麻雀搜索算法优化极端梯度提升模型的岩石爆破块度预测

作     者：张朋超 赵有明 刘翔 廖黄正 何秋芝 易泽邦 ZHANG Peng-chao;ZHAO You-ming;LIU Xiang;LIAO Huang-zheng;HE Qiu-zhi;YI Ze-bang

作者机构：广西科技大学经济与管理学院柳州545006 柳州威宇爆破工程有限责任公司柳州545002 广西工业高质量发展研究中心柳州545006 桂林理工大学地球科学学院桂林541004 

基　　金：国家自然科学基金青年科学基金(42003066) 广西科技计划项目(桂科AD21220109,桂科AD21220147) 广西应急管理联合创新科技攻关项目(2024GXYJ011) 广西科技大学博士基金项目(校科博20S10,21Z29) 企业委托产学研合作项目(WQHG-KJXX-2022-018) 广西壮族自治区大学生创新创业训练计划项目(S202310594103) 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第24期

页      码：10212-10219页

摘      要：为进一步提高岩石爆破块度预测效果,利用多个矿山的岩石爆破统计数据,通过优化极端梯度提升模型(extreme gradient boosting, XGBoost)超参数,建立一种基于随机森林(random forest, RF)特征选择的麻雀搜索算法(sparrow search algorithm, SSA)优化XGBoost爆破块度预测模型。利用麻雀搜索算法对XGBoost模型决策树数量、决策树最大深度、学习率3个核心超参数进行优化以提高运行效率;利用随机森林对输入特征进行筛选,并将优化后的特征集输入预测模型。结果表明:经特征集优化的模型,爆破块度预测效果整体上更加逼近实际值,且预测结果的可决系数(R-squared,R~2)、均方根误差(root mean square error, RMSE)和平均绝对误差(mean absolute error, MAE)分别为0.954、0.026和0.020,相较于BP(back propagation)神经网络、随机森林和XGBoost模型的效果更优,在实际应用中更具适用性,能为爆破参数设计和优化提供借鉴。

主 题 词：麻雀搜索算法(SSA) XGBoost模型 爆破块度 预测 

学科分类：081901[081901] 0819[工学-海洋工程类] 08[工学] 

D　O　I：10.12404/j.issn.1671-1815.2306182

馆 藏 号：203141986...