融合粒子群优化与集成学习的爆破振动峰值预测研究

摘要

为实现爆破振动峰值速度的精准预测并降低爆破振动的危害，基于某工程实测数据，选取爆心距、单段药量、孔距、堵塞长度、孔深等5个关键参数作为影响因子，提出了一种基于粒子群优化算法（PSO）优化的Stacking集成学习模型（PSO-Stacking）。通过PSO优化Stacking基模型中随机森林（RF）的决策树数量与决策树深度、支持向量回归（SVR）的惩罚系数以及梯度提升决策树（GBDT）的树数量等超参数，显著提升了模型的预测性能。结果表明:PSO-Stacking模型的准确率（AR）为85.54%，均方误差（MSE）、均方根误差（RMSE）和决定系数（R²）分别为2.39、1.54和0.7361，较PSO-RF、BPNN、Ada Boost等6种模型表现出更优的预测性能与泛化能力。

关键词

爆破振动峰值速度 / 粒子群优化 / 集成学习