基于直觉模糊密母PSO-LSTM的滑坡位移预测方法与流程

基于直觉模糊密母pso
‑
lstm的滑坡位移预测方法
技术领域
1.本发明属于滑坡治理技术领域，具体涉及一种基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法。


背景技术：

2.目前，滑坡治理技术中滑坡位移预测方法很多，循环神经网络(recurrent neuralnetwork，rnn)是其中一种，这种方法中，长短时记忆神经网络(long short
‑
term memory networks，lstm)是一种常用且具有的良好时间序列预测能力的深度学习模型。rnn通过与序列上的前一单元进行关联，使得上一单元能够影响到本单元的计算，因此其可以高效有序的处理序列信息。而lstm则是在rnn的基础上进一步改进，通过增加遗忘门、输入门、输出门，有效避免rnn存在的短期依赖问题、长期依赖问题，使之更加适合对时间序列进行处理。因此lstm具有拟合能力强、容错性好、泛化能力强、对问题的特征提取能力好等优势，在样本数充足的情况下能够得到相当高的预测准确度。
3.然而，滑坡位移预测中存在以下客观问题：滑坡数据的采集通常容易受到环境自身因素(地下水位、降雨量、人类活动、地震)、设备因素(设备精度、设备损坏)等客观因素的影响，导致所采集到的样本数据中常常存在大规模、非线性、信息冗余度高、模糊、不确定、高噪声的问题，这些问题大大影响了lstm在该问题上的直接应用能力。
4.综上，现有的滑坡位移预测技术因数据特征高维、模糊、抽象、不确定等因素所造成的人工设计的预测模型不匹配、精度难以提高的问题。


技术实现要素：

5.针对现有技术中存在的问题，本发明的目的是提供一种基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法。为了实现上述目的，本发明给出如下技术方案予以解决：
6.一种基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，包括如下步骤：
7.第1步：收集造成滑坡位移的特征数据并清洗数据，构成训练样本和测试样本，建立初始lstm模型，为ifmhdpso算法设定参数；
8.第2步：初始化探索子种群和开发子种群，并计算各子种群中每个粒子的适应度；
9.第3步：若探索子种群聚集度到达阈值时执行碰撞反弹算子，否则执行第4步；
10.第4步：更新探索子种群位置和速度，计算适应度并更新历史最优解；
11.第5步：计算开发子种群中每个粒子的拉马克因子；
12.第6步：更新开发子种群粒子的速度和位置，计算开发子种群中每个粒子的适应度，并更新历史最优解；
13.第7步：判断开发子种群是否收敛，若收敛则通过直觉模糊决策从当前的探索子种群中选出最优目标区域，否则执行第8步；
14.第8步：判断是否满足迭代结束条件，若不满足则迭代次数加1，返回第3步，若满足则进入第9步；
15.第9步：将搜索得到的最优解解释为lstm；用训练样本训练该lstm模型，得到最终预测模型。
16.进一步的，所述第1步中：
17.所述建立初始lstm模型包括：第一层是lstm模型，后七层是全连接层fc，其中最后一层只有一个单元，作为输出单元其隐层单元个数为1，激活函数固定为tanh，超参数一共14个，即搜索维数d＝14，其中前7个表示对应层的隐藏单元个数，后7个指明对应层所用的激活函数；
18.所述为ifmhdpso算法设定参数包括：设定种群规模n，即探索子种群粒子数量n1，开发子种群粒子数量n2＝n
‑
n1,且n1>n2；最大迭代次数maxiter；开发子种群收敛判定次数s∈{1,2,
…
,maxiter}；判定误差ε∈[0,1]；直觉模糊决策每个属性权重的隶属度和犹豫度且两个属性a1和a2；碰撞触发比例λ∈[0,1]；邻域范围r；探索子种群的速度在j维的上、下限vmax
j
和vmin
j
；搜索空间上界ub、下界lb；搜索维数d；始时，所有粒子i的集合迭代次数t＝1，禁止集合
[0019]
进一步的，所述第2步具体包括如下子步骤：
[0020]
步骤21：在第1步的搜索空间范围内，随机产生n1个粒子作为探索子种群，初始化探索子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
，公式如下：
[0021]
x
i,j
＝r(ub
j
‑
lb
j
) lb
j
,i∈{1,2,
…
,n},j∈{1,2,
…
,d}
ꢀꢀꢀ
(1)
[0022]
v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀ
(2)
[0023]
其中,是一个[0,1]上的随机数,ub
j
、lb
j
分别表示ub和lb的第j维向量，vmax
j
和vmin
j
分别表示第j维上每个粒子的速度的上、下限，探索子种群的速度在j维的上、下限分别为vmax
j
＝ub
j
、vmin
j
＝lb
j
；初始时p
i
＝x
i
；x
i
、p
i
、v
i
分别为14维的向量；x
i,j
表示粒子i在第j维上的位置；v
i,j
表示粒子i在第j维上的速度；
[0024]
步骤22：计算步骤21的初始化后的探索子种群中每个粒子的适应度，选出适应度最小的探索子种群粒子的位置ebest；
[0025]
步骤23：在步骤22得到的ebest邻域范围内，随机产生n2个粒子作为开发子种群，初始化开发子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
的公式如下：
[0026][0027]
v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀ
(4)
[0028]
其中,是一个[0,1]上的随机数，x
i,j
表示粒子i在第j维上的位置,v
i,j
表示粒子i在第j维上的速度，ebest
j
表示探索子种群中适应度最小粒子的位置在第j维上的值；
[0029]
步骤24：计算步骤23的初始化后的开发子种群的每个粒子的适应度。
[0030]
进一步的，所述第3步中，判断探索子种群聚集度是否大于阈值，是则执行碰撞反弹算子，否则进入第4步；
[0031]
具体判断方法：从当前的探索子种群中随机选出一个粒子，计算该粒子邻域内中包含的探索子种群的粒子数量，记为neib；粒子i邻域定义为[x
i,j
‑
r
j
,x
i,j
r
j
],j∈{1,2,
…
,
j,
…
,d}；若neib>λn1则执行碰撞反弹算子，具体是利用式(6)更新探索子种群中所有粒子的速度、利用式(5)更新粒子的位置，得到更新后的探索子种群；
[0032]
x
i,j
＝max(min(x
i,j
v
i,j
,ub
j
),lb
j
)
ꢀꢀꢀ
(5)
[0033]
v
i,j
＝max(min(u
′
i,j
,vmax
j
),vmin
j
)
ꢀꢀꢀ
(6)
[0034][0035][0036][0037]
式(7)中collset
i
表示粒子i邻域内粒子的集合,u
′
i
＝[u
′
i，1
，u
′
i，2
，...，u
′
i，j
，...，u
′
i，d
]是一个d维向量，其中u
′
i,j
是u
′
i
在第j维上的标量；式(8)中v
i
和v
k
表示粒子i和k的速度,m
i
和m
k
表示粒子i和粒子k的质量，是两个实数，都由式(9)计算而得；式(9)中fit
i
表示粒子i的适应度，minfit表示探索子种群中最小的适应度值，δ是一个防止分母为0的量，δ＝1。
[0038]
进一步的，所述第4步具体包括如下子步骤：
[0039]
步骤41，分别利用式(11)、式(13)更新第3步得到的更新后的探索子种群中所有粒子的速度和位置，得到更新后的探索子种群；
[0040][0041][0042][0043][0044]
式中，c
e1
,c
e2
是两个[0,2]上的常数c
e1
＝c
e2
＝2；是一个[0.4,1]上的随机数，表示第t次迭代时探索子种群的惯性权重；r1,r2是两个[0,1]上的随机数；对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2；是的第j维标量，表示第t次迭代时探索子种群中适应度最小的eb个粒子位置之一，k从eb个粒子中随机选择，eb提前预设且eb∈{1,2,
…
,n1}，eb＝3；是的第j维标量，表示粒子i至第t次迭代为止所找到的最优位置；是在第j维上的标量，是在第j维上的标量；
[0045]
步骤42：计算步骤41得到的更新后的探索子种群中每个粒子的适应度；
[0046]
步骤43：更新探索子种群所有粒子的历史最优解；
[0047]
具体是：遍历步骤41得到的更新后的探索子种群的粒子i，若则令否则对前eb个最优的粒子执行精英保留策略，也即是若这些粒子在更新后比未更新时适应度更大，则英保留策略，也即是若这些粒子在更新后比未更新时适应度更大，则是最佳的eb个粒子之一对应的位置。
[0048]
进一步的，所述第5步包括如下步骤：
[0049]
步骤51：判断当前的开发子种群的所有粒子对应的集合set
i
是否都是空集，是则执行本步骤，然后执行第6步，否则执行52；
[0050]
具体操作为：遍历开发子种群中每个粒子；从开发子种群中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则令set
l
＝set
l
∪i；
[0051]
步骤52：计算开发子种群中每个粒子的拉马克因子η；
[0052]
具体是：(1)计算所有满足的粒子的拉马克因子；
[0053][0054]
其中表示粒子k在第t次迭代时的适应度；表示粒子i在第t次迭代时的拉马克因子；
[0055]
(2)对满足的粒子i，其η
i
等于第t次迭代时所有大于0的η的均值，即如下式：
[0056][0057]
其中avg表示求平均值函数；
[0058]
步骤53：判断的粒子个数是否少于2，是则执行本步骤，然后执行第6步，否则执行54；
[0059]
具体是：先将当前的开发子种群所有粒子对应的集合set
i
置为空集；随后遍历开发子种群中的每个粒子,从中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行第6步；
[0060]
步骤54：通过联赛机制为当前的开发子种群的每个粒子选择
[0061]
具体操作为：先将当前的开发子种群的所有粒子所对应的集合set
i
置为空集，随后遍历当前的开发子种群中每个粒子；从的粒子中随机选出两个粒子k和l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行第6步；
[0062]
进一步的，所述第6步具体包括如下子步骤：
[0063]
步骤61：对于开发子种群中的每个粒子，分别利用式(17)、式(19)更新粒子i的速度、位置；
[0064][0065]
[0066][0067][0068]
式中，c
m1
、c
m2
是两个[0,2]上的常数，c
m1
＝c
m2
＝2；是一个[0.2,0.8]上的随机数，表示第t次迭代时开发子种群的惯性权重；r1、r2是两个[0,1]上的随机数；对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2；是mbest
t
的第j维标量，mbest
t
表示在第t次迭代时开发子种群中适应度最小的粒子的位置；是在第j维上的标量；是在第j维上的标量；
[0069]
步骤62：计算步骤61得到的更新后开发子种群中每个粒子的适应度；
[0070]
步骤63：更新开发子种群所有粒子的历史最优解；
[0071]
具体是：遍历步骤62得到的更新后的开发子种群的粒子i，若适应度则令否则
[0072]
进一步的，所述第7步具体包括如下步骤：
[0073]
判断开发子种群是否收敛，具体是：若fit(mbest
t
‑
n
)
‑
fit(mbest
t
)<∈，则认为开发子种群已收敛，并用第6步得到的开发子种群最优粒子的位置mbest
t
替换探索子种群适应度最大的粒子的位置；否则执行第8步；
[0074]
所述通过直觉模糊决策从当前的探索子种群中选出最优目标区域，具体包括如下子步骤：
[0075]
步骤81：将第4步得到的所有粒子的适应度归一化，具体采用公式20所示的对数归一化：
[0076][0077]
式(20)中，nrzfit
i
表示粒子i经对数归一化后的适应度；eworstfit表示探索子种群粒子的最大适应度，通过对探索子种群所有粒子的适应度执行max函数得到；ebestfit表示探索子种群中粒子的最小适应度，通过对探索子种群所有粒子的适应度执行min函数得到；fit
i
表示探索子种群中粒子i的适应度；e为自然常数；
[0078]
步骤82：将步骤81归一化后的适应度转换为对应粒子的适应度属性的直觉模糊集,即计算探索子种群粒子i在属性a1上的隶属度非隶属度和犹豫度
[0079][0080][0081][0082]
上式中exp表示以e为底的指数函数；
[0083]
步骤83：计算探索子种群中每个粒子的邻域内其它探索子种群粒子的数量，对于粒子i其邻域内粒子数量记为agg
i
；邻域r由步骤4得到,任一粒子i的邻域在第j维上的范围表示为[agg
i,j
‑
r
j
,agg
i,j
r
j
]；
[0084]
步骤84：将步骤83得到的每个粒子i邻域内的粒子数转化为聚集度属性的直觉模糊集，即计算粒子i在属性a2的隶属度非隶属度和犹豫度
[0085][0086][0087][0088][0089][0090]
上式中max agg
i
表示从探索子种群的粒子中选出最大的agg,agg由步骤83计算得出；
[0091]
步骤85：将粒子i的两个属性合成为一个综合直觉模糊集，记为a
i
；计算公式如下式所示；
[0092][0093][0094][0095]
式(28)中和分别表示属性j的隶属度和犹豫度；式(28)中采用对称权系数合成属性j的权重式(29)、(30)中k表示参与决策的属性个数，k为2；式(30)中粒子i在属性a
j
上的隶属度和非隶属度由步骤82和步骤84计算得出；
[0096]
步骤86：根据理想解b和负理想解g计算粒子i与b的近似程度ξ
i
；计算方法如下：
[0097][0098]
式中，理想解b＝{μ
b
＝1,π
b
＝0,γ
b
＝0}，非理想解g＝{μ
g
＝0,π
g
＝0,γ
g
＝1}是两个固定不变参数；上式中d(x,y)用于计算直觉模糊集x和y之间的距离，此处使用海明距离计算，其式如下：
[0099][0100]
步骤87：将步骤86得到的探索子种群中粒子i对应的ξ
i
从小到大排序；按顺序检查对应的x
i
是否处于禁止集合中，若在，则检查下一个x
i
，否则令target＝x
i
，进入步骤88；若检查结束，仍没有一个粒子满足条件，则令target＝x1，此处x1表示探索子种群排在第一的粒子；
[0101]
步骤88：将步骤87得到的target存入禁止集合；即forbidset＝forbidset∪target；
[0102]
步骤89：用target的位置x
target
、速度v
target
、历史最优解p
target
分别替换开发子种群的最优粒子的位置x、速度v、历史最优解p。
[0103]
进一步的，所述第9步具体包括如下子步骤：
[0104]
步骤91：从第4步更新后的探索子种群和第6步更新后的开发子种群中选出适应度最小的粒子作为最优粒子best，将best的位置x
best
上每一维上的值转化为lstm模型中对应的超参数；
[0105]
步骤92：用第1步得到的训练样本训练该模型，得到训练好的lstm模型；
[0106]
步骤93：将待测试的滑坡位移的特征数据代入训练好的lstm模型，得到预测的滑坡位移距离。
[0107]
进一步的，所述第2步、第4步和第6步中，所述计算粒子的适应度，是指：
[0108]
将粒子i的位置x
i
上每一维上的值转化为lstm模型中对应的超参数；用第1步得到的训练样本训练该模型；随后代入测试样本，最后所有测试样本的误差和再乘以100作为粒子i的适应度。
[0109]
本发明的有益效果是自适应调节lstm模型结构，从而提高预测模型在活泼问题上的预测精度。通过启发式优化算法结合直觉模糊集(intuitionistic fuzzy sets，ifs)理论共同克服上述问题，优化lstm预测模型，并使模型更适合滑坡预测问题。首先，启发式算法是一种模拟动物自然社群行为的全局优化算法，具有简单、计算速度快、无需目标函数信息等优势。其已被广泛的应用于求解各类黑盒问题。其次，直觉模糊集理论实对zadeh模糊集(fuzzy sets，fs)的一种扩展，其可描述“支持、反对、中立”三种状态，因此相对于fs，ifs在模糊环境中的分析能力更强，并可以在现实世界中更加细腻的刻画模糊对象，更好的贴合实际情况。因此，ifs可以将黄土滑坡中抽象、模糊、复杂的环境信息转换为清晰、可识别的环境因素。从而提高启发式算法的优化能力，进而提高模型质量、提高预测精度。
附图说明
[0110]
图1是本发明的算法流程图；
[0111]
图2是计算适应度的流程图；
[0112]
图3是本发明的实施例列举的lstm初始模型；
[0113]
图4是本发明的实施例根据的对比试验的实预测结果图；
[0114]
图5是本发明的实施例提供的ifmhdpso
‑
lstm模型预测结果图。
具体实施方式
[0115]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非限制本发明的范围。
[0116]
本实施例所用实验平台为安装matlab2018a的64位win10系统、处理器位intel core i7
‑
6700处理器、内存8g。lstm模型由第三方库keras实现，其版本为2.0.8。
[0117]
本发明的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法(简称ifmhdpso
‑
lstm)，具体包括如下步骤：
[0118]
步骤1：收集造成滑坡位移的特征数据并清洗数据。其中：
[0119]
特征包括滑坡位移距离、降雨量、气温、湿度和土壤水分。
[0120]
清洗数据包括统一格式/单位、去除无效数据、去除不合理数据、去除离群噪声点和填充数据。
[0121]
步骤2：构成训练样本和测试样本。
[0122]
将步骤1的所有特征作为模型的输入，将位移特征(滑坡位移距离)作为模型的输出；对于任一样本，t时刻所对应的真实输出值为t stepn时刻的位移特征的输入值,stepn为步长；合成从时刻t到时刻t stepn的数据，作为一个样本输入lstm中。本实施例中stepn＝5，t单位为天，共收集900余天滑坡位移数据作为总样本。
[0123]
将总样本按照7:3的比例划分得到训练样本和测试样本。
[0124]
步骤3：建立初始lstm模型。
[0125]
本实施例中初始模型共八层，如图2所示，第一层是lstm模型，后七层是全连接层fc，其中最后一层只有一个单元，作为输出单元其隐层单元个数为1，激活函数固定为tanh。本实施例中之所以如此构建初始模型，是为证明本方法在超参数较多时依然可以保证结果。根据lstm的超参数设计解向量、每一维所要表示的信息以及寻优边界。本实施例中超参数一共14个，即搜索维数d＝14。其中前7个表示对应层(层1
‑
层7)的隐藏单元个数，搜索范围为{16,17,
…
,32}。后7个指明对应层(层1
‑
层7)所用的激活函数,搜索范围为{0，1，2}分别表示sigmoid、tanh、relu函数。
[0126]
本发明的ifmhdpso
‑
lstm是一种在连续空间搜索的算法，因此搜索空间调整为：前7维[15.5,32.4],后7维[
‑
0.4,2.4]。因此下界lb和上界ub分别为：lb＝[15.5,15.5,15.5,15.5,15.5,15.5,15.5，
‑
0.4，
‑
0.4，
‑
0.4，
‑
0.4，
‑
0.4，
‑
0.4，
‑
0.4]；ub＝[32.4,32.4,32.4,32.4,32.4,32.4,32.4，2.4，2.4，2.4，2.4，2.4，2.4，2.4]。
[0127]
搜索空间的前7维依次对应图2模型的每一层的隐藏单元个数。后7维依次对应图2模型的每一层的激活函数；
[0128]
本实施例中，包括对比实验中，lstm模型的损失函数均为均方误差(mse)函数，反向传播算法均为adam算法。
[0129]
步骤4：为ifmhdpso算法设定参数。
[0130]
需设定的参数包括：种群规模n，即探索子种群粒子数量n1，开发子种群粒子数量n2＝n
‑
n1,且n1>n2；最大迭代次数maxiter；开发子种群收敛判定次数s∈{1,2,
…
,maxiter}；判定误差ε∈[0,1]；直觉模糊决策每个属性权重的隶属度和犹豫度
且本方法共有两个属性：a1和a2；碰撞触发比例λ∈[0,1]；邻域范围r；探索子种群的速度在j维的上、下限vmax
j
和vmin
j
；搜索空间上界ub、下界lb；搜索维数d。
[0131]
本实施例中，n＝40，n1＝24,n2＝16，maxiter＝40，s＝2,ε＝0.001，λ＝0.8，邻域r中每一维向量vmax
j
＝r
j
、vmin
j
＝
‑
r
j
，ub、lb、d由步骤3得到，其中ub
j
和lb
j
分别表示ub和lb的第j维向量。
[0132]
初始时，所有粒子i的集合迭代次数t＝1，禁止集合
[0133]
步骤5：初始化探索子种群和开发子种群，并计算各种群中每个粒子的适应度。具体包括如下子步骤：
[0134]
步骤5
‑
1：在步骤4的搜索空间范围内，随机产生n1个粒子作为探索子种群，初始化探索子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
，公式如下：
[0135]
x
i,j
＝r(ub
j
‑
lb
j
) lb
j
,i∈{1,2,
…
,n},j∈{1,2,
…
,d}
ꢀꢀꢀ
(1)
[0136]
v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀ
(2)
[0137]
其中,是一个[0,1]上的随机数，其中ub
j
和lb
j
分别表示ub和lb的第j维向量。vmax
j
和vmin
j
分别表示第j维上每个粒子的速度的上、下限，本实施例中探索子种群的速度在j维的上、下限分别为vmax
j
＝ub
j
、vmin
j
＝lb
j
。初始时p
i
＝x
i
；d由步骤3所得；x
i
、p
i
、v
i
分别为14维的向量；x
i,j
表示粒子i在第j维上的位置；v
i,j
表示粒子i在第j维上的速度；
[0138]
步骤5
‑
2：计算步骤5
‑
1的初始化后的探索子种群中每个粒子的适应度，选出适应度最小的探索子种群粒子的位置ebest。
[0139]
具体是：遍历探索子种群，将粒子i的位置x
i
上每一维上的值转化为lstm模型中对应的超参数；用步骤2得到的训练样本训练该模型；随后代入测试样本；最后所有测试样本的误差和再乘以100作为粒子i的适应度。此处乘以100是为了提高区分度。
[0140]
步骤5
‑
3：在步骤5
‑
2得到的ebest邻域范围内，随机产生n2个粒子作为开发子种群，初始化开发子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
的公式如下：
[0141][0142]
v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀ
(4)
[0143]
其中,是一个[0,1]上的随机数，x
i,j
表示粒子i在第j维上的位置,v
i,j
表示粒子i在第j维上的速度，ebest
j
表示探索子种群中适应度最小粒子的位置在第j维上的值，邻域r的范围由步骤4得到。
[0144]
步骤5
‑
4：计算步骤5
‑
3的初始化后的开发子种群的每个粒子的适应度。
[0145]
具体是：遍历开发子种群，将粒子i的位置x
i
上每一维上的值转化为lstm模型中对应的超参数；用步骤2得到的训练样本训练该模型；随后代入测试样本，；最后所有测试样本的误差和再乘以100作为粒子i的适应度。此处乘以100是为提高区分度。
[0146]
步骤6：判断探索子种群聚集度是否大于阈值，是则进入步骤7，否则进入步骤8。
[0147]
具体判断方法：从当前的探索子种群中随机选出一个粒子，计算该粒子邻域内中包含的探索子种群的粒子数量，记为neib。粒子i邻域定义为[x
i,j
‑
r
j
,x
i,j
r
j
],j∈{1,2,
…
,j,
…
,d}。若neib>λn1进入步骤7，否则进入步骤8，其中λ如步骤4定义。
[0148]
步骤7：执行碰撞反弹算子。具体是利用式(6)更新探索子种群中所有粒子的速度、利用式(5)更新粒子的位置，得到更新后的探索子种群。
[0149]
x
i,j
＝max(min(x
i,j
v
i,j
,ub
j
),lb
j
)
ꢀꢀꢀ
(5)
[0150]
v
i,j
＝max(min(u
′
i,j
,vmax
j
),vmin
j
)
ꢀꢀꢀ
(6)
[0151][0152][0153][0154]
式(7)中collset
i
表示粒子i邻域内粒子的集合,u
′
i
＝[u
′
i,1
,u
′
i,2
,
…
,u
′
i,j
,
…
,u
′
i,d
]是一个d维向量，其中u
′
i,j
是u
′
i
在第j维上的标量。式(8)中v
i
和v
k
表示粒子i和k的速度,m
i
和m
k
表示粒子i和粒子k的质量，是两个实数，都由式(9)计算而得。式(9)中fit
i
表示粒子i的适应度，minfit表示探索子种群中最小的适应度值，δ是一个防止分母为0的量，一般δ＝1。
[0155]
步骤8：更新探索子种群。具体包括如下子步骤：
[0156]
步骤8
‑
1，分别利用式(11)、式(13)更新步骤7得到的更新后的探索子种群中所有粒子的速度和位置，得到更新后的探索子种群。
[0157][0158][0159][0160][0161]
式中，c
e1
,c
e2
是两个[0,2]上的常数，本实施例中c
e1
＝c
e2
＝2。是一个[0.4,1]上的随机数，表示第t次迭代时探索子种群的惯性权重。r1,r2是两个[0,1]上的随机数。对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2。是的第j维标量，表示第t次迭代时探索子种群中适应度最小的eb个粒子位置之一，k从eb个粒子中随机选择，eb提前预设且eb∈{1,2,
…
,n1}，本实施例中eb＝3。是的第j维标量，表示粒子i至第t次迭代为止所找到的最优位置(即t次迭代中，粒子i的适应度最小时其对应的位置)。是在第j维上的标量，是在第j维上的标量。
[0162]
步骤8
‑
2：计算步骤8
‑
1得到的更新后的探索子种群中每个粒子的适应度。
[0163]
具体是：遍历探索子种群，将粒子i的位置x
i
上每一维上的值转化为lstm模型中对
应的超参数；用步骤2得到的训练样本训练该模型；随后代入测试样本，其总误差再乘以100即为粒子i的适应度。
[0164]
步骤8
‑
3：更新探索子种群所有粒子的历史最优解。
[0165]
具体是：遍历步骤8
‑
1得到的更新后的探索子种群的粒子i，若则令否则对前eb个最优的粒子执行精英保留策略，也即是若这些粒子在更新后比未更新时适应度更大，则英保留策略，也即是若这些粒子在更新后比未更新时适应度更大，则是最佳的eb个粒子之一对应的位置。
[0166]
步骤9：计算开发子种群中每个粒子的拉马克因子，并为每个开发子种群的粒子选择
[0167]
本步骤包含以下几个子步骤且所有操作只对开发子种群执行。
[0168]
步骤9
‑
1：判断当前的开发子种群的所有粒子对应的集合set
i
是否都是空集，是则执行本步骤，然后执行步骤10，否则执行9
‑
2。
[0169]
具体操作为：遍历开发子种群中每个粒子；从开发子种群中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则令set
l
＝set
l
∪i。
[0170]
步骤9
‑
2：计算开发子种群中每个粒子的拉马克因子η。具体是：(1)计算所有满足的粒子的拉马克因子。
[0171][0172]
其中表示粒子k在第t次迭代时的适应度。表示粒子i在第t次迭代时的拉马克因子。
[0173]
(2)对满足的粒子i，其η
i
等于第t次迭代时所有大于0的η的均值。即如下式：
[0174][0175]
其中avg表示求平均值函数。
[0176]
步骤9
‑
3：判断的粒子个数是否少于2，是则执行本步骤，然后执行步骤10，否则执行9
‑
4。
[0177]
具体是：先将当前的开发子种群所有粒子对应的集合set
i
置为空集。随后遍历开发子种群中的每个粒子,从中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行步骤10；
[0178]
步骤9
‑
4：通过联赛机制为当前的开发子种群的每个粒子选择
[0179]
具体操作为：先将当前的开发子种群的所有粒子所对应的集合set
i
置为空集，随
后遍历当前的开发子种群中每个粒子；从的粒子中随机选出两个粒子k和l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行步骤10；
[0180]
步骤10：更新开发子种群粒子的速度和位置。具体包括如下步骤：
[0181]
步骤10
‑
1：对于开发子种群中的每个粒子，分别利用式(17)、式(19)更新粒子i的速度、位置。
[0182][0183][0184][0185][0186]
式中，c
m1
、c
m2
是两个[0,2]上的常数，本实施例中c
m1
＝c
m2
＝2。是一个[0.2,0.8]上的随机数，表示第t次迭代时开发子种群的惯性权重。r1、r2是两个[0,1]上的随机数。对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2。是mbest
t
的第j维标量，mbest
t
表示在第t次迭代时开发子种群中适应度最小的粒子的位置；此处，对于开发子种群所有粒子，其最大、最小速度vmax
j
和vmax
j
由步骤4定义。是在第j维上的标量。是在第j维上的标量。
[0187]
步骤10
‑
2：计算步骤10
‑
1得到的更新后开发子种群中每个粒子的适应度。
[0188]
具体是：遍历开发子种群，将粒子i的位置x
i
上每一维上的值转化为lstm模型中对应的超参数；用步骤2得到的训练样本训练该模型；随后代入测试样本，其总误差再乘以100即为粒子i的适应度。
[0189]
步骤10
‑
3：更新开发子种群所有粒子的历史最优解。
[0190]
具体是：遍历步骤10
‑
2得到的更新后的开发子种群的粒子i，若则令否则
[0191]
步骤11：判断步骤10得到的开发子种群是否收敛。
[0192]
若fit(mbest
t
‑
n
)
‑
fit(mbest
t
)<∈，则认为开发子种群已收敛，并用步骤10
‑
1得到的开发子种群最优粒子的位置mbest
t
替换探索子种群适应度最大的粒子的位置；否则执行步骤14。s，ε、maxiter由步骤4可得。
[0193]
步骤12：通过直觉模糊决策从当前的探索子种群中选出最优目标区域，具体包括如下子步骤，如无特殊说明以下子步骤仅对探索子种群粒子执行。
[0194]
步骤12
‑
1：将步骤8得到的所有粒子的适应度归一化。优选的，归一化方法采用公式20所示的对数归一化。
[0195]
[0196]
式(20)中，nrzfit
i
表示粒子i经对数归一化后的适应度。eworstfit表示探索子种群粒子的最大适应度，通过对探索子种群所有粒子的适应度执行max函数得到。ebestfit表示探索子种群中粒子的最小适应度，通过对探索子种群所有粒子的适应度执行min函数得到。fit
i
表示探索子种群中粒子i的适应度。e为自然常数。
[0197]
步骤12
‑
2：将步骤12
‑
1归一化后的适应度转换为对应粒子的适应度属性的直觉模糊集,即计算探索子种群粒子i在属性a1上的隶属度非隶属度和犹豫度
[0198][0199][0200][0201]
上式中exp表示以e为底的指数函数。
[0202]
步骤12
‑
3：计算探索子种群中每个粒子的邻域内其它探索子种群粒子的数量，对于粒子i其邻域内粒子数量记为agg
i
。邻域r由步骤4得到,任一粒子i的邻域在第j维上的范围表示为[agg
i,j
‑
r
j
,agg
i,j
r
j
]。
[0203]
步骤12
‑
4：将步骤12
‑
3得到的每个粒子i邻域内的粒子数转化为聚集度属性的直觉模糊集，即计算粒子i在属性a2的隶属度非隶属度和犹豫度
[0204][0205][0206][0207][0208][0209]
上式中max agg
i
表示从探索子种群的粒子中选出最大的agg,agg由步骤12
‑
3计算得出。
[0210]
步骤12
‑
5：将粒子i的两个属性(属性a1、属性a2)合成为一个综合直觉模糊集，记为a
i
。计算公式如下式所示。
[0211][0212]
[0213][0214]
式(28)中和分别表示属性j的隶属度和犹豫度，由步骤4得到，表示每个属性的权重。式(28)中采用对称权系数合成属性j的权重式(29)、(30)中k表示参与决策的属性个数，由步骤4可知k为2。式(30)中粒子i在属性a
j
上的隶属度和非隶属度由步骤12
‑
2和步骤12
‑
4计算得出。
[0215]
步骤12
‑
6：根据理想解b和负理想解g计算粒子i与b的近似程度ξ
i
。
[0216]
计算方法如下。
[0217][0218]
式中，理想解b＝{μ
b
＝1,π
b
＝0,γ
b
＝0}，非理想解g＝{μ
g
＝0,π
g
＝0,γ
g
＝1}是两个固定不变参数。上式中d(x,y)用于计算直觉模糊集x和y之间的距离，此处使用海明距离计算，其式如下。
[0219][0220]
步骤12
‑
7：将步骤12
‑
6得到的探索子种群中粒子i对应的ξ
i
从小到大排序。按顺序检查对应的x
i
是否处于禁止集合中，若在，则检查下一个x
i
，否则令target＝x
i
，进入步骤12
‑
8。若检查结束，仍没有一个粒子满足条件，即所有粒子都处于禁止集合中，则令target＝x1，此处x1表示探索子种群排在第一的粒子。
[0221]
检查x
i
是否处于禁止集合中的方法：遍历禁止集合forbidset中所有被禁止的位置，用forbid
k
表示第k被禁止的位置，若x
i
在forbid
k
邻域内，即x
i
∈[forbid
k
‑
r,forbid
k
r]则认为处于禁止区域，如果x
i
不在所有禁止区域中即认为该粒子不在禁止集合中。
[0222]
步骤12
‑
8：将步骤12
‑
7得到的target存入禁止集合。即forbidset＝forbidset∪target；
[0223]
步骤13：用target的位置x
target
、速度v
target
、历史最优解p
target
分别替换开发子种群的最优粒子的位置x、速度v、历史最优解p。
[0224]
本步骤的替换动作是为了交换两个子种群所蕴含的信息，从而提高算法的寻优效率。
[0225]
步骤14：判断迭代次数t是否大于maxiter，若不满足则令t＝t 1,并返回步骤6；若满足则进入步骤15。
[0226]
步骤15：得到最终预测模型，训练并预测。具体包括如下子步骤：
[0227]
步骤15
‑
1：从步骤8更新后的探索子种群和步骤10更新后的开发子种群中选出适应度最小的粒子作为最优粒子best，将best的位置x
best
上每一维上的值转化为lstm模型中
对应的超参数。
[0228]
步骤15
‑
2：用步骤2得到的训练样本训练该模型，得到训练好的lstm模型。
[0229]
步骤15
‑
3：将待测试的滑坡位移的特征数据代入训练好的lstm模型，得到预测的滑坡位移距离。
[0230]
本发明的方法结束。
[0231]
为了验证本发明的方法的效果，以下用普通的人工调参的lstm模型在同样的实验平台上进行仿真实验，预定义模型如图3，其对应的超参数为[32,32,32,32,32,32,32,1,1,1,1,1,1,1],表示从第1层到7层的隐藏层单元个数为32；第1层到第7层的激活函数为tanh；输出层隐藏单元为1，激活函数为tanh函数。其数据预处理步骤如本方法的步骤1和步骤2。将得到的训练样本带入lstm模型进行训练，并将测试样本带入训练好的测试模型。将输出结果与真实值对比，作实验结果图4。用步骤2得到的测试样本代入步骤15
‑
2得到的训练好的lstm模型，并将输出结果与真实值比对，作实验结果图5。图5中虚线表示预测结果，实现表示真实结果，两条曲线越接近则表示结果越好。
[0232]
通过对比图4和图5可以看出，图5的预测结果(虚线)和真实值(实线)更加接近，而图4中预测结果和真实数据相差较大。这是因为传统人工定义超参数的方法无法有效处理存在大规模、非线性、信息冗余度高、模糊、不确定、高噪声的滑坡问题，而算法通过直觉模糊理论克服了上述存在的不确定性问题并自适应的调节神经网络的超参数。最终实验结果证明，本发明的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法的方法(简称ifmhdpso
‑
lstm)能够更好的适应滑坡数据的各项特征，模型质量、预测精度明显提高，优于现有需要人工调整的lstm预测模型。

技术特征：
1.一种基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，包括如下步骤：第1步：收集造成滑坡位移的特征数据并清洗数据，构成训练样本和测试样本，建立初始lstm模型，为ifmhdpso算法设定参数；第2步：初始化探索子种群和开发子种群，并计算各子种群中每个粒子的适应度；第3步：若探索子种群聚集度到达阈值时执行碰撞反弹算子，否则执行第4步；第4步：更新探索子种群位置和速度，计算适应度并更新历史最优解；第5步：计算开发子种群中每个粒子的拉马克因子；第6步：更新开发子种群粒子的速度和位置，计算开发子种群中每个粒子的适应度，并更新历史最优解；第7步：判断开发子种群是否收敛，若收敛则通过直觉模糊决策从当前的探索子种群中选出最优目标区域，否则执行第8步；第8步：判断是否满足迭代结束条件，若不满足则迭代次数加1，返回第3步，若满足则进入第9步；第9步：将搜索得到的最优解解释为lstm；用训练样本训练该lstm模型，得到最终预测模型。2.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第1步中：所述建立初始lstm模型包括：第一层是lstm模型，后七层是全连接层fc，其中最后一层只有一个单元，作为输出单元其隐层单元个数为1，激活函数固定为tanh，超参数一共14个，即搜索维数d＝14，其中前7个表示对应层的隐藏单元个数，后7个指明对应层所用的激活函数；所述为ifmhdpso算法设定参数包括：设定种群规模n，即探索子种群粒子数量n1，开发子种群粒子数量n2＝n
‑
n1,且n1>n2；最大迭代次数maxiter；开发子种群收敛判定次数s∈{1,2,
…
,maxiter}；判定误差ε∈[0,1]；直觉模糊决策每个属性权重的隶属度和犹豫度且两个属性a1和a2；碰撞触发比例λ∈[0,1]；邻域范围r；探索子种群的速度在j维的上、下限vmax
j
和vmin
j
；搜索空间上界ub、下界lb；搜索维数d；始时，所有粒子i的集合迭代次数t＝1，禁止集合3.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第2步具体包括如下子步骤：步骤21：在第1步的搜索空间范围内，随机产生n1个粒子作为探索子种群，初始化探索子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
，公式如下：x
i,j
＝r(ub
j
‑
lb
j
) lb
j
,i∈{1,2,
…
,n},j∈{1,2,
…
,d}
ꢀꢀꢀꢀ
(1)v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中,是一个[0,1]上的随机数,ub
j
、lb
j
分别表示ub和lb的第j维向量，vmax
j
和vmin
j
分别表示第j维上每个粒子的速度的上、下限，探索子种群的速度在j维的上、下限分别为vmax
j
＝ub
j
、vmin
j
＝lb
j
；初始时p
i
＝x
i
；x
i
、p
i
、v
i
分别为14维的向量；x
i,j
表示粒子i在第j维
上的位置；v
i,j
表示粒子i在第j维上的速度；步骤22：计算步骤21的初始化后的探索子种群中每个粒子的适应度，选出适应度最小的探索子种群粒子的位置ebest；步骤23：在步骤22得到的ebest邻域范围内，随机产生n2个粒子作为开发子种群，初始化开发子种群中第i个粒子的位置x
i
、粒子的历史最优解p
i
、粒子的速度v
i
的公式如下：x
i,j
＝2rr
j
ebest
j
‑
r
j
,i∈{1,2,
…
,n},j∈{1,2,
…
,d}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)v
i,j
＝r(vmax
j
‑
vmin
j
) vmin
j
ꢀꢀꢀꢀꢀꢀ
(4)其中,是一个[0,1]上的随机数，x
i,j
表示粒子i在第j维上的位置,v
i,j
表示粒子i在第j维上的速度，ebest
j
表示探索子种群中适应度最小粒子的位置在第j维上的值；步骤24：计算步骤23的初始化后的开发子种群的每个粒子的适应度。4.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第3步中，判断探索子种群聚集度是否大于阈值，是则执行碰撞反弹算子，否则进入第4步；具体判断方法：从当前的探索子种群中随机选出一个粒子，计算该粒子邻域内中包含的探索子种群的粒子数量，记为neib；粒子i邻域定义为[x
i,j
‑
r
j
,x
i,j
r
j
],j∈{1,2,
…
,j,
…
,d}；若neib>λn1则执行碰撞反弹算子，具体是利用式(6)更新探索子种群中所有粒子的速度、利用式(5)更新粒子的位置，得到更新后的探索子种群；x
i,j
＝max(min(x
i,j
v
i,j
,ub
j
),lb
j
)
ꢀꢀ
(5)v
i,j
＝max(min(u
′
i,j
,vmax
j
),vmin
j
)
ꢀꢀ
(6)(6)(6)式(7)中collset
i
表示粒子i邻域内粒子的集合,u
′
i
＝[u
′
i,1
,u
′
i,2
,
…
,u
′
i,j
,
…
,u
i,d
]是一个d维向量，其中u
′
i,j
是u
′
i
在第j维上的标量；式(8)中v
i
和v
k
表示粒子i和k的速度,m
i
和m
k
表示粒子i和粒子k的质量，是两个实数，都由式(9)计算而得；式(9)中fit
i
表示粒子i的适应度，minfit表示探索子种群中最小的适应度值，δ是一个防止分母为0的量，δ＝1。5.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第4步具体包括如下子步骤：步骤41，分别利用式(11)、式(13)更新第3步得到的更新后的探索子种群中所有粒子的速度和位置，得到更新后的探索子种群；速度和位置，得到更新后的探索子种群；速度和位置，得到更新后的探索子种群；速度和位置，得到更新后的探索子种群；
式中，c
e1
,c
e2
是两个[0,2]上的常数c
e1
＝c
e2
＝2；是一个[0.4,1]上的随机数，表示第t次迭代时探索子种群的惯性权重；r1,r2是两个[0,1]上的随机数；对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2；是的第j维标量，表示第t次迭代时探索子种群中适应度最小的eb个粒子位置之一，k从eb个粒子中随机选择，eb提前预设且eb∈{1,2,
…
,n1}，eb＝3；是的第j维标量，表示粒子i至第t次迭代为止所找到的最优位置；是在第j维上的标量，是在第j维上的标量；步骤42：计算步骤41得到的更新后的探索子种群中每个粒子的适应度；步骤43：更新探索子种群所有粒子的历史最优解；具体是：遍历步骤41得到的更新后的探索子种群的粒子i，若则令否则对前eb个最优的粒子执行精英保留策略，也即是若这些粒子在更新后比未更新时适应度更大，则粒子在更新后比未更新时适应度更大，则是最佳的eb个粒子之一对应的位置。6.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第5步包括如下步骤：步骤51：判断当前的开发子种群的所有粒子对应的集合set
i
是否都是空集，是则执行本步骤，然后执行第6步，否则执行52；具体操作为：遍历开发子种群中每个粒子；从开发子种群中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则令set
l
＝set
l
∪i；步骤52：计算开发子种群中每个粒子的拉马克因子η；具体是：(1)计算所有满足的粒子的拉马克因子；其中表示粒子k在第t次迭代时的适应度；表示粒子i在第t次迭代时的拉马克因子；(2)对满足的粒子i，其η
i
等于第t次迭代时所有大于0的η的均值，即如下式：其中avg表示求平均值函数；步骤53：判断的粒子个数是否少于2，是则执行本步骤，然后执行第6步，否则执
行54；具体是：先将当前的开发子种群所有粒子对应的集合set
i
置为空集；随后遍历开发子种群中的每个粒子,从中随机选出两个粒子k和粒子l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行第6步；步骤54：通过联赛机制为当前的开发子种群的每个粒子选择具体操作为：先将当前的开发子种群的所有粒子所对应的集合set
i
置为空集，随后遍历当前的开发子种群中每个粒子；从的粒子中随机选出两个粒子k和l；若则令set
k
＝set
k
∪i；否则set
l
＝set
l
∪i；执行第6步。7.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第6步具体包括如下子步骤：步骤61：对于开发子种群中的每个粒子，分别利用式(17)、式(19)更新粒子i的速度、位置；置；置；置；式中，c
m1
、c
m2
是两个[0,2]上的常数，c
m1
＝c
m2
＝2；是一个[0.2,0.8]上的随机数，表示第t次迭代时开发子种群的惯性权重；r1、r2是两个[0,1]上的随机数；对于任意粒子i的速度其所有维度上的标量共用同样的r1,r2；是mbest
t
的第j维标量，mbest
t
表示在第t次迭代时开发子种群中适应度最小的粒子的位置；是在第j维上的标量；是在第j维上的标量；步骤62：计算步骤61得到的更新后开发子种群中每个粒子的适应度；步骤63：更新开发子种群所有粒子的历史最优解；具体是：遍历步骤62得到的更新后的开发子种群的粒子i，若适应度则令否则8.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第7步具体包括如下步骤：判断开发子种群是否收敛，具体是：若fit(mbest
t
‑
n
)
‑
fit(mbest
t
)<∈，则认为开发子种群已收敛，并用第6步得到的开发子种群最优粒子的位置mbest
t
替换探索子种群适应度最大的粒子的位置；否则执行第8步；所述通过直觉模糊决策从当前的探索子种群中选出最优目标区域，具体包括如下子步
骤：步骤81：将第4步得到的所有粒子的适应度归一化，具体采用公式20所示的对数归一化：式(20)中，nrzfit
i
表示粒子i经对数归一化后的适应度；eworstfit表示探索子种群粒子的最大适应度，通过对探索子种群所有粒子的适应度执行max函数得到；ebestfit表示探索子种群中粒子的最小适应度，通过对探索子种群所有粒子的适应度执行min函数得到；fit
i
表示探索子种群中粒子i的适应度；e为自然常数；步骤82：将步骤81归一化后的适应度转换为对应粒子的适应度属性的直觉模糊集,即计算探索子种群粒子i在属性a1上的隶属度非隶属度和犹豫度和犹豫度和犹豫度和犹豫度上式中exp表示以e为底的指数函数；步骤83：计算探索子种群中每个粒子的邻域内其它探索子种群粒子的数量，对于粒子i其邻域内粒子数量记为agg
i
；邻域r由步骤4得到,任一粒子i的邻域在第j维上的范围表示为[agg
i,j
‑
r
j
,agg
i,j
r
j
]；步骤84：将步骤83得到的每个粒子i邻域内的粒子数转化为聚集度属性的直觉模糊集，即计算粒子i在属性a2的隶属度非隶属度和犹豫度和犹豫度和犹豫度和犹豫度和犹豫度和犹豫度上式中max agg
i
表示从探索子种群的粒子中选出最大的agg,agg由步骤83计算得出；步骤85：将粒子i的两个属性合成为一个综合直觉模糊集，记为a
i
；计算公式如下式所示；
式(28)中和分别表示属性j的隶属度和犹豫度；式(28)中采用对称权系数合成属性j的权重式(29)、(30)中k表示参与决策的属性个数，k为2；式(30)中粒子i在属性a
j
上的隶属度和非隶属度由步骤82和步骤84计算得出；步骤86：根据理想解b和负理想解g计算粒子i与b的近似程度ξ
i
；计算方法如下：式中，理想解b＝{μ
b
＝1,π
b
＝0,γ
b
＝0}，非理想解g＝{μ
g
＝0,π
g
＝0,γ
g
＝1}是两个固定不变参数；上式中d(x,y)用于计算直觉模糊集x和y之间的距离，此处使用海明距离计算，其式如下：步骤87：将步骤86得到的探索子种群中粒子i对应的ξ
i
从小到大排序；按顺序检查对应的x
i
是否处于禁止集合中，若在，则检查下一个x
i
，否则令target＝x
i
，进入步骤88；若检查结束，仍没有一个粒子满足条件，则令target＝x1，此处x1表示探索子种群排在第一的粒子；步骤88：将步骤87得到的target存入禁止集合；即forbidset＝forbidset∪target；步骤89：用target的位置x
target
、速度v
target
、历史最优解p
target
分别替换开发子种群的最优粒子的位置x、速度v、历史最优解p。9.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第9步具体包括如下子步骤：步骤91：从第4步更新后的探索子种群和第6步更新后的开发子种群中选出适应度最小的粒子作为最优粒子best，将best的位置x
best
上每一维上的值转化为lstm模型中对应的超参数；步骤92：用第1步得到的训练样本训练该模型，得到训练好的lstm模型；步骤93：将待测试的滑坡位移的特征数据代入训练好的lstm模型，得到预测的滑坡位移距离。10.如权利要求1所述的基于直觉模糊密母pso
‑
lstm模型的滑坡位移预测方法，其特征在于，所述第2步、第4步和第6步中，所述计算粒子的适应度，是指：
将粒子i的位置x
i
上每一维上的值转化为lstm模型中对应的超参数；用第1步得到的训练样本训练该模型；随后代入测试样本，最后所有测试样本的误差和再乘以100作为粒子i的适应度。
技术总结
本发明公开了一种基于直觉模糊密母PSO


技术研发人员：王毅 王侃琦 张茂省 李静 段焱中 李晓梦
受保护的技术使用者：西北大学
技术研发日：2021.03.05
技术公布日：2021/6/24