一种多策略改进灰狼混合鲸鱼算法优化SVM的边坡稳定性预测及应用

摘要

为提高边坡稳定性预测精度，基于国内外293个边坡案例数据(涵盖黏聚力、内摩擦角、边坡角、高度、容重和孔隙压力比6项核心因素),提出一种多策略改进的灰狼混合鲸鱼优化算法(mix-grey wolf optimizer-whale optimization algorithm, MI-GWO-WOA)优化支持向量机(support vector machine, SVM)的边坡稳定性预测模型。针对传统的灰狼混合鲸鱼优化算法(GWO-WOA)在处理高维边坡问题时存在的收敛效率低、易陷入局部最优等问题，通过引入自适应参数调整、自适应交叉等策略进行优化改进，构建基于MI-GWO-WOA-SVM的边坡稳定性预测模型，并与SVM、GWO-SVM、WOA-SVM、GWO-WOA-SVM模型进行对比。实验结果表明：MI-GWO-WOA-SVM模型的准确率、精确率、AUC值、F1分数和平均耗时分别为95.28%、94.16%、0.96、94.76%和62.3 s,均高于其他优化模型的相应指标，MI-GWO-WOA-SVM模型相比其他优化算法具有更强的竞争力。

关键词

边坡稳定性 / 边坡预测 / 多策略改进灰狼混合鲸鱼算法 / 支持向量机