基于ASGSO-ENN算法的瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)研究.pdf

1、礦井瓦斯涌出量系統(tǒng)是一個(gè)具有多參量、高度非線性、時(shí)變性、隨機(jī)性的復(fù)雜系統(tǒng)，傳統(tǒng)的線性方法無(wú)法建立滿足工程精確要求的可靠預(yù)測(cè)模型。因此，提出一種將Elman動(dòng)態(tài)反饋神經(jīng)網(wǎng)絡(luò)(ENN，Elman Neural Network)與自適應(yīng)步長(zhǎng)螢火蟲(chóng)算法(ASGSO，self-Adaptive Step Glowworm Swarm Optimization)相耦合的擬合算法實(shí)現(xiàn)對(duì)瓦斯涌出量非線性系統(tǒng)的有效辨識(shí)。
　　Elman神經(jīng)網(wǎng)絡(luò)由于

2、自身獨(dú)特的動(dòng)態(tài)反饋環(huán)節(jié)及遞歸作用，具備了強(qiáng)大的時(shí)變數(shù)據(jù)處理能力及網(wǎng)絡(luò)穩(wěn)定性，因此更能直接表征本質(zhì)非線性系統(tǒng)的動(dòng)態(tài)特性。針對(duì)該網(wǎng)絡(luò)訓(xùn)練過(guò)程中依然存在收斂速度慢、精度低、學(xué)習(xí)效率不高的問(wèn)題，提出利用螢火蟲(chóng)智能算法來(lái)對(duì)其進(jìn)行優(yōu)化改進(jìn)。通過(guò)分析了基本螢火蟲(chóng)算法(GSO)的仿生學(xué)機(jī)理及優(yōu)化運(yùn)行流程，可知螢火蟲(chóng)算法(GSO)具有強(qiáng)大局部搜索性能且操作簡(jiǎn)單、易于實(shí)現(xiàn)。為了強(qiáng)化基本螢火蟲(chóng)算法(GSO)的全局尋優(yōu)性能，重新定義了基于相似度準(zhǔn)則的目標(biāo)鄰域集

3、，并以相似度門(mén)檻值的初始精確設(shè)置取代以往對(duì)初始感知半徑的粗略估計(jì)。在種群每次進(jìn)化后，根據(jù)研究個(gè)體相對(duì)目標(biāo)鄰域集內(nèi)優(yōu)秀個(gè)體分布的疏密情況自適應(yīng)地放縮移動(dòng)步長(zhǎng)，避免個(gè)體在極值點(diǎn)附近產(chǎn)生搜索振蕩。
　　充分利用經(jīng)改進(jìn)后的ASGSO算法強(qiáng)大的全局多目標(biāo)搜索能力對(duì)ENN的權(quán)值與閾值在求解空間中進(jìn)行快速精確的在線搜索，并結(jié)合預(yù)測(cè)控制理論建立基于ASGSO-ENN耦合算法的瓦斯涌出量預(yù)測(cè)控制系統(tǒng)。利用井下實(shí)際采集到的各影響因素監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)