露天矿山台阶爆破矿岩平均块度的foa-svm预测

２）对群体中个体利用其嗅觉搜寻食物的随机方 向和距离进行赋值。
中图分类号：ＴＤ２３５
文章编号：１００１－１２７７（２０２０）０２－００４３－０４
文献标志码：Ａ
ｄｏｉ：１０．１１７９２／ｈｊ２０２００２０８
引 言
露天开采过程中，矿岩的爆破块度一直是衡量矿 山爆破质量好坏的重要指标之一，合适的爆破块度对 于矿岩的铲装及运输效率起着十分重要的作用。块 度太大，挖掘机在铲装过程中需要不断地将其挑出， 进行二次解小，不但影响铲装效率，同时还影响平台 的推进；块度过小，说明炸药单耗过高，在爆破过程中 容易产生爆破飞石，不利于安全生产，且矿石过于破 碎，铲装运输过程中容易导致粉矿丢失，使得采矿损 失率增大，造成经济损失。因此，合适的爆破块度便 成为露天矿山台阶爆破所要求达到的目标。
２ 果蝇优化算法
果蝇优化算法是专家学者在果蝇寻找食物的过 程中推演得到的一种寻求全局最优的方法，已经在不 同领域得到了普遍的应用，和其他群体智能算法不同 之处在于，果蝇优化算法仅有 ２个调节参数（进化代 数和种群规 模 ），从 而 大 大 减 小 了 计 算 量，全 局 搜 索 能力也得到加强。果蝇是循着食物的气味从远处一 直搜索到食物附近，然后通过视觉发现食物的位置。 当一群果蝇在群体初始位置向各个方向随机搜寻食 物时，一旦其Байду номын сангаас某只果蝇嗅到的食物气味浓度最浓， 并向周围果蝇发送气味信息，其他的果蝇便会飞往它 的位置（见图 １）。在新的位置果蝇们再次沿随机方 向飞出，如此反复，直到果蝇发现食物的所在。
４４ 采 矿 工 程
黄 金
[ ∑∑ Ｊ（ａｉ，ａｉ
） ＝ｍａｘ
１ｐ ２ ｉ＝１
ｐ
（ａｉ－ａ ｉ
ｊ＝１
）（ａｊ－ａ ｊ
）＋
ｎ
∑ Ｋ（ｘｉ，ｘｊ）＋ ａｉ（ｙｉ－ε）] ｉ＝１
（３）
式（３）的约束条件为：
ｐ
{ ∑ （ａｉ －ａ ｉ ）
ｓ．ｔ． ｉ＝１ ａｉ，ａ ｉ ∈ ［０，Ｃ］
式中：Ｊ（ａｉ，ａ ｉ ）为拉格朗日函数；Ｋ（ｘｉ，ｘｊ）为径向基 核函数，Ｋ（ｘｉ，ｙｉ）＝ｅｘｐ（－ｇ｜ｘｉ－ｘｊ｜２），ｇ为核函数； ａｉ，ａｉ 为拉格朗日系数。
综上，ＳＶＭ的回归函数可表达为：
ｐ
∑ ｆ（ｘ） ＝ｂ＋ （ａｉ－ａ ｉ ）Ｋ（ｘｉ，ｘｊ） ｉ＝１
（４）
在 ＳＶＭ模型中，惩罚参数、核函数及不敏感损失
函数参数都是用户定义的参数，在迭代过程根据完整
训练数据 集 选 择 最 佳 值。 因 此，参 数 的 选 取 合 理 与
否，对于 ＳＶＭ预测结果的准确性有着重要影响。
进行求解，从而把原问题改为双拉格朗日形式，即：
收稿日期：２０１９－０８－０４；修回日期：２０１９－０９－２０ 作者简介：林春平（１９９０—），男，福建龙岩人，工程师，硕士，从事露天矿山采矿技术研究工作；福建省龙岩市上杭县紫金大道 １号，紫金矿业集团
股份有限公司，３６４２００；Ｅｍａｉｌ：７１０１１４６４３＠ｑｑ．ｃｏｍ
因此，本文正是借助 ＦＯＡ的优点来构造基于果蝇优 化算法的支持向量机回归模型（ＦＯＡ－ＳＶＭ），并采用 ＭＡＴＬＡＢ软件来仿真预测台阶爆破矿岩块度，以期实 现对矿岩爆破块度的较好预测。
１ 支持向量机
ＳＶＭ基本理论是借助非线性映射算法将原始数
据从低维空间线性不可分的样本转化到高维特征空 间，并解决此特征空间中的线性回归问题［１０］。
ＳＶＭ 回归函数：
[ ] ∑ ｆ（ｘ）＝ｍｉｎ
１２‖ω‖２
ｐ
＋Ｃ （ξｉ＋ξｉ ）
ｉ＝１
（２）
式（２）的约束条件如下：
{ｙｉ－ｆ（ｘｉ）≤ε＋ξｉ
ｓ．ｔ． ｆ（ｘｉ）－ｙｉ≤ε＋ξｉ ξｉ，ξｉ ≥０
式中：ξｉ、ξｉ 为非负松弛变量；Ｃ为惩罚参数；ε为不敏 感损失函数参数。
借助拉格朗 日 方 法 对 式 （２）的 约 束 最 优 化 问 题
２０２０年第 ２期 ／第 ４１卷
黄 金 ＧＯＬＤ
采 矿 工 程 ４３
露天矿山台阶爆破矿岩平均块度的 ＦＯＡ－ＳＶＭ预测
林春平
（紫金矿业集团股份有限公司）
摘要：露天矿山台阶爆破后矿岩的平均块度是衡量爆破质量的重要指标，对后续的铲装和运输
也具有重要的意义。为了对台阶爆破后的矿岩平均块度进行预测，使用果蝇优化算法（ＦＯＡ）对支
研究表明，矿岩的爆破块度与爆破设计参数、炸 药性能及 矿 岩 性 质 等 诸 多 因 素 有 关［１］，各 因 素 彼 此 之间又是极为复杂的非线性关系。为了对矿岩爆破 块度进行预测，研究人员将人工智能理论引入矿岩爆 破块 度 预 测 中，如 人 工 神 经 网 络［２］、ＢＰ神 经 网 络［３－４］、支持向量机［５－６］、最小二乘法［７］等，但预测准 确度还有待提高。
支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［８］综 合分析了影响矿岩爆破块度的诸多要素，不但在非线 性映射能 力 及 泛 化 能 力 上 具 备 优 势，而 且 在 预 测 精 度、收敛速度、模型稳定性及可重复训练方面也得到 加强，但其缺点在于预测的准确性与惩罚参数（Ｃ）和 核参数（ｇ）的选取密切相关。而只有 ２个调节参数 的果 蝇 优 化 算 法 （ＦｒｕｉｔＦｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ， ＦＯＡ）［９］极大地减少了计算量，有较强的全局搜索能 力，可以实现 ＳＶＭ的惩罚参数和核参数的动态调整。
持向量机回归模型 （ＳＶＭ）进行参数优化，通过建立基于果蝇优化算法的支持向量机回归模型
（ＦＯＡ－ＳＶＭ）对矿岩爆破平均块度进行预测，避免传统的 ＳＶＭ参数选取对预测结果准确性产生的
影响。结果表明，ＦＯＡ－ＳＶＭ可实现对矿岩爆破平均块度的较好预测。
关 键 词 ： 露 天 开 采 ；台 阶 爆破 ； 平 均 块 度 ；果 蝇 优 化算法；支持向量机；预测
若假设样本 Ｖ＝{（ｘｉ，ｙｉ）}ｐｉ∈Ｒｐ× Ｒ，其中，ｘｉ∈ Ｒｐ为输入 参 数，而 ｙｉ∈ Ｒ则 是 与 之 对 应 的 输 出 参 数，ｐ为样本个数。那么 ＳＶＭ 的回归函数可以表示
为：
ｆ（ｘ）＝ｂ＋ω·φ（ｘ）
（１）
式中：ｂ为阈值；ω为权值矢量；φ（ｘ）为高维核心诱导
特征空间。
依 据 统 计 理 论，可 通 过 以 下 目 标 数 极 小 化 确 定