基于改进GWO和SVM的大坝变形预测

李明军，王均星，潘江洋，刘 昊，李 慧

(1.水能资源利用关键技术湖南省重点实验室，湖南 长沙 410014；2.中国电建集团中南勘测设计研究院有限公司，湖南 长沙 410014；3.武汉大学水资源与水电工程科学国家重点实验室，湖北 武汉 430072)

1 研究背景

变形是大坝工作性态的综合性反映，而基于原型观测数据建立准确的变形预测模型，对确定大坝运行行为，保证其长期安全运行具有重大意义[1]。传统的变形预测模型(统计模型、确定性性模型和混合模型)难以表达变形量与影响因素(水位、温度和时效)之间的复杂关系[2]，而支持向量机在求解样本少、维数高的非线性问题上具有明显的优势。但是，在建立基于SVM的大坝结构特性识别模型时，核参数和惩罚因子的优化选择是一个值得研究的问题。

灰狼优化算法(Grey Wolf Optimizer，GWO)是由Mirjalili等[3]参照灰狼的社会等级和狩猎行为，提出的一种新的元启发式算法。GWO算法模拟了灰狼种群的社会等级和群体狩猎行为，通过对灰狼种群的跟踪、包围、狩猎、攻击等过程来实现智能算法的优化[4]。该优化算法因采用新型的搜索机制，调整参数少且全局搜索能力强，在解决一些优化问题时表现出良好的性能。Zhang等[5]采用GWO算法来解决无人作战飞行器(UCAV)二维路径规划问题，结果表明GWO算法求得最终解的质量、速度和稳定性比其他进化算法都要更加优秀。但与其他元启发式算法类似，GWO算法在解决复杂函数优化问题时容易陷入局部最优，出现早熟收敛等问题。

本文在前人研究的基础上，提出了一种改进灰狼算法优化支持向量机的大坝变形预测模型(MGWO-SVM)。……