基于SMA算法优化随机森林的PPV预测模型

摘要

爆破振动速度峰值(Peak Particle Velocity,PPV)的准确预测是有效控制爆破工程振动危害的前提。为了提高爆破振动速度峰值的预测精度,提出将黏菌算法(Slime Mould Algorithm,SMA)对随机森林(Random Forest,RF)中的树的个数和最小叶子点数2个超参数进行优化。以某露天爆破工程实例中收集的具有4个输入参数(最小抵抗线r、高差H、最大段药量Q_(max)、水平距离W)和1个输出参数(PPV)的23个样本的数据集为依据,将4种参数组合(Q_(max)-H-W-r、Q_(max)-H-r、Q_(max)-W-r、Q_(max)-r)作为随机森林算法中的输入参数,确定最优的参数组合。随后对SMA-RF模型、未优化RF模型和国内外常用的6组经验公式的预测结果进行比较,结果表明SMA-RF模型取得了最优的预测效果,因此在工程实践中推荐使用SMA-RF模型预测爆破振动速度峰值。