劉琦良

摘 要：由于BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、容易陷入局部極小值等問題，故本文提出利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的思路，并將之用于再生混凝土抗壓強(qiáng)度預(yù)測當(dāng)中。利用粒子群算法尋找BP網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值，建立水泥、粉煤灰、水等多個影響指標(biāo)，輸出28d再生混凝土抗壓強(qiáng)度PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測進(jìn)行比較。結(jié)果表明，PSO-BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度。

關(guān)鍵詞：再生混凝土;抗壓強(qiáng)度;預(yù)測

中圖分類號：TU528.9文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168（2018）32-0101-02

Forecasting Model of Compressive Strength of Recyle Concrete Base on

BP Neural Network model Optimized by Particle Swarm Algorithm

LIU Qiliang

（Science and Technology College of Hubei University of Arts and Science，Xiangyang Hubei 441000）

Abstract： Because BP neural network had the problems of slow convergence rate and easy to fall into local minimum value， this paper proposed the idea of using particle swarm optimization algorithm to optimize BP neural network and apply it to the prediction of compressive strength of recycled concrete. PSO-BP was used to find the optimal initial weight and threshold of BP network. Several influencing indexes such as cement， fly ash and water are established. The PSO-BP neural network prediction model of 28-day recycled concrete compressive strength was output， which was compared with the BP neural network prediction without optimization. The results showed that PSO-BP neural network had higher prediction accuracy.

Keyword： recyle concrete;compressive strength;prediction

隨著建筑需求不斷增長，混凝土用量也越來越大，每年全世界都需要拌制數(shù)量巨大的混凝土，與此同時，由于各種廢棄建筑物拆除或超過使用年限等原因而產(chǎn)生的廢棄混凝土數(shù)量也非常巨大的[1]。傳統(tǒng)的廢棄混凝土的處理方式大多采用露天遺棄或者填埋，這不僅會對土地資源造成破壞，而且容易造成環(huán)境污染?；厥赵倮脧U棄混凝土既可以減少資源浪費(fèi)，又可以保護(hù)環(huán)境，對其進(jìn)行研究具有重要意義。本文采用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，并建立再生混凝土抗壓強(qiáng)度預(yù)測模型，對相關(guān)問題展開分析。

1 BP神經(jīng)網(wǎng)絡(luò)及粒子群算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差傳播算法訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)，其基本思想是利用輸出后的誤差估算前一層誤差，再利用前一層的誤差估算更前一層的誤差，以此類推獲取各層誤差[2]。獲取后的誤差用來調(diào)整各層之間的連接權(quán)值，調(diào)整后的連接權(quán)值再重新計(jì)算輸出誤差，直到輸出誤差滿足要求或者迭代次數(shù)達(dá)到設(shè)定值為止，具體結(jié)構(gòu)如圖1所示。

粒子群算法又稱鳥類覓食算法，源于鳥類捕食行為。該算法假設(shè)每個優(yōu)化問題的解為搜索空間里的一只鳥，稱之為粒子。這些粒子都有一個由適應(yīng)度函數(shù)決定的適應(yīng)值，在N維搜索空間中賦予其一定的速度，從而決定其飛行的方向和距離，速度根據(jù)外界環(huán)境的改變而不斷進(jìn)行動態(tài)調(diào)整。在迭代尋優(yōu)過程中，這些粒子通過個體極值和群體極值來調(diào)整自身狀態(tài)：個體極值代表粒子自身尋求得到的最優(yōu)解;群體極值代表所有粒子中尋求得到的最優(yōu)解，即全局最優(yōu)解[3]。

2 PSO-BP預(yù)測模型的建立

初始權(quán)值及閾值是影響B(tài)P神經(jīng)網(wǎng)絡(luò)預(yù)測性能的重要參數(shù)。因此，提高預(yù)測精度的重要方法就是選擇合適的參數(shù)組合。為了提高預(yù)測效果，本文采用粒子群算法對BP網(wǎng)絡(luò)相關(guān)參數(shù)進(jìn)行優(yōu)化，從而提高預(yù)測精度[4]。粒子群算法優(yōu)化BP網(wǎng)絡(luò)參數(shù)的具體步驟如下。

首先，設(shè)置粒子的初始參數(shù)最大速度，如粒子數(shù)、迭代數(shù)、加速因子和粒子等。隨機(jī)產(chǎn)生一組粒子初始位置和速度數(shù)據(jù)，本文粒子初始數(shù)設(shè)為200，加速因子[c1]和[c2]設(shè)為2，最大速度設(shè)為0.5。

其次，選擇最佳適應(yīng)度函數(shù)，本文選擇均方差作為適應(yīng)度函數(shù)，在MATLAB 2012a中，均方差函數(shù)為mse。同時更新粒子位置，粒子位置調(diào)整主要取決于兩個極值的大小。

再次，對粒子速度和位置進(jìn)行動態(tài)調(diào)整，如式（1）、式（2）所示。

[Vk+1id=ωVkid+c1r1Pkid-Xkid+c2r2Pkgd-Xkid]? ? ? （1）

[Xk+1id=Xkid+Vk+1id]? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：[ω]表示為慣性權(quán)重;[d=1，2，...，D];[i=1，2，...，n];[k]為迭代次數(shù);[Vid]為粒子的速度;[c1和c2]為加速因子;[r1]和[r2]是介于0到1之間的隨機(jī)數(shù)。

最后判斷結(jié)果是否達(dá)到最優(yōu)，若滿足，輸出最優(yōu)參數(shù)值;若不滿足，重復(fù)前兩步，直到訓(xùn)練目標(biāo)達(dá)到設(shè)置要求或者迭代次數(shù)達(dá)到設(shè)定值200[5]。

3 實(shí)例分析

選取水泥、粉煤灰、水、砂、石、再生骨料和減水劑等7個參數(shù)作為影響再生混凝土的抗壓強(qiáng)度輸入變量，輸出變量為28d的再生混凝土抗壓強(qiáng)度。根據(jù)實(shí)際問題輸入輸出參數(shù)，BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)選擇7-N-1結(jié)構(gòu)，N為隱含層節(jié)點(diǎn)數(shù)，經(jīng)過多次試驗(yàn)對比，選取N為15，建立結(jié)構(gòu)為7-15-1的BP神經(jīng)網(wǎng)絡(luò)，如圖2所示。

如上圖所示，適應(yīng)度函數(shù)值是在反歸一化結(jié)果的基礎(chǔ)上計(jì)算得來的，可以看出粒子在迭代110次數(shù)以后基本不再發(fā)生變化，即達(dá)到最佳狀態(tài)。

4 結(jié)語

由于未經(jīng)參數(shù)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、容易陷入局部極小值等問題，本文采用粒子去群算法對BP網(wǎng)絡(luò)閾值和初始權(quán)值進(jìn)行優(yōu)化，得到了預(yù)測性能更好的BP預(yù)測模型。同時，以再生混凝土的實(shí)際配比算例作為仿真實(shí)驗(yàn)，與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果進(jìn)行了對比，實(shí)驗(yàn)結(jié)果顯示PSO-BP預(yù)測效果更好，為再生混凝土抗壓強(qiáng)度預(yù)測提供了一定的參考價值。

參考文獻(xiàn)：

[1]朱偉，石超峰，李楠.基于遺傳算法優(yōu)化支持向量機(jī)的再生混凝土抗壓強(qiáng)度預(yù)測[J].中外公路，2014（1）：1-2.

[2]肖建莊，李佳彬，蘭陽.再生混凝土技術(shù)最新研究進(jìn)展與評述[J].混凝土，2003（10）：17-20.

[3]李占印.再生粗骨料混凝土的性能[D].西安：西安建筑科技大學(xué)，2003.

[4]俞桂良.高強(qiáng)混凝土強(qiáng)度預(yù)測人工智能方法及應(yīng)用[J].混凝土，2010（10）：41-43

[5]廖小輝，黃新，施俊玲，等.基于BP神經(jīng)網(wǎng)絡(luò)的再生混凝土抗壓強(qiáng)度預(yù)測模型[J].南京林業(yè)大學(xué)學(xué)報，2010（5）：34-37