第 ３３ 卷第 １２ 期 铁 　　 道 　　 学 　　 报 Ｖｏｌ．３３　 Ｎｏ．

１２
２　０　 １ 年 １２ 月
１　 ＪＯＵＲＮＡＬ　
ＯＦ　
ＴＨＥ　ＣＨＩＮＡ　 ＲＡＩＬＷＡＹ　
ＳＯＣＩＥＴＹ Ｄｅ
ｃ ｅｍｂｅｒ
　２０１１

文章编号：
１００１－８３６０（
２０１１）
１２－０１０１－０６

隧道围岩变形预测的进化高斯过程回归模型
刘开云１， 方 　 昱１，２， 刘保国１， 徐 　 冲１
１．北京交通大学 土木建筑工程学院，北京 　１０００４４；２．安徽省高速公路控股集团有限公司，安徽 合肥 　２３００５１）
（

摘 　 要：隧道施工围岩变形预测是关系到隧道施工安全和工程质量的关键，至今已出现多种预测 模 型，但 也 存 在
ＧＰＲ）引入隧道施工围岩变形预测以克服现有模型存在的问 题，针 对 目 前 采 用
各种问题。本文将高斯过程回归（
共轭梯度法获得 ＧＰＲ 模型最优超参数的缺陷，将十进制 遗 传 算 法 （
ＧＡ）与 高 斯 过 程 回 归 算 法 相 耦 合，采 用 遗 传
算法在训练过程中自动搜索 ＧＰＲ 模型最优超参数，形成 ＧＡ－ＧＰＲ 算 法，并 编 制 相 应 的 计 算 程 序。 为 了 对 比，采
用遗传算法与支持向量回归（
ＳＶＲ）算法相耦合，形成 ＧＡ－ＳＶＲ 算法，将 这 两 种 算 法 程 序 应 用 于 黄 榜 岭 隧 道 施 工
围岩变形预测。计算结果对比表明：本文提出的进化高斯 过 程 回 归 算 法 明 显 提 高 了 预 测 精 度 ，并 为 类 似 工 程 提
供借鉴。
关键词：隧道工程；变形预测；高斯过程回归；遗传算法；智能模型
中图分类号： ２　　 文献标志码：Ａ　　ｄｏ
Ｕ４５１． ｉ： ３９６９／
１０． ｊ．ｉ
ｓｓｎ．
１００１－８３６０．
２０１１．
１２．
０１７

Ｉ
ｎｔｅ
ｌｌｉ
ｇｅｎ
ｔ　Ｄｅ
ｆｏｒｍａ
ｔｉｏｎ　
Ｐｒｅ
ｄｉｃ
ｔｉｏｎ　
Ｍｏｄ
ｅｌｏ
　ｆ　
Ｔｕｎｎｅ
ｌ　Ｓｕ
ｒｒｏｕｎｄ
ｉｎｇ　
Ｒｏｃｋ
Ｂａ
ｓｅｄ　
ｏｎ　
Ｇｅｎｅ
ｔｉｃ－Ｇａｕ
ｓｓｉ
ａｎ　
Ｐｒｏ
ｃｅｓ
ｓ　Ｒｅ
ｇｒｅ
ｓｓｉ
ｏｎ　
Ｃｏｕｐ
ｌｉｎｇ　
Ａｌｏ
ｇｒｉ
ｔｈｍ
，
ＬＩＵ　
Ｋａｉ－ｙｕｎ１ ，ＦＡＮＧ　
Ｙｕ１ ２ ，ＬＩＵ　
Ｂａｏ－ｇｕｏ１ ，ＸＵ　
Ｃｈｏｎｇ１
（
１．Ｓｃｈｏｏ
ｌ　ｏ
ｆ　Ｃ
ｉｖｉ
ｌ　Ｅｎｇ
ｉｎｅ
ｅｒｎｇ，Ｂｅ
ｉ ｉｉ
ｊｎｇ　
Ｊｉａｏ
ｔｏｎｇ　
Ｕｎｉ
ｖｅｒ
ｓｉｙ，Ｂｅ
ｔ ｉｉ
ｊ １０００４４，Ｃｈ
ｎｇ　 ｉｎａ；
２．Ａｎｈｕ
ｉ　Ｅｘｐ
ｒｅｓ
ｓｗａｙ　
Ｈｏｌ
ｄｉｎｇ　
Ｇｒ Ｃｏ．，Ｌｔ
ｏｕｐ　 ｄ．Ｈｅ
ｆｅｉ
　２３００５１，Ｃｈ
ｉｎａ）

Ａｂｓ
ｔｒａｔ：
ｃ Ｄｅｆｏ
ｒｍａｔｉ
ｏｎ　ｐｒ
ｅｄｉｃ
ｔｉｏｎ　
ｏｆ　ｓｕｒ
ｒｏｕｎｄｉｎｇ　
ｒｏｃｋ
　ｉｓ
　ｔｈｅ　ｋｅｙ
　ｔ ｇｕａ
ｏ　 ｒ
ａｎｔｅｅ　ｃｏｎｓ
ｔｒｕｃｔ
ｉｏｎ　
ｓａｆｅｔ
ｙ　ａｎｄ　ｑｕａｌ
ｉｔｙ．Ｂｙ
ｎｏｗ，ｔ
ｈｅｒｅ　
ｈａｖｅｅｍｅ
　 ｒ
ｇｅｄ　ｍａｎｙ　ｋｉｎｄｓ　ｏｆ
　ｐｒ
ｅｄ ｉ
ｃｔｉ
ｏｎ　ｍｏｄｅｌｓ．ｈｏｗｅｖｅｒ，ｖａ
ｒｉｏｕｓ　ｐｒｏｂ
ｌｅｍｓ　ｈａｖｅ　ｂｅｅｎｆ
　 ｏｕｎｄ　ｗｉ
ｔｈ
ｔｈｅｍ．Ｔｈｅ　Ｇａｕｓｓｉ
ａｎ　Ｐｒｏｃ
ｅｓｓ（ＧＰ）ｈｏｌ
ｄｓ　ｍａｎｙ　ａｄｖａｎｔａｇｅｓｓｕｃｈ　
　 ａｓｅ
　ａｓｙ　
ｐｒｏｇｒ
ａｍｍｉ ｎｇ，ｓｅ
ｌｆ－ａｄａｐｔ
ｉｖｅａ
　ｃｑｕ
ｉｓｉ
ｔｉｏｎ　
ｏｆ
ｈｙｐｅｒ　
ｐａｒ
ａｍｅ ｔｅ
ｒｓ　ａｎｄ　ｐｒｅｄ
ｉｃｔ
ｉｏｎ　ｗｉ
ｔｈ　ｐｒｏｂａｂｉｌ
ｉｔ　ｉ
ｙ ｎｔ
ｅｒｐｒｅ
ｔａｔ
ｉｏｎ．Ｔｈｅ　Ｇａｕｓｓ
ｉａｎ　ｐｒ
ｏｃｅｓｓ 　ｒ
ｅｇｒｅｓ
ｓｉｏｎ（ＧＰＲ） ｉｓ
ｉｎｔ
ｒｏｄｕｃｅｄ　ｔ
ｏ　 ｐｒ
ｅｄｉｃ
ｔ　ｄｅ
ｆｏｒｍａｔ
ｉｏｎ　ｏ
ｆ　ｓｕｒｒｏｕｎｄｉ
ｎｇ　
ｒｏｃｋ．Ｐｒｅ
ｓ ｅｎ
ｔｌｙ，ｔｈｅ　
ｈｙｐｅｒ　
ｐａｒａｍｅｔｅ
ｒｓｏ
　ｆ　
ＧＰＲ　ａ
ｒｅ　
ｇｏｔ
　ｂｙ　ｍａｘ－
ｉｍｉｚｉ
ｎｇｔ
　 ｈｅ
　ｌｉｋｅｌ
ｉｈｏｏｄ　ｆ
ｕｎｃｔ
ｉｏｎ　ｏ
ｆ　ｔｒａｉｎ
ｉｎｇ　ｓａｍｐｌ
ｅｓ　ｂａ
ｓｅｄ　ｏｎ　ｔｈｅ
　ｃｏｎｊｕｇａ
ｔｅ　ｇｒ
ａｄｉｅｎ
ｔ　ａｌ
ｇｏｒ
ｉｔｈｍ．Ｈｏｗｅｖｅｒ，ｔｈｅ
ｃｏｎ
ｊｕｇａ
ｔｅ　
ｇｒａｄ
ｉｅｎ
ｔ　ａ
ｌｇｏ
ｒｉｔ
ｈｍ　
ｈａｓ
　ｔｈｅ
　ｓｈｏ
ｒｔｃｏｍｉ
ｎｇｓ　
ｏｆｔ
　ｏｏ　
ｓｔｒ
ｏｎｇ　
ｄｅｐｅｎｄｅｎｃ
ｅ　ｏｎ
　ｔｈｅ
　ｉｎ
ｉｔｉ
ａｌｖａ
　 ｌ
ｕｅｉ
　ｎ　
ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ，
ｄｉ
ｆｆｉ
ｃｕｌ
ｔ　ｄｅｔ
ｅｒｍｉｎａ
ｔｉｏｎ　
ｏｆｉ
　ｔｅｒ
ａｔｉ
ｏｎ　
ｓｔｅｐｓ
　ａｎｄ　ｅａｓｙ
　ｆａｌ
ｌｉｎｇ
　ｉｎ
ｔｏ　ｔｈｅ
　ｌｏｃａ
ｌ　ｏｐｔ
ｉｍｕｍ．Ａｉｍｉ ｎｇ　ａｔ
　ｏｖｅｒｃｏｍｉｎｇｔ
　 ｈｏｓｅ
ｓｈｏｒ
ｔｃｏｍｉｎｇｓ，
ｔｈｅ　
ｇｅｎｅｔｉ
ｃ　ａ
ｌｇｏｒｉ
ｔｈｍ（ＧＡ） ｃｏｄｅｄ
　ｉｎｔ
　ｈｅ　ｄｅ
ｃｉｍａｌ
　ｓｙｓｔｅｍ　ｗａｓ　
ｕｓｅｄ
　ｔｏ　
ｓｅａ
ｒｃｈ　ｔ
ｈｅ　ｏｐｔ
ｉｍａ ｌ
　ｈｙｐｅｒ　ｐａ－
ｒ
ａｍｅ
ｔｅｒ
ｓ　ｏ
ｆ　ＧＰＲ　
ａｕｔ
ｏｍａ
ｔｉｃ
ａｌｌ
ｙ　ｉ
ｎ　ｔ
ｈｅｔ
　ｒａ
ｉｎｉ ｐｒ
ｎｇ　 ｏｃ
ｅｓｓ
　ｓｏ　
ａｓｔ
　ｏｆ
　ｏｒｍ　
ｔｈｅ　
ＧＡ－ＧＰＲ　
ａｌｇｏ
ｒｉｈｍ，
ｔ ａｎｄ
　ｔｈｅ
　ｃｏ
ｒｒｅ－
ｓｐｏｎｄ
ｉｎｇ　
ｃｏｄｅ
ｓ　ｗｅ
ｒｅ　
ｐｒｏｇ
ｒａｍｍｅｄ
　ｉｎ　
ＭＡＴＬＡＢ．Ｔｈｅ　
ｇｅｎｅ
ｔｉｃ
　ａｌ
ｇｏｒ
ｉｔｈｍ　
ｗａｓ
　ｃｏｕｐ
ｌｅｄ　
ｗｉｔ
ｈ　ｔ
ｈｅｓｕｐｐｏ
　 ｒｔｖｅ
　 ｃ
ｔｏｒ
　ｒｅ－
ｒ
ｇｅｓ
ｓｉｏｎ　
ａｌｇｏ
ｒｉｔ
ｈｍ　
ｔｏｆ
　ｏｒｍ　
ｔｈｅ　
ＧＡ－ＳＶＲ　
ａｌｇｏ
ｒｉｔ
ｈｍ．
Ｂｏｔ
ｈ　ｔ
ｈｅ　
ＧＡ－ＧＲ　
ａｎｄ　
ＧＡ－ＳＶＲ　
ａｌｇｏ
ｒｉｔ
ｈｍｓ　
ｗｅｒ
ｅ　ａｐｐ
ｌｉｅｄ
　ｉｎ
ｓｕｒ
ｒｏｕｎｄ
ｉ ｒ
ｎｇ　ｏｃｋ　
ｄｅｆ
ｏｒｍａ
ｔｉｏｎ　
ｐｒｅｄ
ｉｃｔ
ｉ ｏ
ｏｎ　ｆｔ
　ｈｅ　
Ｈｕａｎｇｂａｎｇ
ｌｉｎｇ　
Ｔｕｎｎｅ
ｌ．Ｉ
ｔ　ｉ
ｓ　ｃｏｎｃ
ｌｕｄｅｄ
　ｔｈｒ
ｏｕｇｈ　
ｃｏｍｐａ
ｒｉｓｏｎ
　ｔｈａ
ｔ
ｔ
ｈｅ　
ＧＡ－ＧＰＲ　
ａｌｇｏ
ｒｉｔ
ｈｍ　
ｉｍｐｒ
ｏｖｅ
ｓ　ｐｒ
ｅｃｉ
ｓｉ ｏ
ｏｎ　ｆｄｅ
　 ｆ
ｏｒｍａ
ｔｉｏｎ　
ｐｒｅｄ
ｉｃｔ
ｉ ｏ
ｏｎ　ｆｔ
　ｕｎｎｅ
ｌ　ｓｕｒ
ｒｏｕｎｄ
ｉｎｇ　
ｒｏｃｋ　
ｏｂｖ
ｉｏｕｓ
ｌ ａｎｄ
ｙ　
ｓｏ
　ｉｔ
　ｐｒｏｖｉｄｅｓｒ
　ｅｆ
ｅｒ ｅｎｃ
ｅ ｆ
　ｏｒｓ
　ｉｍｉ
ｌａｒ
　ｅｎｇｉ
ｎｅｅｒｉ
ｎｇ　ｐｒｏ
ｊｅｃｔｓ．
Ｋｅｙ　ｗｏ
ｒ ｓ：
ｄ ｔ
ｕｎｎｅｌ　ｅｎｇｉｎｅｅｒ
ｉｎｇ；ｄｅｆｏｒｍａｔ
ｉｏｎ　
ｐｒｅｄｉ
ｃｔｉｏｎ；ｇａｕｓ
ｓｉａｎ　
ｐｒｏｃ
ｅｓｓ
　ｒｅｇ
ｒｅｓ
ｓｉｏｎ；ｇｅｎｅ
ｔｉｃ
　ａｌ
ｇｏｒ
ｉｔｈｍ；ｉ
ｎｔｅ
ｌｌｉ－
ｇｅｎ
ｔ　ｍｏｄｅ
ｌ

收稿日期： ２０１０－０３－１７；修回日期：２０１０－０７－２７
基金项目：中央高校基本科研业务费项目（ ２０１１ＪＢＭ２６７）
作者简介：刘开云（ １９７１—），男，安徽青阳人，副教授，博士。 　　 隧道工程由于赋存环境和材料自身构造上的极度
Ｅ－ｍａ
ｉｌ：
ｋｙｌ
ｉｕ３１０＠１２６． ｃ
ｏｍ
１０２ 铁 　　 道 　　 学 　　 报 第 ３３ 卷

非线性、复杂性，至今 仍 然 没 有 一 个 既 满 足 工 程 要 求、 都有着联合高斯分 布 的 特 性，即 任 意 一 组 随 机 变 量｛

ｘｉ
同时又被广泛接受的应力或应变计算理论。故新奥法 ∈Ｘ， ｎ｝与 其 对 应 的 过 程 状 态 ｛
ｉ＝１，…， Ｙ（ｘ１ ），…，
要求在隧道工程中加 强 施 工 期 围 岩 变 形 监 测，一 方 面 ｘｎ）｝的联合概率分布服从 ｎ 维高斯分布。从函数空
Ｙ（
可以及时掌握围岩和 支 护 的 动 态 变 化 情 况，对 围 岩 和 间的视角看，高斯过程的全部统计特征完全由它的均值
支护结构的稳定性做 出 及 时 评 价，并 以 此 考 虑 是 否 变 μ（ｘ）＝Ｅ［
Ｙ（ｘ）］和协方差函数 Ｃ（ ｘ，ｘ′）＝Ｅ［（ Ｙ（ｘ）－μ
′））］来 确 定 ，故 高 斯 过 程 可 定 义
［
７－９］
更施工方法和支护设计；另一方面，通过对变形时序的 （ｘ））（
Ｙ（′）－μ（
ｘ ｘ
分析，可以预测未来围岩变形发展，以便提前做好相应 如下
的应对措施，防患于未然。 ｆ（
ｘ）～ＧＰ（
μ（ｘ），
Ｃ（ｘ，
ｘ′）） （１ ）
文献［
１］采用灰色系统预测隧道围岩变形量，但灰 式中：ｘ，′∈Ｘ 是任意随机变量。
ｘ
色系统要求累加生 成 的 新 数 据 序 列 具 有 灰 指 数 规 律， １　 高斯过程预测
１．
且建模用的数据序列 要 求 是 非 负 的，这 些 都 限 制 了 灰 将数据集 Ｄ＝ ｛（
ｘｉ，
ｔｉ）， ｎ｝作为高斯模型的
ｉ＝１，…，
色系统方法在岩土工程变形预测中的应用。 训练集，假设观察目标ｔ 被噪声腐蚀，它 与 真 实 输 出 值
人工神经元网络 具 有 强 大 的 自 学 习、自 适 应 和 非 相差ε，则高斯噪声模型为
线性映射能力，可以 用 来 构 建 具 有 强 非 线 性 关 系 的 围 ｔｉ＝ｆ（
ｘｉ）＋εｉ　１， ｎ　Ｒｄ →Ｒ
ｉ＝１，…， （２ ）
岩时程变形模型。实 践 证 明，将 人 工 神 经 网 络 应 用 于 式中：
ｘ ∈Ｘ 是 ｄ 维输入矢量；
ｉ
ｔ 为输出标量；
ｉ
ε为独立
隧道工程围岩变形预测可以取得优越于其他确定性方 的随机变量，符合高斯分布，
ε～Ｎ（
０， σｎ 表示噪声的
σｎ ），
２

法的结果 ［２－３］。但神经网络基于经验风险最小化准则， 方差。

存在大样本、过 学 习、推 广 能 力 较 差 和 局 部 优 化 的 缺 在贝叶斯线性回归 ｆ（
ｘ）＝（
ｘ）Ｔ
ｗ 框架下，采用参
点。基于统 计 学 习 理 论 的 支 持 向 量 机 算 法 具 有 小 样 数向量 ｗ 的随机分布为 ｗ～Ｎ（
０，σｎ ），再由式（１ ）得观
２

本、全局优化和推广性能好的优点，恰好弥补了神经网 测目标值ｔ的先验分布为
络的不足，近年 在 隧 道 工 程 中 得 到 了 广 泛 应 用 ［
，但
４－５］ ｔ～Ｎ（
０，Ｑ＝Ｃ＋σｎＩ）
２
（３ ）
文献［
６］指出支持 向 量 机 本 身 也 存 在 着 如 何 采 取 适 当 式中：
Ｉ 为单位矩阵。
惩罚函数来防止过拟 合、核 参 数 选 择 以 及 其 估 计 输 出 由式（３ ）推出训练样本输出ｔ 和测试样本输出ｔ＊
不具有概率意义，在变形空间被拉长或不对称等问题。 所形成的联合高斯先验分布为
高斯过程 （ ｓ，简称 ＧＰ）是 近 年 来 ｔ Ｃ（
Ｘ，Ｘ）＋σｎＩ　　Ｃ（
２
Ｘ，ｘ＊ ）燄烌
Ｇａｕｓ
ｓｉａｎ　
Ｐｒｏｃ
ｅｓ
基于统计学理论发展 而 来 的 一 种 全 新 学 习 机，它 对 处
［］
ｔ＊
烄 熿
～Ｎ ０，
烆 燀Ｃ（
Ｘ，ｘ＊ ） Ｃ（
ｘ＊ ，
ｘ＊ ）
燅烎
理高维数、小样本、非线性等复杂分类和回归问题具有 （４ ）
很好的适应 性，且 泛 化 能 力 强，在 不 牺 牲 性 能 的 条 件 式中：
Ｃ（ Ｘ）为 ｎ×ｎ 阶对称正定的协方差矩阵，其任
Ｘ，
下，与人工神经网络 和 支 持 向 量 机 相 比 有 着 容 易 实 现 意项ｃ 度量了ｘｉ 和ｘｊ 的相关性；
ｉ
ｊ
Ｃ（ ｘ＊ ）是测试ｘ＊ 与
Ｘ，
的特点；同时，其超参数可通过自适应方法得到，有着灵 训练集的所有输入点 Ｘ 的 ｎ×１ 阶协方差矩阵；
Ｃ（ｘ＊ ，
活的非参数推断和预测输出的概率解释，是一个具有概 ｘ＊ ）是测试点ｘ＊ 自身的协方差。
率意义的核学习机 ［７－９］。苏国韶将高斯过程回归算法应 在给定测试点ｘ＊ 和训练集 Ｄ 的条件下，贝叶斯概
用于基坑位移时间序列分析，取得了远优于灰色系统的 率预测的目标是计 算 出 （ ｘ＊ ）。根 据 贝 叶 斯 后
ｔ＊｜Ｄ，
预测效果，证明了该算法在岩土工程领域应用的高效性 验概率公式得
和可行性 ［
１０］
。迄今对高斯过程最优超参数的选择仍采 （ ｘ＊ ，
ｔ＊｜ Ｄ）～Ｎ（
μｔ＊ ，
σｔ＊ ）
２
（５ ）
用共轭梯度 法，但 共 轭 梯 度 法 存 在 优 化 效 果 依 赖 于 初 式中：
ｔ 的期望和方差分别为
＊

值、迭代次数难以确定和局部优化的弊端，这使得该算 μｔ＊ ＝Ｃ（

ｘ＊ ，
Ｘ）Ｃ（
Ｘ，Ｘ）＋σｎ
Ｉ）－１ｔ
２
（６ ）
法的优秀性能得不到最大程度的发挥 ［
７－９］
。本文将遗传 σ ＝Ｃ（
２＊
ｔ ｘ ，ｘ ）－Ｃ （
＊
ｘ ，
＊
Ｘ）（
Ｃ（Ｘ，
Ｘ）＋Ｔ ＊

算法引入高斯过程回归超参数的最优化搜索，以克服共 σｎＩ） Ｃ（
２ －１　
ｘ ，
＊
Ｘ） （７ ）
轭梯度法的上述弊端，并将其应用于黄榜岭隧道围岩变 ２　 高斯过程训练
１．
形时间序列的分析与预测，以验证这种进化高斯过程回 由于 ＧＰ 方法中协方差函数在有限输入点集上要求
归耦合算法在隧道工程围岩变形预测应用的效果。 且是一个满足 Ｍｅ
是正定的， ｒｃｒ条件的对称函数，
ｅ 故协方
差函数等价于核函数，
式（６ ）可改写成如下形式
１　 高斯过程及其回归算法 ｎ

ｘｉ，
μｔ＊ ＝ ∑αｉＣ（ ｘ＊ ） （８ ）
高斯过程又称正态随机过程，其任意有限变量集合 ｉ＝１
第 １２ 期 隧道围岩变形预测的进化高斯过程回归模型 １０３

式中：
αｉ＝ （
Ｃ（Ｘ，
Ｘ）＋σｎ
Ｉ）－１ｔ。
２
化结果不依赖于初始 值 和 隐 含 并 行 搜 索 的 特 点，迄 今
预测值的均值是核函数 Ｃ 的线性组合，可将非线 已被广泛地应用于求解带有多参数、多变量、多目标和
性关系的数据映射到 特 征 空 间 后 转 换 为 线 性 关 系，从 在多区域 但 连 通 性 较 差 的 ＮＰ－ｈａ
ｒｄ 优 化 问 题 并 取 得
而使复杂非线性问题转化为容易处理的线性问题。高 了良好的应用效果，为了克服共轭梯度法的这一缺陷，
斯过程核函 数 可 分 为 各 项 同 性 （
Ｉｓｏ
ｔｒｏｐ
ｉｃ，简 称 ＩＳＯ） 在此引入十进制遗传算法在样本训练过程中自动搜索
及 自 动 相 关 性 测 定 （Ａｕ
ｔｏｍａ
ｔｉｃ
　ｒｅ
ｌｅｖａｎｃ
ｅ　ｄｅ
ｔｅｒｍｉ
ｎａ－ 最优超参数，形 成 进 化 高 斯 过 程 回 归 （
ＧＡ－ＧＰＲ）耦 合
ｔ
ｉｏｎ，简称 ＡＲＤ）两类。本文采用如下３ 种单一协方差 算法，其流程图见图 １。该算法的计算流程如下：
函数 ［７］：
（１ ）平方指数协方差函数（ ｒｄ）
ＳＥａ
ｘｉ，
（ ｘｊ）
Ｔ　
Ｍ（ｘｉ－ｘｊ）
ｘｉ，
ＣＳＥ （ ｘｊ）＝σ２
ｆｅｘｐ － ［ ２ ］ ２ ｉ
δｊ
＋σｎ

（９ ）
（２ ）有理二次协方差函数（ ｒｄ）
ＲＱａ
ｘｉ，
ＣＲＱ （ ｘｊ）＝
ｘｉ－ｘｊ）
（ Ｔ　
ｘｉ－ｘｊ） －α ２ ｉｊ
Ｍ（
２
［
σｆ １＋
２α ］＋σｎδ （
１０）

（３ ）Ｍａ
ｔｅｒｎ
ｉｓｏ 协方差函数
ｘｉ，
ＣＭ （ ｆ（
ｘｊ）＝σ２ ｘｉ－ｘｊ）
３· 槡（ ｘｉ－ｘｊ）·
Ｍ（
Ｔ　
ｅ＋槡
ｅｘｐ（－槡 ｘｉ－ｘｊ）
３· 槡（ Ｔ　
ｘｉ－ｘｊ ）＋σｎδ （
Ｍ（
２ ｉ
ｊ
１１）
式中：令θ＝ （｛
Ｍ ｝， σｎ ）是 包 含 所 有 超 参 数 的 向 量；
σｆ ，
２ ２

Ｍ ｝＝ｄ
｛ ｉ ｅ－２）表示超参数的对角矩阵；参数σ２
ａｇ（ ｆ 为核

函数的信号方差，用来控制 局 部 相 关 性 的 程 度；
ｅ为关
联性测定超参数，其值越大，表示输入与输出相关性越
小；
α 为核函数的形状参数； σｎ 表示噪声的方差。
ＡＲＤ 型核函数和 ＩＳＯ 型 核 函 数 在 形 式 上 是 一 致
图 １　 进化高斯过程回归耦合算法流程图
的，区别在于 ＡＲＤ 型核函数的超参数ｅ 的维数与输入
第 １ 步 　 将 训 练 样 本 分 为 两 部 分，一 部 分 作 为
变量 Ｘ 的维数相同，即对输入变量 Ｘ 的任一分量ｘｉ，
ｅ
都有一个分量ｅｉ 与之对应；而对ＩＳＯ 型核函数， ＧＡ－ＧＰＲ 网络的学习样 本，另 一 部 分 作 为 检 验 网 络 训
ｅ 不随
练能力的测试样本。
输入变量维数而改变，始终是一个一维标量，即认为所
第 ２ 步 　 遗传算法 初 始 化，随 机 生 成 种 群 规 模 为
有输入与输出的相关性是相同的 ［７］。
采用共轭梯度法，通 过 对 训 练 样 本 的 对 数 似 然 函 Ｎｐ 的 ＧＰＲ 网络超参数的初始群体，计数器记 ｇ＝０。
第 ３ 步 　ＧＰＲ 算法读入训练样本和测试样 本，同
数（式（１２ ））的极大化获得最优超参数θ［７］。
时读入初始群体中的 各 个 体 网 络 超 参 数，进 行 网 络 训
ｇ［ （
Ｌ＝ｌ θ）］＝
ｔ｜Ｘ，
练和预测。
１ １ ｎ （ ） （
－ ｔＴＱ－１ｔ－ ｌｇ｜Ｑ｜－ ｌｇ ２π １２） 第 ４ 步 　 各个体的预测结果传给遗传算法，
由遗传算
２ ２ ２
１ （ Ｔ 法的适应函数计算每个个体的适应度，
进行适应度评价。
 ［ （ ，）
θｉ

ｌ ｜Ｘ θ ］＝ ｔ
ｇ ｔ
２ ［
Ｑ
ｒ αα －Ｑ－１）
θｉ ］ （
１３）
第 ５ 步 　 判断是否 达 到 预 先 指 定 的 进 化 代 数，如
达到，算法结束，返回 当 前 适 应 度 最 高 的 个 体，解 码 得
２　 进化高斯过程回归耦合算法
到最优超参数；如未达到进化代数，进入下一步。
现有高斯过程回 归 研 究 文 献，都 是 通 过 采 用 共 轭 第 ６ 步 　 选择算子选择初始群体中适应度较高的个
梯度法求取训练样本的对数 似 然 （式（１２ ））的 极 大 值 体，
进行杂交和变异操作，
生成个体数为 Ｎｐ 的 ＧＰＲ 网络
获得最优超参数。但共轭梯度法存在优化效果对初值 计数器记ｇ＝ｇ＋１；
超参数的子代群体， 计算转入第３步。
的依赖性太强、迭代 次 数 难 以 确 定 和 易 陷 入 局 部 优 化 第 ７ 步 　 重复第 ３ 步 ～ 第 ６ 步，直到达到指定的进
的缺点，实际应用 效 果 通 常 并 不 理 想。 遗 传 算 法 作 为 化代数，
算法结束，
返回最优 ＧＰＲ 网络超参数。
一种仿生全局最优化 算 法 具 有 目 标 函 数 不 必 可 微、优 十进制遗传算法采用排队选择算子、算术杂交和非
 １０４ 铁 　　 道 　　 学 　　 报 第 ３３ 卷

均匀变异。遗传算法的种群规模为 ２
０，杂交概率 ０．
９，变 理裂隙及风化裂隙极为发育，岩体呈角砾状松散结构，
异概率０．
０ 进化１
５， ００代，
适应度函数如下 岩石极破碎，洞身段有一汇水山体沟谷，洞内有潮湿感
或滴水现象，降雨时可能会喷水或涌水从而降低围岩的
ｇ（
ｘ）＝ｅ
ｘｐ －０．
０ ｛
５×ｍａ
ｘ ［｜ｆ（ｘｙ）－ｙ｜×１００％］｝
ｉ

ｉ
ｉ

稳定性，开挖时拱部无支护宜塌落，侧壁有时会失稳，处
（
１４） 理不当会导致大塌落。此外，本隧道围岩倾角小，近似
式中： ｘｉ）表示训练时第ｉ 个测试样本的 ＧＰＲ 预测值；
ｆ（ 于水平成层状，开挖后拱部易塌落。为保证施工安全，
ｙｉ 表示训练时第ｉ个测试样本的实测值。 施工期间应加强围岩变形监测工作。现以洞 身段中导
洞施工期间任意监测断面 Ｋ１８１＋８０５ 实测拱顶下沉数
３　基于进化高斯过程回归耦合算法的隧道施
据为例，采用进化高斯过程回归算法进行隧道施工期间
工围岩变形预测
的围岩变形预测。该断面实测拱顶下沉数据见表 １。
１　滚动预测法
３．
表 １　 黄榜岭隧道 Ｋ１８１＋８０５ 断面实测拱顶下沉
滚动预测的基本思想是假设要对变形序列｛ ｙｉ｝进
ｘｉ，
监测时间／ 拱顶下沉／ 监测时间／ 拱顶下沉／
行预测，
最佳历史点数为 Ｐ，预测的步数为ｔ；已经获得前 ｄ ｍｍ ｄ ｍｍ

ｋ 天的变形时间序列｛
ｘｉ，
ｙｉ｝（ ｋ－１），取其中前 ｐ
ｉ＝０，…， ０．００　 ０．
００　 ２３．
００　 ４．
５３
１．００　 ０．
１０　 ２４．
００　 ４．
４７
天的变形时间序列作为初次模型训练的学习样本，剩下 ２．００　 ０．
１６　 ２５．
００　 ４．
５３
的（
ｋ－ｐ）天变形时间序列｛
ｘｉ，
ｙｉ｝（ ｋ－１）作为初
ｉ＝ｐ，…， ３．００　 ０．
１９　 ２６．
００　 ４．
６３
４．００　 ０．
７８　 ２７．
００　 ４．
６４
次训练的测试样本，训练完成后，对其后ｔ天的变形进行 ５．００　 ０．
９０　 ２８．
００　 ４．
６６
一次预测。然后将实测变形时间序列｛ ｘｉ，ｙｉ｝（
ｉ＝ｐ，…，
ｋ ６．００　 １．
５３　 ２９．
００　 ４．
６８
７．００　 １．
７７　 ３０．
００　 ４．
６９
＋ｔ－１ 的前ｔ天的变形时间序列｛
） ， ｝（
ｘｉ ｙｉ ｉ＝ｐ ，…，
ｐ＋ｔ－ ８．００　 ２．
１６　 ３１．
００　 ４．
６７
１）加入初次训练的学习样本，并将原学习样本的前ｔ天 ９．００　 ２．
４１　 ３２．
００　 ４．
７３
１０．００　 ２．
５０　 ３３．
００　 ４．
８３
的变形时间序列去掉，即第 ２ 次模型训练的学习样本为
１１．００　 ２．
４５　 ３４．
００　 ４．
８８
｛ｘｉ，
ｙｉ｝（ ｐ＋ｔ－１），而将实测变形时间序列｛
ｉ＝ｔ，…， ｘｉ， １２．００　 ３．
０３　 ３５．
００　 ４．
９１
１３．００　 ３．
６１　 ３６．
００　 ４．
８５
ｙｉ｝（
ｉ＝ｋ，…，ｋ＋ｔ－１）中剩下的（ｋ－ｐ）天的变形时间序 １４．００　 ３．
９４　 ３７．
００　 ５．
０２
列｛
ｘｉ，
ｙｉ｝（ ｋ＋ｔ－１）作为第 ２ 次模型训练的
ｉ＝ｐ＋ｔ，…， １５．００　 ４．
２０　 ３８．
００　 ４．
９３
１６．００　 ４．
２５　 ３９．
００　 ４．
９７
测试样本，然后再进行ｔ天变形的一次预测，待这ｔ天的
１７．００　 ４．
５３　 ４０．
００　 ４．
９７
实测变形获得后，按照以上步骤组成第 ３ 次模型训练的 １８．００　 ４．
４４　 ４１．
００　 ４．
９２
１９．００　 ４．
５５　 ４２．
００　 ５．
０３
学习样本和测试样本，但保持每次模型训练的学习样本
２０．００　 ４．
５０　 ４３．
００　 ５．
０１
数 ｐ 和测试样本数（
ｋ－ｐ）不变，而用最新采集得来的变 ２１．００　 ４．
５０　 ４４．
００　 ５．
０４
２２．００　 ４．
４３
形数据更新训练样本集，以使 ＧＰＲ 模型能够学习到最
近的变形发展规律。 　　 为形成对比，采 用 遗 传 算 法 与 支 持 向 量 回 归 算 法
２　 黄榜岭隧道围岩变形预测
３． 相耦合，即进化支持 向 量 回 归 算 法 进 行 完 全 同 样 的 预
黄榜岭隧道位于安徽省黄山市黄山区谭家桥镇境 测分析。取 ｋ＝１８， ｔ＝３，以 表 １ 所 示 监 测 数 据
ｐ＝１５，
内，属铜（陵）－黄（山）高速公路铜汤段，为双向四车道曲 制作历次训练的学习 样 本 和 测 试 样 本，进 化 高 斯 过 程
墙连拱隧道，隧道长约 ４２２ｍ。其中， 回归算法及进化支持向量回归算法的预测网络参数分
Ⅴ级围岩长度约为
１３２ｍ，约占总长度的 ３１．
３％ ，其余皆为Ⅳ级围岩。隧道 别见表 ２、表 ３，不同算法的预测结果见表 ４。
进出口段围岩 为 全 －强 风 化 页 岩，细 晶、薄 层 状 结 构，节
表 ２　 高斯过程回归最优超参数
监测 ＧＰＲ（
ＲＱ） ＧＰＲ（
Ｍａｔ
ｅｒｎ） ＧＰＲ（
ＳＥ）
天数 σｆ ｌ α σｎ σｆ ｌ σｎ σｆ ｌ σｎ
０～１７　 １． ８７８　６　 ０．７２３　６　 ７．５９１　 ０．
０４８　
２　 ２．
９１２　
８　 ７．６３９　６　 ０．００４　１　 １．８２７　１　 ０．
９７９　２　 ０．０９４６
３～２０　 １． ８３６　６　 ２．３７５　６　 １．９４８　７　 ０．
０１５　
６　 ２．
３３２　
６　 ０．２５２　１　 ０．０４３　３　 １．５４４　７　 ２．
０４４　９　 ０．０３２４
６～２３　 １． ９６７　８　 ０．６８３　３　 ０．４３６　３　 ０．
００７　
２　 ４．
１９７　
６　 ３．５９４　９　 ０．０２７　５　 １．５４９２　 ０．
６９３　９　 ０．０１８５
９～２６　 １． ６０３　４　 １．５７５　７　 ３．５５１　３　 ０．
０１８　
５　 ５．
８３１　
４　 ５．７１６　８　 ０．０３８　 ７．９００３　 ３．
４３４　８　 ０．０４４２
１２～２９　 ６． ４３８　１　 ６．８０５　６　 ５．６３７　 ０．
０２０　
７　 １．
７６７　
５　 ９．７６０　２　 ０．０１６　４　 ８．４０１　９　 ３．
３２７　２　 ０．００８５
１５～３２　 １０． ８７３　 ７．３４５　８　 ６．０３７　３　 ０．
０４９　
７　 ６．
５５１　
２　 ２．３７１　 ０．０３７　８　 ９．９６４　２　 ５．
８８７　２　 ０．０１６５
１８～３５　 ６． ７４８　６　 ９．８１９　４　 ２．７５３　５　 ０．
００６　
６　 ３．
４６３　
５　 ７．４７２　９　 ０．００５　３　 ６．１６９　２　 ９．０２３９　 ０．０２１
２１～３８　 ５． １６４　２　 ４．４２１　 ２．６５８　７　 ０．
０３４　
４　 ８．
６５０　
８　 ６．４９８　１　 ０．００８　３　 ５．９９４　 ６．
２４７　９　 ０．０４４　
６
２４～４１　 １０． ３１８　２　 ５．７４５７　 ８．８２８　３　 ０．
０１４　
２　 ８．
５２２　
１　 ３．９４６　１　 ０．０４２　１　 ５．７９２　 ０．
６４６　１　 ０．００４　
５
　　 注：表中各参数意义见 １．
２ 节。
第 １２ 期 隧道围岩变形预测的进化高斯过程回归模型 １０５

表 ３　 支持向量回归最优网络参数

监测天数 Ｃ σ ε 监测天数 Ｃ σ ε
０～１７　 ５６７．
７２５　 １４．
７３７　
４　 ０．
０６１　
２ １５～３２　 ６６４．
２３０　
１　 ８６７．
８１３　
２　 ０．
０１２　
７
３～２０　 ６４９．
７３１　
７　 １３．
５７４　
１　 ０．
３５２　
３ １８～３５　 ９８１．
３０２　
６　 ３８２．
２４７　 ０．
０２４　
８
６～２３　 ３９４．
６３５　
５　 ２９．
９３９　
５　 ０．
６１５　
７ ２１～３８　 ８４６．
２０３　 ３０１．
５２８　
４　 ０．
００９　
７
９～２６　 ６５２．
１８０　
３　 ５１８．
９８９　
２　 ０．
２９０　
４ ２４～４１　 ３７７．
７５６　 ３６．
７４０　
１　 ０．
０９９　
４
１２～２９　 ６３１．
７４３　
６　 ３９６．
５９４　
８　 ０．
２２０　
１

表 ４　 不同算法的预测结果

ＳＶＲ ＧＰＲ（
ＲＱ） ＧＰＲ（Ｍａ
ｔｅｎ）
ｒ ＧＰＲ（
ＳＥ） ＳＶＲ ＧＰＲ（
ＲＱ） ＧＰＲ（Ｍａ
ｔｅｎ）
ｒ ＧＰＲ（
ＳＥ）
实测拱
监测 预测拱 预测拱 预测拱 预测拱 预测相 预测相 预测相 预测相
顶下沉
天数 顶下沉 顶下沉 顶下沉 顶下沉 对误差 对误差 对误差 对误差
／ｍｍ
／ｍｍ ／ｍｍ ／ｍｍ ／ｍｍ ／％ ／％ ／％ ／％

１８　 ４．
４４　 ４．
６７　 ４．
４８　 ４．
５２　 ４．
６７　 ５．
１８　 ０．
９０　 １．
８０　 ５．
１８
１９　 ４．
５５　 ４．
８０　 ４．
３６　 ４．
５６　 ４．
６９　 ５．
４９　 ４．
１７　 ０．
２２　 ３．
０８
２０　 ４．
５０　 ４．
９０　 ４．
１３　 ４．
５７　 ４．
６０　 ８．
８９　 ８．
２２　 １．
５６　 ２．
２２
２１　 ４．
５０　 ４．
６１　 ４．
４７　 ４．
３５　 ４．
６６　 ２．
４４　 ０．
６７　 ３．
３３　 ３．
５６
２２　 ４．
４３　 ４．
６１　 ４．
４２　 ４．
２５　 ４．
７５　 ４．
０６　 ０．
２３　 ４．
０６　 ７．
２２
２３　 ４．
５３　 ４．
５８　 ４．
３４　 ４．
１９　 ４．
７７　 １．
１０　 ４．
１９　 ７．
５１　 ５．
２９
２４　 ４．
４７　 ４．
７１　 ４．
６６　 ４．
４６　 ４．
４３　 ５．
３７　 ４．
２５　 ０．
２２　 ０．
８９
２５　 ４．
５３　 ４．
７９　 ４．
７６　 ４．
４４　 ４．
３５　 ５．
７４　 ５．
０８　 １．
９９　 ３．
９７
２６　 ４．
６３　 ４．
８６　 ４．
８２　 ４．
４３　 ４．
３３　 ４．
９７　 ４．
１０　 ４．
３２　 ６．
４８
２７　 ４．
６４　 ４．
６８　 ４．
６９　 ４．
６　 ４．
６９　 ０．
８６　 １．
０８　 ０．
８６　 １．
０８
２８　 ４．
６６　 ４．
７４　 ４．
７７　 ４．
６２　 ４．
７７　 １．
７２　 ２．
３６　 ０．
８５　 ２．
３６
２９　 ４．
６８　 ４．
８１　 ４．
８４　 ４．
６４　 ４．
８５　 ２．
７８　 ３．
４２　 ０．
８５　 ３．
６３
３０　 ４．
６９　 ４．
７５　 ４．
７５　 ４．
６１　 ４．
７４　 １．
２８　 １．
２８　 １．
７１　 １．
０６
３１　 ４．
６７　 ４．
７９　 ４．
７９　 ４．
５６　 ４．
７８　 ２．
５７　 ２．
５７　 ２．
３６　 ２．
３６
３２　 ４．
７３　 ４．
８４　 ４．
８３　 ４．
５２　 ４．
８３　 ２．
３３　 ２．
１１　 ４．
４４　 ２．
１１
３３　 ４．
８３　 ４．
７２　 ４．
７２　 ４．
７３　 ４．
７３　 ２．
２８　 ２．
２８　 ２．
０７　 ２．
０７
３４　 ４．
８８　 ４．
７５　 ４．
７３　 ４．
７５　 ４．
７５　 ２．
６６　 ３．
０７　 ２．
６６　 ２．
６６
３５　 ４．
９１　 ４．
７６　 ４．
７４　 ４．
７７　 ４．
７７　 ３．
０５　 ３．
４６　 ２．
８５　 ２．
８５
３６　 ４．
８５　 ４．
７９　 ４．
８９　 ４．
９９　 ４．
８９　 １．
２４　 ０．
８２　 ２．
８８　 ０．
８２
３７　 ５．
０２　 ４．
８１　 ４．
９３　 ５．
０３　 ４．
９３　 ４．
１８　 １．
７９　 ０．
２　 １．
７９
３８　 ４．
９３　 ４．
８３　 ４．
９８　 ５．
０７　 ４．
９８　 ２．
０３　 １．
０１　 ２．
８４　 １．
００
３９　 ４．
９７　 ５．
０１　 ５．
０３　 ５．
０２　 ５．
０２　 ０．
８０　 １．
２１　 １．
０　 １．
００
４０　 ４．
９７　 ５．
０５　 ５．
０７　 ５．
０６　 ５．
０６　 １．
６１　 ２．
０１　 １．
８１　 １．
８１
４１　 ４．
９２　 ５．
０８　 ５．
１１　 ５．
０９　 ５．
１１　 ３．
２５　 ３．
８６　 ３．
４５　 ３．
８６
４２　 ５．
０３　 ４．
９５　 ４．
９９　 ４．
９９　 ４．
９９　 １．
５９　 ０．
７９　 ０．
８　 ０．
８
４３　 ５．
０１　 ４．
９４　 ５．
０１　 ５．
０１　 ５．
０１　 １．
４　 ０　 ０　 ０
４４　 ５．
０４　 ４．
９３　 ５．
０４　 ５．
０３　 ５．
０４　 ２．
１８　 ０　 ０．
２　 ０
预测平均相对误差／％ ３．
０ ２．
４ ２．
１１ ２．
５６
预测平均方差 ０．
０２６　
８ ０．
０１９　
７ ０．
０１５　
７ ０．
０２１

　　 从表 ４ 可 见，
ＳＶＲ 算 法 的 最 大 预 测 相 对 误 差 为 表 ５　 不同算法预测误差统计
预测误差 ≤１％ 预测误差 ≤３％ 预测误差 ≤５％
８９％ 平均预测相对误差 为 ３．
８． ， ０％ ，预 测 平 均 方 差 为 算法
样本数 样本数 样本数
０． ８；
０２６　 ＧＰＲ（ＲＱ）的最大预测相对误差为８． ２２％ ，平
ＳＶＲ　 ２　 １７　 ２２
均预测 相 对 误 差 为 ２．
４％ ，预 测 平 均 方 差 为 ０．０１９　７； ＧＰＲ（ＲＱ） ７　 １７　 ２５
ＧＰＲ（Ｍａ
ｔｅｒｎ）的最大预测相对误差为 ７． ５１％ ，平均预 ＧＰＲ（Ｍａｔ
ｅｒｎ） １０　 ２１　 ２６

测相对误差为 ２． ＧＰＲ（
ＳＥ）
１１％ ，预测平均方差为 ０． ７；
０１５　 ＧＰＲ ７　 １８　 ２３

ＳＥ）的最大预测相对误差为 ７．
（ ２２％ ，平均预测相对误 　　 从表 ５ 可见，在所有连续 ２７ 天的 预 测 中，
ＳＶＲ 仅
差为 ２．
５６％ ，预测平均方差为 ０．０２１。 有 ２ 天的预测误差在 １％ 以内，而 ＧＰＲ 最少也 有 ７ 天
不同算法的预测误差统计见表 ５。 预测误差在 １％ 以 内；
ＳＶＲ 仅 有 １７ 天 的 预 测 误 差 在
３％ 以内，而 Ｍａ
ｔｅｒｎＧＰＲ 有 ２１ 天的预测误差在 ３％ 以
 １０６ 铁 　　 道 　　 学 　　 报 第 ３３ 卷

内；
ＳＶＲ 有 ５ 天的预测 误 差 超 过 了 ５％ ，而 ＧＰＲ 最 多 ４］赵洪波 ．支 持 向 量 机 在 隧 道 围 岩 变 形 预 测 中 的 应 用 ［
［ Ｊ］．
只有 ４ 天的预测误差超过 ５％ ，可见 ＧＰＲ 算法 的 预 测 岩石力学与工程学报，
２００５，
２４（
４）：
６４９－６５２．

性能要明显好于 ＳＶＲ 算法。 ＺＨＡＯ　

Ｈｏｎｇ－ｂｏ．Ｐｒ
ｅｄｉ
ｃｔｉ
ｎｇｔ
　ｈｅ　
Ｓｕｒ
ｒｏｕｎｄ
ｉｎｇ　
Ｄｅｆ
ｏｒｍａ
ｔｉｏｎｓ
ｏ
ｆ　Ｔｕｎｎｅ
ｌ　ｕｓ
ｉｎｇ　
Ｓｕｐｐｏ
ｒｔ　
Ｖｅｃ
ｔｏｒ　
Ｍａｃｈ
ｉｎｅ［
Ｊ］．Ｃｈ
ｉｎｅ
ｓｅＪ
　ｏｕ
ｒ－
４　 结论 ｎａ
ｌ　ｏ
ｆ　Ｒｏ
ｃｋ　Ｍｅ
ｃｈａｎ
ｉｃｓ
　ａｎｄ　Ｅｎｇ
ｉｎｅ
ｅｒｎｇ，２００５ ，２４ （
ｉ ４）：
６４９－６５２．
经过本文的对比研究，可以得出如下结论：
５］刘开云，乔春生，刘 保 国 ．基 于 改 进 ＧＡ－ＳＶＲ 算 法 的 隧 道
［
（１ ）与支持向量回归 （ ＳＶＲ）算 法 相 比，高 斯 过 程 工程智 能 信 息 化 设 计 研 究 ［
Ｊ］．铁 道 学 报，
２００８，
３０（
４）：
回归（ＧＰＲ）算法的泛 化 性 能 更 高，可 以 有 效 地 提 高 预 ７１－７８．
测精度。 Ｋａ
ＬＩＵ　 ｉ－ｙｕｎ ， Ｃｈｕｎ－ｓｈｅｎｇ ，
ＱＩＡＯ　 ＬＩＵ　
Ｂａｏ－ｇｕｏ．Ｒｅ
ｓｅａ
ｒｃｈ
（２ ）采用 十 进 制 遗 传 算 法 代 替 共 轭 梯 度 法 搜 寻 ｏｎ
　Ｉｎ
ｔｅｌ
ｌｉｇｅｎｃ
ｅ　Ｉ
ｎｆｏ
ｒｍａ
ｔｉｏｎ　
Ｄｅｓ
ｉｇｎ　
ｏｆ　
Ｔｕｎｎｅ
ｌｓ　
Ｂａｓ
ｅｄ　
ｏｎｔ
　ｈｅ
高斯过程最优超参 数 有 效 避 免 了 共 轭 梯 度 法 的 缺 陷， Ｉｍｐ
ｒｏｖｅｄ　
ＧＡ－ＳＶＲ　
Ａｌｇｏ
ｒｉｈｍ ［
ｔ Ｊ］．Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ　Ｔｈｅ　
Ｃｈｉ
ｎａ
可以在搜索区间快速 找 到 超 参 数 全 局 最 优 解，从 而 提 Ｒａ
ｉ Ｓｏ
ｌｗａｙ　 ｃ
ｉｅｙ，
ｔ ２００８ ，
３０（
４）：７１－７８．
［
６ ］熊志化， 张继承，邵惠鹤 ．基于高斯过程的软测量建模［ Ｊ］．
高高斯过程回归的泛化性能。
系统仿真学报，
２００５，
１７（
４）：
７９３－８００．
（３ ）本文提出的进化高斯过程回归（
ＧＡ－ＧＰＲ）算
ＸＩＯＮＧ　Ｚｈｉ－ｈｕａ ，ＺＨＡＮＧ　 Ｊｉ－ｃｈｅｎｇ ，ＳＨＡＯ　 Ｈｕｉ－ｈｅ．ＧＰ－
法经实际算例验证可以高效地应用于隧道施工期围岩
ｂａｓ
ｅｄ　
Ｓｏｆｔ
　Ｓ ｅｎｓｏ
ｒ Ｍ
　 ｏｄｅ
ｌｉｎｇ［Ｊ ］．Ｊｏｕｒ
ｎ ａ
ｌ　 　ｙ ｍ　
ｏ
ｆ Ｓ ｓ
ｔｅ Ｓ
ｉｍｕ
ｌａ－
变形预测，并为类似工程提供了借鉴。
ｔ
ｉｏｎ，
２００５，
１７（
４）：７９３－８００．

参考文献： ［
７］Ｒａ
ｓｍｕｓ
ｓ Ｃ　Ｅ，Ｗｉ
ｅｎ　 ｌｌ
ｉａｍｓ　Ｃ　Ｋ　Ｉ．Ｇａｕｓ
ｓｉａｎ　Ｐｒ
ｏｃｅ
ｓｓｅ
ｓ　ｆ
ｏｒ
Ｍａ
ｃｈｉ
ｎｅ　
Ｌｅａ
ｒｎｎｇ ［Ｍ］．Ｂｏ
ｉ ｓｔｏｎ：
ｔｈｅ　 ＰＲＥＳＳ，
ＭＩＴ　 ２００６．
１］霍玉华 ．隧 道 围 岩 变 形 量 预 测 的 灰 色 模 型 应 用 比 较 研 究
［ ［
８］Ｗｉ
ｌｌ
ｉａｍｓ　
Ｃ　Ｋ　
Ｉ．Ｐｒ
ｅｄｉ
ｃｔｉ
ｏｎ　
ｗｉｔ
ｈ　Ｇａｕｓ
ｓｉａｎ　
Ｐｒｏ
ｃｅｓ
ｓｅｓ：Ｆｒ
ｏｍ
Ｊ］．北京交通大学学报，
［ ２００６，
３０（
４）：
４２－４５． Ｌ
ｉｎｅ
ａ Ｒｅｇ
ｒ　 ｒｅｓ
ｓｉｏｎ
　ｔｏ　Ｌ
ｉｎｅ
ａｒ　Ｐｒ
ｅｄｉ
ｃｔｏｎ　ａｎｄ　Ｂｅｙｏｎｄ［Ｒ］．
ｉ
ＨＵＯ　Ｙｕ－ｈｕａ．Ｓ
ｔｕｄｙ　ｏｎ
　ｔｈｅ　Ｇｒ
ａｙ　Ｍｏｄｅ
ｌ　ａｎｄ
　Ｉｔ
ｓ Ｂ
ｉ ｎｇｈａｍ：Ａｓ
ｒｍｉ ｔｏｎ　
Ｕｎｉ
ｖｅｒ
ｓｉｙ，
ｔ １９９７．
Ａｐｐ
ｌｉｃ
ａｔｉ
ｏｎ　ｉ
ｎ　Ｆｏ
ｒｅｃ
ａｓｔ
ｉｎｇ　Ｄｅ
ｆｏｒｍａ
ｔｉｏｎ　ｏ
ｆ　Ｔｕｎｎｅ
ｌ　Ｓｕ
ｒ－ ［
９ ］ Ｓｏ
ｆｉａｎｅ　Ｂｒ
ａｈｉｍ－Ｂｅ
ｌｈｏｕａ
ｒｉ，Ａｍｉ
ｎｅ　Ｂｅ
ｒｍａｋ． Ｇａｕｓ
ｓｉａｎ
ｒ
ｏｕｎｄ
ｉｎｇ　
Ｒｏｃｋ ［
Ｊ］．Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ　
Ｂｅｉ
ｊｉｎｇ　
Ｊｉａｏ
ｔｏｎｇ　
Ｕｎｉ
ｖｅｒ
ｓｉｙ，
ｔ Ｐｒ
ｏｃｅ
ｓｓ　ｆ
ｏｒ　Ｎｏｎｓ
ｔａｉ
ｔｏｎａ
ｒｙ　Ｔｉｍｅ　Ｓｅ
ｒｉｅ
ｓ　Ｐｒ
ｅｄｉ
ｃｔｏｎ ［
ｉ Ｊ］．
２００６ ，
３０（
４），
４２－４５． Ｃｏｍｐｕ
ｔａｔ
ｉｏｎａ
ｌ　Ｓ
ｔａｔ
ｉｓｔ
ｉｃｓ　＆ Ｄａ
ｔａ　Ａｎａ
ｌｙｓ
ｉｓ，
２００４，（
４７）：
２］周建春，魏琴 ．公 路 隧 道 围 岩 变 形 时 程 曲 线 拟 合 的 ＢＰ 算
［ ７０５－７１２．
法［
Ｊ］．湖南大学学报（自然科学版），
２００２，
２９（
４）：
７９－８４． １０］苏国韶，燕柳斌，张小飞，等 ．基坑位移时间序列预测的 高
［
ＺＨＯＵ　
Ｊｉａｎ－ｃｈｕｎ ，ＷＥＩ　
Ｑｉｎ．Ｓ
ｔｕｄｙ　
ｏｎ　
Ｆｉｔ
ｔｉｎｇ　
ｏｆＳｕ
　 ｒ
ｒｏｕｎｄ－ Ｊ］．广 西 大 学 学 报 （自 然 科 学 版 ），
斯过程方 法 ［ ２００７，
３２
ｉ
ｎｇ　Ｒｏｃｋ　Ｄｅｆｏ
ｒｍａ ｔ
ｉｏｎ　Ｔｉｍｅ－ｈｉ
ｓｔｏｒｙ　Ｃｕｒ
ｖｅ　ｂｙ　ＢＰ　Ｎｅｕｒａ
ｌ （
２）：２２３－２２６．
Ｎｅｔｗｏ
ｒ ｋ　Ａｌ
ｇｏｒｉｔ ［
ｈｍ Ｊ ．Ｊ］ ｏｕｒｎａ
ｌ　ｏｆ　Ｈｕｎａｎ　Ｕｎｉｖｅ
ｒｓｉ
ｔｙ ＳＵ　Ｇｕｏ－ｓｈａｏ，ＹＡＮ　Ｌ
ｉｕ－ｂ
ｉｎ，ＺＨＡＮＧ　Ｘｉ
ａｏ－ｆ
ｅｉ ，ｅ
ｔ　ａ
ｌ．
（
Ｎａｔ
ｕｒａ
ｌ　Ｓｃ
ｉｅｎｃ
ｅ　Ｅｄ
ｉｔｏｎ），
ｉ ２００２ ，
２９（
４）：７９－８４． Ｓｅ
Ｔｉｍｅ　 ｒ
ｉｅｓ　
Ｐｒｅｄ
ｉｃｔ
ｉｏｎ　
ｏｆ　
Ｆｏｕｎｄａ
ｔｉｏｎ　
Ｐｉｔ　
Ｄｉｓｐ
ｌａｃ
ｅｍｅｎ
ｔ　Ｕ－
３］肖智旺，钟登华 ．基于 ＲＢＦ 神经网络算法的连拱隧道围 岩
［ ｓ
ｉｎｇ　
Ｇａｕｓ
ｓｉａｎ　
Ｐｒｏ
ｃｅｓ
ｓ　Ｍｅ
ｔｈｏｄ ［
Ｊ］．Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ　
Ｇｕａｎｇｘ
ｉ　Ｕ－
变形预测方法研究［
Ｊ］．中国工程科学，
２００８，
１０（
７）：
７７－８１． ｎ
ｉｖｅ
ｒｓｉ
ｔｙ（
Ｎａｔ
　Ｓｃ
ｉ　ＥＤ），
２００７，
３２（
２）：２２３－２２６．
ｉ－ｗａｎｇ，ＺＨＯＮＧ　Ｄｅｎｇ－ｈｕａ．ＲＢＦ－ＡＮＮ－Ｂａ
ＸＩＡＯ　Ｚｈ ｓｅｄ
Ｆｏ
ｒｅｃ
ａｓｔ　
Ｍｅｔ
ｈｏｄ　
ｏｆ　
Ｔｒａｎｓｍｕ
ｔａｔ
ｉｏｎ　
ｏｆ　
Ｗａｌ
ｌ　Ｒｏ
ｃｋ　
ｏｎ　
Ｍｕｌ
ｔｉ－ （责任编辑 　 时 　 博）
ａ
ｒｃｈ　 ｌ［
Ｔｕｎｎｅ Ｊ］．Ｅｎｇ
ｉｎｅ
ｅｒｉ
ｎｇ　
Ｓｃｉ ｅ，
ｅｎｃ ２００８，
１０（
７）：
７７－８１．