x p l o s i v e s w i t hd i f f e r e n tm a k r o me c h a ni s c h eMo d el i eu n di h r eP a r a me t e r [ D ] ． t h i c k n e s ss h e l l si nc o n c r e t e s [ J ] ．T r a n s a c t i o n so fB e i j i n g F r ei b u r g ，G e r m a n y P h dT h e s i s ，E r ms t - Ma c h I n s t i t u t ， I n s t i t u t eo fT e c h n o l o g y ，2 0 1 0 ，3 0 7 7 7 1 - 7 7 3 ． i n2 0 0 0 ． C h i n e s e [ 6 ] J O H N S O NGR ，C O O KWH ．Ac o n s t i t u t i v em o d e la n d [ 2 ]盛振新，刘荣忠，郭锐．壳体厚度和爆炸深度对水d a t af o r me t a l ss u b j e c t e dt ol a r g es t r a i n ，h i g hs t r a i nr a t e s 下爆炸冲击波的影响[ J ] ．火炸药学报，2 0 1 l ，3 4 3 a n dh i g ht e m p e r a t u r e s [ c ] ∥P r o c7 t hI n tS y m pB a l l i s ． 4 5 - 4 7 ．t i c s ．H a g u e ，H o l l a n d ，1 9 8 3 5 4 1 - 5 4 7 ． [ 2 ] S H E N GZ h e n - x i n ，L I UR o n g z h o n g ，G U OR u i ．E f f e c to f [ 7 ]高尔新．球形装药爆破近区分析[ J ] ．中国矿业学院 s h e l lt h i c k n e s sa n de x p l o s i o nd e p t ho nu n d e r w a t e re x p l o 一 学报，1 9 8 7 1 4 9 - 5 5 ． s i r es h o c kw a v e [ J ] ．C h i n e s eJ o u r n a lo fE x p l o s i v e s ＆ [ 7 ]G A OE r x i n ．A n a l y s i so fs p h e r i c a lc h a r g eb l a s t i n ga tt h e P r o p e l l a n t s ，2 0 1 1 ，3 4 3 4 5 - 4 7 ． i nC h i n e s e c l o s ez o n e [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g ＆ [ 3 ] 王新生，黄风雷，汪庆桃．带壳装药爆炸毁伤混凝土T e c h n o l o g y ，1 9 8 7 1 4 9 - 5 5 ． i nC h i n e s e 的数值模拟[ J ] ．爆破，2 0 1 1 ，2 8 2 9 1 2 ．[ 8 ]张奇．岩石爆破能量分析的数值方法[ J ] ．岩土力 [ 3 ] W A N GX i n s h e n g ，H U A N GF e n g l e i ，W A N GQ i n g - t a o ． 学，1 9 9 1 ，1 2 2 4 9 - 5 6 ． N u m e r i c a ls i m u l a t i o nf o rs h e l lc h a r g ee x p l o s i o na n dd a m [ 8 ] Z H A N GQ i ．N u m e r i c a lt e c h n i q u ei ne n e r g ya n a l y s i so f a g ei nc o n c r e t e s [ J ] ．B l a s t i n g ，2 0 1 1 ，2 8 2 9 一1 2 ． i n r o c kb l a s t i n g [ J ] ．R o c ka n dS o i lM e c h a n i c s ，1 9 9 1 ， C h i n e s e 1 2 2 4 9 - 5 6 ． i nC h i n e s e [ 4 ]苏波，唐勇，顾文彬，等．带壳装药在多层介质中[ 9 ] 梁斌，陈忠富，陈小伟．爆炸载荷对混凝土毁伤效 爆炸的数值模拟研究[ J ] ．爆破，2 0 0 9 ，2 6 1 1 5 ．1 8 ． 应分析[ J ] ．弹箭与制导学报，2 0 0 6 ，2 6 3 1 0 4 ．1 0 7 ． [ 4 ] S UB o ，T A N GY o n g ，G UW e n - b i n ，e ta 1 ．N u m b e r i c a l [ 9 ] L I A N GB i n ，C H E N GZ h o n g ．f u ．C H E N GX i a o ．w e i ．D a m a g e s i m u l a t i o no fb l a s te f f e c t sf o rc h a r g ew i t hc a s ei n a n a l y s i so f c o n c r e t es u b j e c tt o e x p l o s i v el o a d i n g [ J ] ． m u l t i - l a y e rm e d i u m [ J ] ．B l a s t i n g ，2 0 0 9 ，2 6 1 1 5 - 1 8 J o u r n a lo fv r o j e c t i l e sR o c k e t sM i s s i l e sa n dG u i d a n c e ． i nC h i n e s e 2 0 0 6 ，2 6 3 1 0 4 ．1 0 7 ． i nC h i n e s e 万方数据