基于量子遺傳模糊推理系統(tǒng)的煤與瓦斯突出預(yù)測(cè)模型

郭金棟

(淮南職業(yè)技術(shù)學(xué)院 能源工程學(xué)院,安徽 淮南 232001)

0 引言

煤與瓦斯突出評(píng)價(jià)是礦井煤巖動(dòng)力災(zāi)害防控工作的基礎(chǔ),準(zhǔn)確預(yù)測(cè)煤與瓦斯突出及其危險(xiǎn)程度已成為礦井安全生產(chǎn)亟待解決的重大問(wèn)題。隨著數(shù)據(jù)理論和人工智能的快速發(fā)展,基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法及其應(yīng)用取得了突破性成果,神經(jīng)網(wǎng)絡(luò)[1-2]、支持向量機(jī)[3-4]、極限學(xué)習(xí)機(jī)[5]等分類(lèi)器廣泛應(yīng)用于煤與瓦斯突出災(zāi)害的分類(lèi)識(shí)別與預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力和自學(xué)習(xí)能力,但其網(wǎng)絡(luò)結(jié)構(gòu)的確定較為困難,網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)復(fù)雜時(shí)網(wǎng)絡(luò)訓(xùn)練容易出現(xiàn)過(guò)擬合,網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單又可能導(dǎo)致欠擬合而出現(xiàn)不收斂現(xiàn)象;BP網(wǎng)絡(luò)采用梯度下降學(xué)習(xí)算法,容易陷入局部最優(yōu),這些問(wèn)題都影響著B(niǎo)P網(wǎng)絡(luò)的預(yù)測(cè)效果。支持向量機(jī)解決多分類(lèi)問(wèn)題時(shí)需要構(gòu)造多個(gè)復(fù)合分類(lèi)器,訓(xùn)練規(guī)模較大樣本的計(jì)算成本較高,且SVM核函數(shù)和懲罰參數(shù)的合適取值較為困難。極限學(xué)習(xí)機(jī)的參數(shù)隨機(jī)生成導(dǎo)致了結(jié)果的隨機(jī)性,影響預(yù)測(cè)準(zhǔn)確性。為了提高預(yù)測(cè)準(zhǔn)確率和運(yùn)行效率,不少研究者使用群智能仿生算法優(yōu)化這些分類(lèi)器的參數(shù)。文獻(xiàn)[1]用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值;文獻(xiàn)[2]將免疫算法中基于繁殖概率的抗體多樣性保持機(jī)制引入量子遺傳算法,以此對(duì)BP網(wǎng)絡(luò)隱含層數(shù)和連接權(quán)值進(jìn)行尋優(yōu);文獻(xiàn)[3]將等距映射算法與優(yōu)化加權(quán)向量機(jī)耦合算法相結(jié)合,建立了DDICS-WLS-SVM預(yù)測(cè)模型,預(yù)測(cè)精度有所提高;文獻(xiàn)[5]提出自適應(yīng)天牛須算法與極限學(xué)習(xí)機(jī)相結(jié)合的預(yù)測(cè)模型,模型的泛化能力和預(yù)測(cè)精度效果較好。由于煤與瓦斯突出形成機(jī)制的復(fù)雜性、機(jī)器學(xué)習(xí)算法本身的弊端以及樣本數(shù)據(jù)特征空間分布的混疊性等問(wèn)題,煤與瓦斯突出預(yù)測(cè)的可靠性和準(zhǔn)確率并不高,因而非常有必要對(duì)煤與瓦斯突出智能預(yù)測(cè)模型進(jìn)行深入研究。

自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive Neuro-Fuzzy Inference System,ANFIS)是將神經(jīng)網(wǎng)絡(luò)與模糊推理結(jié)合在一起的混合系統(tǒng),ANFIS的模糊推理不依賴于對(duì)象模型,系統(tǒng)具有良好的可解釋性及強(qiáng)大的學(xué)習(xí)能力,可以很好地處理非線性問(wèn)題。ANFIS采用反向傳播算法與最小二乘法進(jìn)行參數(shù)調(diào)整,學(xué)習(xí)算法對(duì)初始狀態(tài)及參數(shù)非常敏感,在初始解較差或不合理情況下收斂較慢,而且很容易陷入局部極值。本文使用改進(jìn)的實(shí)數(shù)編碼量子遺傳算法改善ANFIS的性能。經(jīng)典量子遺傳算法[2,6-9](Quantum Genetic Algorithm,QGA)用量子位編碼表示染色體,量子染色體可以表達(dá)多個(gè)態(tài)的疊加,通過(guò)量子位的觀測(cè)得到二進(jìn)制編碼的染色體,用量子旋轉(zhuǎn)門(mén)更新種群,實(shí)現(xiàn)對(duì)目標(biāo)問(wèn)題的優(yōu)化求解。在求解組合優(yōu)化問(wèn)題時(shí),QGA相較傳統(tǒng)遺傳算法具有更強(qiáng)的全局尋優(yōu)能力和更快的收斂速度,算法表現(xiàn)出更優(yōu)良的性能,但QGA不適合求解連續(xù)空間數(shù)值優(yōu)化問(wèn)題[7-9]。為此,不少學(xué)者提出了實(shí)數(shù)編碼量子遺傳算法(Real-coded Quantum Genetic Algorithm,RQGA),并從理論上分析證明了RQGA算法具有全局收斂性[7-9]。文獻(xiàn)[7]提出雙鏈量子遺傳算法,該算法利用目標(biāo)函數(shù)的梯度信息計(jì)算量子旋轉(zhuǎn)門(mén)的旋轉(zhuǎn)角大小,通過(guò)構(gòu)造量子位到實(shí)數(shù)的映射關(guān)系得到實(shí)數(shù)種群,量子位與實(shí)數(shù)的映射關(guān)系為縮放變化,解碼精度不能得到保證,算法仍不可避免地會(huì)出現(xiàn)收斂慢和易陷入局部最優(yōu)等問(wèn)題。文獻(xiàn)[8]通過(guò)量子位的觀測(cè)得到實(shí)數(shù)編碼的染色體,用量子旋轉(zhuǎn)門(mén)更新染色體,算法通過(guò)模擬量子系統(tǒng)中態(tài)疊加性的強(qiáng)不確定性,使算法在迭代過(guò)程均有概率搜索整個(gè)解空間。RQGA算法可以有效避免經(jīng)典QGA算法染色體編碼轉(zhuǎn)換的問(wèn)題,減少尋優(yōu)的計(jì)算復(fù)雜度,在連續(xù)函數(shù)的優(yōu)化中表現(xiàn)出了較好的性能。然而在多峰連續(xù)函數(shù)的優(yōu)化中仍然存在搜索速度慢,解的搜索精度相對(duì)低,保持種群多樣性差,易陷入局部極值等問(wèn)題。為改善RQGA算法的性能,不少研究者針對(duì)文獻(xiàn)[7]提出了許多更新策略,但對(duì)文獻(xiàn)[8]提出的RQGA算法的深入研究相對(duì)較少。針對(duì)煤與瓦斯突出具體工程問(wèn)題,本文在文獻(xiàn)[8]基礎(chǔ)上,提出一種融合多種策略的改進(jìn)實(shí)數(shù)編碼量子遺傳算法(Improved Real-coded Quantum Genetic Algorithm,IRQGA)。IRQGA采用拉丁超立方抽樣方法初始化量子種群,加強(qiáng)個(gè)體在解空間的均勻化分布;用凸型遞減函數(shù)對(duì)量子旋轉(zhuǎn)門(mén)轉(zhuǎn)角大小進(jìn)行自適應(yīng)動(dòng)態(tài)調(diào)整,增強(qiáng)算法的適應(yīng)性;借鑒禿鷹搜索算法[10]的阿基米德螺線空間搜索機(jī)制對(duì)量子染色體進(jìn)行變異,加強(qiáng)個(gè)體與全局最優(yōu)個(gè)體和種群均值之間的信息交流,以此提高尋優(yōu)能力;用差分變異提升最差個(gè)體的進(jìn)化能力,保持種群多樣性;用高斯-柯西變異增強(qiáng)算法跳出局部搜索空間的能力。用量子位的概率幅對(duì)一階Sugeno型模糊推理系統(tǒng)的前件參數(shù)和后件參數(shù)進(jìn)行編碼,通過(guò)IRQGA對(duì)模糊推理系統(tǒng)搜尋最優(yōu)參數(shù),對(duì)實(shí)例數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),以平均絕對(duì)誤差(MAE)均值、均方誤差(MSE)均值、均方根誤差(RMSE)均值和預(yù)測(cè)準(zhǔn)確率作為評(píng)價(jià)指標(biāo),驗(yàn)證了IRQGA-ANFIS模型的可靠性和準(zhǔn)確性,為煤與瓦斯突出預(yù)測(cè)提供了一種行之有效的方法。

1 煤與瓦斯突出ANFIS預(yù)測(cè)模型

ANFIS結(jié)構(gòu)共分為5層,如圖1所示。系統(tǒng)的輸入神經(jīng)元由煤與瓦斯突出的影響因素變量zi(i=1,2,…,5)組成。第1層計(jì)算輸入分量zi屬于各語(yǔ)言變量值模糊集合的隸屬度,實(shí)現(xiàn)各輸入變量值的模糊化處理,本文選用高斯隸屬度函數(shù)。第2層計(jì)算每條規(guī)則的觸發(fā)強(qiáng)度。第3層計(jì)算歸一化的規(guī)則強(qiáng)度。第4層計(jì)算每條規(guī)則的加權(quán)輸出。第5層為煤與瓦斯突出危險(xiǎn)程度輸出。模糊推理系統(tǒng)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成,系統(tǒng)規(guī)則庫(kù)中的第k個(gè)模糊規(guī)則可用以下形式表示:

圖1 自適應(yīng)神經(jīng)模糊推理系統(tǒng)結(jié)構(gòu)示意圖

(1)

其中,K為模糊規(guī)則總數(shù);pk0,pki(i=1,2,…,5)為結(jié)論參數(shù)。

模糊規(guī)則的獲取是ANFIS的關(guān)鍵,模糊規(guī)則數(shù)過(guò)多會(huì)導(dǎo)致系統(tǒng)結(jié)構(gòu)復(fù)雜,網(wǎng)絡(luò)易出現(xiàn)過(guò)擬合;規(guī)則數(shù)過(guò)少則系統(tǒng)逼近性能不佳。文獻(xiàn)[11-12]提出從樣本數(shù)據(jù)直接提取模糊規(guī)則的方法,該方法簡(jiǎn)單易用且無(wú)需了解對(duì)象內(nèi)在機(jī)制,在一定程度上改善了模糊推理系統(tǒng)的準(zhǔn)確性與可靠性。基于數(shù)據(jù)驅(qū)動(dòng)的模糊規(guī)則提取步驟如下:

(1) 第一個(gè)輸入的樣本數(shù)據(jù)產(chǎn)生一條模糊規(guī)則,并定義相應(yīng)的高斯隸屬度函數(shù)。圖1第一層高斯函數(shù)參數(shù)的確定方法:將訓(xùn)練樣本數(shù)據(jù)的方差作為高斯函數(shù)的寬度,第一個(gè)輸入樣本數(shù)據(jù)作為模糊子集上的高斯函數(shù)的中心。

(2) 將訓(xùn)練樣本數(shù)據(jù)依次進(jìn)行模糊化,并計(jì)算第一條規(guī)則的觸發(fā)強(qiáng)度,若樣本數(shù)據(jù)產(chǎn)生的觸發(fā)強(qiáng)度之和小于設(shè)定的覆蓋率閾值,則產(chǎn)生一條新模糊規(guī)則,并按步驟(1)在圖1第一層創(chuàng)建指定參數(shù)的隸屬度函數(shù)。

(3) 遍歷整個(gè)樣本數(shù)據(jù)集后,按步驟(1)和(2)得到輸入變量在論域上的模糊子集個(gè)數(shù)。

(4) 根據(jù)式(1)的線性表達(dá)形式,用最小二乘法求解后件網(wǎng)絡(luò)參數(shù)的初始解。

(5) 用訓(xùn)練樣本與測(cè)試樣本的ANFIS預(yù)測(cè)性能進(jìn)行規(guī)則篩選,確定最終的ANFIS模糊規(guī)則數(shù),即可確定ANFIS網(wǎng)絡(luò)結(jié)構(gòu)。

用ANFIS預(yù)測(cè)煤與瓦斯突出的另一個(gè)關(guān)鍵問(wèn)題是尋找最佳的前提參數(shù)集和結(jié)論參數(shù)集,本文采用改進(jìn)的實(shí)數(shù)編碼量子遺傳算法進(jìn)行尋優(yōu)。

2 改進(jìn)實(shí)數(shù)編碼量子遺傳算法

2.1 實(shí)數(shù)編碼量子遺傳算法

RQGA的量子染色體用量子位的概率幅表示,一條具有m位量子位的染色體編碼可表示為

(2)

RQGA對(duì)染色體的每個(gè)量子位概率幅進(jìn)行測(cè)量,以獲得一組用二進(jìn)制表示的確定解,文獻(xiàn)[8]將這組確定解用于量子旋轉(zhuǎn)門(mén)旋轉(zhuǎn)角的判定,并按式(3)得到求解問(wèn)題的實(shí)數(shù)編碼染色體。

(3)

2.2 拉丁超立方抽樣初始化種群

2.3 量子旋轉(zhuǎn)角改進(jìn)策略

量子旋轉(zhuǎn)門(mén)的旋轉(zhuǎn)角度通常在0.001π～0.05π范圍內(nèi)取固定值,若旋轉(zhuǎn)角取值較大,量子個(gè)體以較快速度聚集,算法容易出現(xiàn)“早熟”現(xiàn)象;若角度較小又會(huì)使算法收斂速度太慢甚至出現(xiàn)不收斂情況。為最大程度發(fā)掘量子旋轉(zhuǎn)門(mén)的尋優(yōu)能力,本文用式(4)凸型遞減函數(shù)對(duì)旋轉(zhuǎn)角度進(jìn)行自適應(yīng)動(dòng)態(tài)調(diào)整。

(4)

式中,θmin,θmax分別為0.001π和0.05π;T為最大迭代數(shù)。

2.4 阿基米德螺旋線空間搜索機(jī)制[10]

RQGA的量子旋轉(zhuǎn)門(mén)是以全局最優(yōu)個(gè)體為指導(dǎo)來(lái)更新染色體,導(dǎo)致迭代后期種群多樣性變差,算法陷入局部極值。文獻(xiàn)[7]使用量子非門(mén)實(shí)現(xiàn)染色體變異,但量子位的兩個(gè)概率幅簡(jiǎn)單互換,并不能很好地解決早熟收斂和增加種群多樣性。本文借鑒禿鷹搜索算法中禿鷹在俯沖捕獲獵物階段以阿基米德螺旋線方式加速飛向最優(yōu)位置去捕獲食物的策略對(duì)量子染色體進(jìn)行變異,改進(jìn)策略同時(shí)考慮了普通個(gè)體與全局最優(yōu)個(gè)體和種群個(gè)體均值之間的信息交流。螺旋飛行軌跡采用極坐標(biāo)數(shù)學(xué)模型表示,染色體按式(5)～式(12)進(jìn)行變異更新。

(5)

(6)

(7)

(8)

xr(j)=r(j)×sinh(γ(j))

(9)

yr(j)=r(j)×cosh(γ(j))

(10)

r(j)=γ(j)

(11)

γ(j)=a×π×erand

(12)

2.5 差分變異策略

差分變異是差分算法中借助種群個(gè)體間的差異來(lái)對(duì)個(gè)體進(jìn)行擾動(dòng)的操作。最差個(gè)體差分變異策略通過(guò)追蹤種群內(nèi)最佳個(gè)體和全局最優(yōu)個(gè)體進(jìn)行變異更新,這種變異操作兼顧種群最優(yōu)個(gè)體附近解空間以外區(qū)域的搜索,使群體保持較好的多樣性,增強(qiáng)勘探能力;進(jìn)化后期,隨著局部搜索能力的不斷增強(qiáng),算法能以更高的精度逼近全局最優(yōu)解。量子染色體按式(13)進(jìn)行差分變異。

(13)

2.6 高斯-柯西變異策略

算法在迭代中后期種群多樣性逐漸降低,種群容易被局部極值控制,出現(xiàn)無(wú)效搜索。高斯變異和柯西變異是群智能仿生算法常用的變異操作。一維標(biāo)準(zhǔn)柯西分布的概率密度函數(shù)與正態(tài)分布的密度函數(shù)接近,但柯西分布具有較高的兩翼概率特性,其分布與水平軸接近時(shí)比較平緩,變化速度比高斯分布更慢,且在原點(diǎn)附近的峰值比高斯分布更小,因此高斯變異具有較強(qiáng)的局部發(fā)掘能力,而柯西變異具有較強(qiáng)的全局探索能力。為充分發(fā)掘種群當(dāng)前最優(yōu)個(gè)體和全局最優(yōu)個(gè)體的信息,在算法迭代前期,用柯西變異進(jìn)行大范圍搜索,增強(qiáng)算法的全局搜索能力;在算法的中后期,利用高期變異進(jìn)行局部開(kāi)發(fā)。

(14)

(15)

式中,η=t/T為變異系數(shù);N(0,δ2)為滿足高斯分布的隨機(jī)數(shù);C(0,δ2)為柯西分布生成的隨機(jī)數(shù),柯西分布隨機(jī)變量生成函數(shù)為η=tan[(ξ-0.5)π]。

2.7 算法流程

輸入:種群規(guī)模N、最大迭代次數(shù)T、量子染色體長(zhǎng)度m,ANFIS待優(yōu)化參數(shù)取值范圍等。

輸出:最優(yōu)染色體及其適應(yīng)度值。

(1) 用拉丁超立方采樣方法初始化種群Q。

(2) 按文獻(xiàn)[8]對(duì)種群實(shí)施一次測(cè)量得到實(shí)數(shù)編碼染色體,將ANFIS輸出的均方誤差MSE作為目標(biāo)函數(shù),計(jì)算個(gè)體適應(yīng)度,進(jìn)行適應(yīng)度評(píng)價(jià),找到并記錄最優(yōu)適應(yīng)度值和最優(yōu)染色體。

(3)while(t

(4) 量子旋轉(zhuǎn)門(mén)更新染色體。

(5) 用式(5)～式(12)對(duì)量子染色體進(jìn)行變異更新,對(duì)更新后個(gè)體進(jìn)行一次測(cè)量并計(jì)算個(gè)體適應(yīng)度,若更新后的個(gè)體優(yōu)于原個(gè)體,用新個(gè)體替換原個(gè)體,否則保留原個(gè)體。

(6) 用差分變異策略對(duì)種群最差個(gè)體執(zhí)行變異操作,對(duì)更新后的個(gè)體進(jìn)行一次測(cè)量并計(jì)算個(gè)體適應(yīng)度,若更新后的個(gè)體優(yōu)于原個(gè)體,用更新個(gè)體替換原個(gè)體,否則以0.5的概率對(duì)其部分維度進(jìn)行均勻初始化變異,變異的維度均為隨機(jī)選擇的若干個(gè)維度。

(7) 若全局最優(yōu)個(gè)體連續(xù)g代無(wú)變化,對(duì)種群最優(yōu)個(gè)體實(shí)施高斯—柯西變異,若更新后的個(gè)體優(yōu)于原個(gè)體,用更新個(gè)體替換原個(gè)體。

(8)t=t+1

(9) end while

3 實(shí)例應(yīng)用

為驗(yàn)證改進(jìn)實(shí)數(shù)編碼量子遺傳算法優(yōu)化自適應(yīng)神經(jīng)模糊推理系統(tǒng)(IRQGA- ANFIS)預(yù)測(cè)模型的可靠性和準(zhǔn)確性,以淮南礦區(qū)煤與瓦斯突出事故的部分樣本數(shù)據(jù)為研究對(duì)象,進(jìn)行煤與瓦斯突出危險(xiǎn)程度預(yù)測(cè)。

出于多分類(lèi)識(shí)別和類(lèi)間樣本數(shù)量均衡考慮,根據(jù)煤巖體拋出的質(zhì)量將煤與瓦斯突出強(qiáng)度劃分為兩類(lèi),即拋出煤巖體質(zhì)量小于100t/次為一般突出,大于100t/次為嚴(yán)重突出。據(jù)此,將煤與瓦斯突出危險(xiǎn)程度劃分為三個(gè)等級(jí),即無(wú)突出、一般突出、嚴(yán)重突出,對(duì)應(yīng)ANFIS的三種輸出結(jié)果,即‘0’表示無(wú)突出,‘1’表示一般突出、‘2’表示嚴(yán)重突出。

數(shù)據(jù)預(yù)處理后獲得84組樣本數(shù)據(jù),數(shù)據(jù)來(lái)源于文獻(xiàn)[4]。其中嚴(yán)重突出樣本25個(gè),一般突出29個(gè),無(wú)突出樣本30個(gè),不同類(lèi)別的樣本基本均衡。從中抽取18個(gè)樣本作為預(yù)測(cè)樣本,預(yù)測(cè)數(shù)據(jù)見(jiàn)表1,表中Z1～Z5分別代表瓦斯含量(m3/t)、瓦斯壓力(MPa)、孔隙率(%)、煤的堅(jiān)固性系數(shù)和瓦斯放散初速度(mmHg)等輸入變量。

表1 煤與瓦斯突出預(yù)測(cè)數(shù)據(jù)及危險(xiǎn)程度

根據(jù)基于數(shù)據(jù)驅(qū)動(dòng)的模糊規(guī)則提取方法,不同覆蓋率閾值對(duì)應(yīng)的模糊規(guī)則數(shù)及ANFIS預(yù)測(cè)性能對(duì)比見(jiàn)表2。從表2可知,ANFIS的模糊規(guī)則數(shù)為7條時(shí),測(cè)試樣本的識(shí)別準(zhǔn)確率為77.78%,測(cè)試樣本的MSE最小,此時(shí)訓(xùn)練樣本的MSE和識(shí)別準(zhǔn)確率相對(duì)較好,因此選取7條模糊規(guī)則。圖1中第一層每個(gè)輸入變量的論域上的模糊子集個(gè)數(shù)為7個(gè),待優(yōu)化的ANFIS網(wǎng)絡(luò)參數(shù)的數(shù)量為112個(gè)。建模及仿真在MatlabR2016平臺(tái)實(shí)現(xiàn)。

3.1 不同優(yōu)化算法的性能比較

為了對(duì)比分析不同訓(xùn)練算法的優(yōu)化性能,分別用量子粒子群(QPSO)、RQGA和IRQGA優(yōu)化ANFIS網(wǎng)絡(luò)參數(shù)。算法的最大迭代次數(shù)均設(shè)為40,種群規(guī)模設(shè)為20,用拉丁超立方采樣方法初始化種群。IRQGA算法的控制螺旋運(yùn)動(dòng)軌跡a設(shè)為5,移動(dòng)強(qiáng)度c1和c2均設(shè)為2。三種算法分別獨(dú)立運(yùn)行30次,30次訓(xùn)練的平均收斂曲線如圖2所示。

圖2 不同算法的平均收斂曲線

由圖2可知,三種算法在迭代初期的收斂都比較迅速,IRQGA后期搜索到的最優(yōu)個(gè)體的平均適應(yīng)度值明顯優(yōu)于其他兩種算法。IRQGA、QPSO和RQGA對(duì)ANFIS訓(xùn)練的平均適應(yīng)度值分別為0.2944、0.3281和0.5018,IRQGA平均迭代12次后就能尋找到RQGA的目標(biāo)值,說(shuō)明融合多種進(jìn)化策略的IRQGA算法有效地提升了基本RQGA的性能。30次獨(dú)立運(yùn)行中IRQGA搜索到的適應(yīng)度值均低于QPSO的0.3281,且平均迭代26次就可搜索到0.3288。由此可知,高維函數(shù)優(yōu)化中,IRQGA具有較強(qiáng)的尋優(yōu)能力。

3.2 預(yù)測(cè)結(jié)果分析

分別用ANFIS、QPSO-ANFIS、RQGA-ANFIS、IRQGA-ANFIS對(duì)預(yù)測(cè)樣本進(jìn)行煤與瓦斯突出危險(xiǎn)識(shí)別,四種預(yù)測(cè)模型的平均正確預(yù)測(cè)率分別為77.22%、83.33%、83.33%和94.44%,預(yù)測(cè)結(jié)果見(jiàn)表3。IRQGA-ANFIS對(duì)無(wú)突出樣本的準(zhǔn)確預(yù)測(cè)率達(dá)100%。

表3 煤與瓦斯突出預(yù)測(cè)結(jié)果

為評(píng)估模型的泛化能力,用30次仿真得到的平均絕對(duì)誤差(MAE)均值、均方誤差(MSE)均值、均方根誤差(RMSE)作為評(píng)價(jià)指標(biāo),實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4 不同模型預(yù)測(cè)效果對(duì)比

由表4可知,IRQGA-ANFIS在三個(gè)評(píng)價(jià)指標(biāo)上均有更好的表現(xiàn)。相比QPSO-ANFIS和RQGA-ANFIS,所建模型的MAE均值分別降低了0.0245和0.1184,MSE均值分別降低了0.0162和0.1849,RMSE均值分別降低了0.0172和0.1721。綜上可知,IRQGA-ANFIS模型具有較高的預(yù)測(cè)準(zhǔn)確率和預(yù)測(cè)性能。

4 結(jié)論

(1) 將禿鷹算法的阿基米德螺線空間搜索機(jī)制、高斯-柯西變異和差分變異策略引入基本量子遺傳算法,提出改進(jìn)的實(shí)數(shù)編碼量子遺傳算法IRQGA,仿真結(jié)果表明IRQGA在高維復(fù)雜問(wèn)題優(yōu)化中比實(shí)驗(yàn)對(duì)比算法QPSO和RQGA具有更好的優(yōu)化性能。

(2) 采用基于數(shù)據(jù)驅(qū)動(dòng)的模糊規(guī)則提取方法確定了ANFIS模糊規(guī)則數(shù)和網(wǎng)絡(luò)初始參數(shù),降低了ANFIS網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的復(fù)雜度。用改進(jìn)實(shí)數(shù)編碼量子遺傳算法搜索模糊推理系統(tǒng)的最優(yōu)前提參數(shù)和結(jié)論參數(shù),提出了煤與瓦斯突出危險(xiǎn)程度IRQGA-ANFIS預(yù)測(cè)模型。實(shí)例數(shù)據(jù)的仿真結(jié)果表明,IRQGA-ANFIS模型的MAE均值、MSE均值和RMSE均值都優(yōu)于QPSO-ANFIS和RQGA-ANFIS模型,IRQGA-ANFIS模型的多分類(lèi)識(shí)別準(zhǔn)確率達(dá)到94.44%,IRQGA-ANFIS具有更好的非線性映射能力和預(yù)測(cè)效果,這對(duì)煤與瓦斯突出危險(xiǎn)預(yù)測(cè)具有重要的現(xiàn)實(shí)意義,同時(shí)對(duì)其他領(lǐng)域的復(fù)雜評(píng)價(jià)系統(tǒng)也有很好的借鑒意義。