一种路基稳定可靠度的计算方法技术

本发明专利技术公开了一种路基稳定可靠度的计算方法，它利用量子粒子群算法优化LSSVM参数，利用LSSVM建立输入参数与计算结果间的映射关系，再进行路基可靠度的计算，以解决蒙特卡罗法计算可靠度耗时过多的限制的问题，为路基稳定可靠度计算提供了一条实用途径。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，它利用量子粒子群算法优化LSSVM参数，利用LSSVM建立输入参数与计算结果间的映射关系，再进行路基可靠度的计算，以解决蒙特卡罗法计算可靠度耗时过多的限制的问题，为路基稳定可靠度计算提供了一条实用途径。【专利说明】
本专利技术涉及最优化及可靠度计算领域，具体地指一种路基稳定可靠度的计算方 法。
技术介绍
目前铁路路基稳定的计算采用的是总安全系数法，将影响安全的各种因素概括为 一个安全系数，但不能反映工程的实际安全水平，限制了铁路工程设计水平的发展。因此， 将设计参数视为随机变量，用可靠指标描述路基稳定安全度更加合理。蒙特卡罗法是一种 较精确的可靠度计算方法，其他可靠度计算方法计算结果常常用蒙特卡洛法进行验证。但 采用蒙特卡洛法计算可靠度时，需要进行大批量抽样，抽样次数NS100/Pf。如果失效概率 较小，则计算次数必须足够大才能保证可靠度的计算精度。复杂结构一次抽样计算少则几 分钟，多则几个小时甚至几天，要进行成千上万次的抽样计算在实际工程中是不现实的。
技术实现思路
本专利技术的目的就是要解决上述
技术介绍
的不足，提供一种路基稳定可靠度的计算 方法，以解决蒙特卡罗法计算可靠度耗时过多的问题。 本专利技术的技术方案为：，其特征在于，它包括以下 步骤： 1)、分析实际问题，确定随机变量（设随机变量的个数为N)，确定计算模式与计算 方法，建立极限状态方程Z; 2)、采用正交试验设计方法提供有代表性的训练样本： 2. 1)、在随机变量的 3 〇 范围内丨/?, -V- 1 ?Sr,讲，R+ 1 _<5"/7/, +3cr,'}选择并 进行N因素五水平正交试验设计选择训练样本； 2. 2)、对训练样本进行尺度变换，使得各随机变量在训练中具有相同的地位； 【权利要求】1. ，其特征在于，它包括以下步骤： 1) 、分析实际问题，确定随机变量（设随机变量的个数为N)，确定计算模式与计算方 法，建立极限状态方程Z; 2) 、采用正交试验设计方法提供有代表性的训练样本： 2. 1)、在随机变量的3σ范围内：m, - 3cr;，m, - 1 ·5τ,讲，柯,+ 1 ·?,w; +3σ,丨选择并进行 N因素五水平正交试验设计选择训练样本； 2. 2)、对训练样本进行尺度变换，使得各随机变量在训练中具有相同的地位； -- (式 1) Ui 式1中：Xi为随机变量X的第i个样本，X'i为尺度变换以后的样本，μi和σi分别 为随机变量的均值及其方差； 2. 3)、利用步骤1)中建立的极限状态方程计算出训练样本本Xi对应的计算结果yi(Z >〇输出I;Z彡O输出-1); 3) 、采用LSSVM建立样本输入值与输出值之间的映射关系，采用量子粒子群算法对 LSSVM参数进行优化： 3.1) 、确定LSSVM形状参数δ和惩罚系数γ的取值范围，然后将取值范围变换到 区间； 3. 2)、将整个尺度变换后的训练样本fi随机的分成η组样本集，取出其中的一组样 本集为验证集，用剩下的样本集作为训练集来设计预测模型，设兑为验证集通过预测模型 得到的估计值，计算出相应验证集的预测误差E1 ; 3. 3)、再把步骤3. 2)中取出的样本集放回原训练样本中，取出另外一组样本集作为验 证集，用剩下的样本集作为训练集来设计预测模型，同理计算相应的预测误差为E2 ; 3. 4)、重复设计模型η次，计算出相应验证集的预测误差为EpΕ2、Ε3···En ; 3. 5)、将各个相应验证集的预测误差求和： MSE = ±Ej(式2) 7=1 式2中，Ej为对应验证集的预测误差值； 3. 6)、参数选择问题转化为优化问题： MinimizeMSE Subjecttoδr ^ Y1 ^ (式 3); 3. 7)、采用量子粒子群算法来求解此优化问题，确定LSSVM的形状参数δ和惩罚系数 Y; 4) 、计算可靠度： 4.1) 、按照随机变量各自的概率分布生成随机抽样点：首先在区间（0，1)内产生均匀 分布的随机数，然后再变换成给定分布的随机数； 4. 2)、将随机抽样点送入训练好的LSSVM，得到对应的输出量λ; 4. 3)、设随机抽样点总个数为Ν，统计其中失效的个数为Nf，则结构的失效概率为Pf = Nf/N； 4. 4)、根据失效概率与可靠度间的关系，即可计算得结构的可靠度指标。2. 根据权利要求1所述的，其特征在于：步骤3)中， 验证集的预测误差Ej计算公式为： m1 Ej_λΙ (式 4) 式4中，m为每一组样本个数，yi为计算输出值，兑为模型估计值。3. 根据权利要求1所述的，其特征在于：步骤4. 1) 中，采用乘同余法在区间（〇，1)内产生均匀分布的随机数。【文档编号】G06F19/00GK104318121SQ201410623520【公开日】2015年1月28日 申请日期:2014年11月7日 优先权日:2014年11月7日 【专利技术者】汪莹鹤, 赵新益, 曾长贤, 刘庆辉, 陈世刚, 管海涛, 杨松, 蒋道君 申请人:中铁第四勘察设计院集团有限公司本文档来自技高网...

【技术保护点】
一种路基稳定可靠度的计算方法，其特征在于，它包括以下步骤：1)、分析实际问题，确定随机变量(设随机变量的个数为N)，确定计算模式与计算方法，建立极限状态方程Z；2)、采用正交试验设计方法提供有代表性的训练样本：2.1)、在随机变量的3σ范围内选择并进行N因素五水平正交试验设计选择训练样本；2.2)、对训练样本进行尺度变换，使得各随机变量在训练中具有相同的地位；xi′=xi-μiσi]]>       (式1)式1中：xi为随机变量x的第i个样本，x′i为尺度变换以后的样本，μi和σi分别为随机变量的均值及其方差；2.3)、利用步骤1)中建立的极限状态方程计算出训练样本本xi对应的计算结果yi(Z＞0输出1；Z≤0输出‑1)；3)、采用LSSVM建立样本输入值与输出值之间的映射关系，采用量子粒子群算法对LSSVM参数进行优化：3.1)、确定LSSVM形状参数δ和惩罚系数γ的取值范围，然后将取值范围变换到[0,1]区间；3.2)、将整个尺度变换后的训练样本x′i随机的分成n组样本集，取出其中的一组样本集为验证集，用剩下的样本集作为训练集来设计预测模型，设为验证集通过预测模型得到的估计值，计算出相应验证集的预测误差E1；3.3)、再把步骤3.2)中取出的样本集放回原训练样本中，取出另外一组样本集作为验证集，用剩下的样本集作为训练集来设计预测模型，同理计算相应的预测误差为E2；3.4)、重复设计模型n次，计算出相应验证集的预测误差为E1、E2、E3…En；3.5)、将各个相应验证集的预测误差求和：MSE=Σj=1nEj]]>         (式2)式2中，Ej为对应验证集的预测误差值；3.6)、参数选择问题转化为优化问题：Minimize MSESubject to δ′∈[0,1] γ′∈[0,1]             (式3)；3.7)、采用量子粒子群算法来求解此优化问题，确定LSSVM的形状参数δ和惩罚系数γ；4)、计算可靠度：4.1)、按照随机变量各自的概率分布生成随机抽样点：首先在区间(0，1)内产生均匀分布的随机数，然后再变换成给定分布的随机数；4.2)、将随机抽样点送入训练好的LSSVM，得到对应的输出量；4.3)、设随机抽样点总个数为N，统计其中失效的个数为Nf，则结构的失效概率为Pf＝Nf/N；4.4)、根据失效概率与可靠度间的关系，即可计算得结构的可靠度指标。...

【技术特征摘要】

【专利技术属性】
技术研发人员：汪莹鹤，赵新益，曾长贤，刘庆辉，陈世刚，管海涛，杨松，蒋道君，
申请(专利权)人：中铁第四勘察设计院集团有限公司，
类型：发明
国别省市：湖北;42