摘要： 精确获取开采沉陷预计模型参数是准确预测煤炭开采沉陷的关键,智能优化算法为精确求解开采沉陷 预计模型参数提供了新方法。标准蛇优化(Snake Optimizer,SO)算法在开采沉陷领域鲜有应用,且存在初始阶段收敛 缓慢、阶段间交互有限、倾向于向局部最优收敛的问题。为此,结合Tent 映射、减法优化器算法和透镜反向学习策略, 提出了一种改进的蛇优化算法(Improved Snake Optimizer,ISO),并应用于概率积分法(Probability Integral Method, PIM)参数反演研究。模拟试验结果表明,ISO 算法反演PIM 参数的最大均方根误差、最大相对误差绝对值分别不超 过0. 020、0. 016%,反演结果精度高、准确性强。在扩大参数波动范围、实测数据中加入粗差以及实测数据中加入高斯 噪声3 种条件下,ISO 算法反演结果的最大均方根误差分别小于0. 029、0. 422、0. 147,最大相对误差绝对值分别不超 过0. 046%、0. 643%、0. 228%。ISO 算法在参数反演过程中表现出较强的全局搜索性能、抗粗差干扰能力以及抗高斯 噪声干扰能力。利用ISO 算法反演顾桥煤矿1414(1)工作面PIM 参数,结果表明:参数q、tanβ、b 的均方根误差均小于 0. 042,参数θ、Su、Sd、Sl 和Sr 的均方根误差均小于3. 472,反演结果较SO 算法和猎人猎物优化算法具有较高的精度水 平,下沉值拟合均方根误差和水平移动值拟合均方根误差的平均值为93. 82 mm,满足工程应用精度要求。

关键词: 开采沉陷预计　概率积分法　蛇优化算法　Tent 映射　减法优化器　透镜反向学习