第27卷第2期建井技术Vol.27No.22006年4月MINECONSTRUCTIONTECHNOLOGYApr.2006人工神经网络结合遗传算法在注浆材料配方优化中的应用宋彦波，高全臣(中国矿业大学(北京)力学与建筑工程学院，it京，100083)摘要:采用人工神经网络技术建立了注浆加固材料组成成分与其力学性能之间的非线性多目标模型。运用遗传算法对神经网络算法进行了改进，并在大量试验数据的基础上，对改进后的人工神经网络进行训练和验证，最后得到了能预测特定配方注浆材料力学性能的人工神经网络模型。研究表明:采用能预测特定配方注浆材料力学性能的人工神经网络模型结合遗传算法对注浆材料配方进行设计，可得到注浆加固材料的优化配方，从而弥补了传统配方优化设计方法的不足。关键词:人工神经网络;遗传算法;注浆材料配方;非线性中圈分类号:TD265.4文献标识码:A文章编号:1002-6029(2006)02-0022-04经元，它一般是具有多个输人、输出的非线性处理0引言单元，具有输人、处理和输出信号3种基本功能。岩土工程注浆材料是由主剂与多种添加剂组神经元按层次结构的形式组织，每层上的神经元成的多相体系，材料中各个组分之间存在着复杂以加权的方式与其他层上的神经元连接而构成神的化学和物理作用，目前尚不能用理论计算的方经网络。与传统的信息和数据处理方法相比，人’法推导出配方用量与其力学性能之间复杂的非线工神经网络能将存储的信息进行并行协同处理。性定量关系，在一定程度上仍以经验为主。对于这是一个非线性动力学过程，具有极强的非线性注浆材料配方而言，通常要求几项主要力学性能处理、自组织调整和自适应学习能力，在处理复杂指标之间达到综合平衡;但由于材料组成成分与的多维非线性问题方面具有十分明显的优势。不同力学性能指标之间存在着不同的相关性，使1.1BP算法得材料各力学性能指标之间很难达到理想平衡，前在多种目神经网络模型中，最具代表性，使给材料配方研究带来了困难。传统的配方优化采用最多的是误差反向传播多层前馈式网络，即BP用正交试验或均匀设计等方法，有的所需试验次网络。它由1个输人层、1个或多个隐含层和1数较多，有的受到因素和水平的限制，因而在实际个输出层组成。当有信息输入时，输人信息先到应用中有一定的局限性〔‘〕。通过试验室试验结合达输人节点;之后在隐含节点层经功能函数处理回归分析建立的配方因子与性能指标之间的函数后，被传送到输出节点，并将得到的输出值与期望关系，仅是一种对单一性能指标的试验模型，不能输出值进行比较。若误差较大不能忍受，则将误准确地反映材料组分与性能之间复杂的非线性关差反向传播。如果在输出层不能得到期望输出，系。针对注浆加固材料配方研究的实际情况，将则将误差信号沿原来的连接通路反向传播，并逐人工神经网络技术引人到注浆材料配方分析中，层修改各神经元的权值系数，直到输出误差信号可以实现对注浆材料进行优化的目的。达到最小并满足要求为止。BP算法是利用梯度下降法来实现网络连接权值的修正，存在学习过1人工神经网络与遗传算法程收敛速度慢，算法不完备，容易陷人局部极小的人工神经网络是人工智能的一个重要分支，缺点[2]。它是由大量简单的基本元件—神经元相互连接1.2GA算法而成的自适应非线性系统。其基本结构是人工神A算法即G遗传算法，它将生物进化思想灵收稿日期:2006-03-05第2期宋彦波等:人工神经网络结合遗传算法在注浆材料配方优化中的应用23活运用到优化运算领域，可同时对空间若干点进解码，可以作为问题的近似最优解[[31。如果不行处理，从而有助于搜索全局最优点，避免陷人局满足优化准则，则开始产生新一代的计算。按部最小。照适应度选择个体，要求通过父代基因重组产遗传算法是从问题可能潜在的解集的一个种生子代，所有子代按照一定的概率变异，然后群开始计算的，而一个种群则由经过基因编码的重新计算子代的适应度，并将子代插人到种群一定数量的个体组成。每个个体实际上是染色体中取代父代，从而构成新的一代。这一过程循带有特征的实体。染色体作为遗传物质的主要载环进行，直到满足优化准则要求为止。体，其内部表现为某种基因的组合。它决定了个1.3神经网络模型与遗传算法的结合体形状的外部表征，需要实现从表征到基因的映同BP算法相比，遗传算法能够收敛到全局射，即编码工作。遗传算法计算开始时，先对一定最优解，鲁棒性强，不易陷人局部极值点，在误差数量的个体随机初试化，并计算出每个个体的适函数不可微或完全没有梯度信息的情况下，显得应度函数，产生初始代种群。第一代种群产生以尤为有效，因而通常将后者作为前者的一种权重后，按照适者生存，优胜劣汰的原则，逐代演化出训