[发明专利]基于随机森林和智能算法预测混凝土抗压强度的方法

权利要求书

1.一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，包括以下步骤：

S1根据影响混凝土抗压强度的原材料和配合比因素构建混凝土抗压强度指标体系，并采集该抗压强度指标体系的样本数据，建立原始样本集，将所述原始样本集按指定比例划分为训练数集和测试数集；

S2将所述训练数集作为随机森林回归模型的输入，以对构成所述混凝土抗压强度指标体系的影响因素进行重要性评价，根据该重要性评价的结果对影响因素进行特征选择，选出随机森林回归模型误差最小的影响因素集合，并将该影响因素集合作为最优特征变量集；

S3将所述最优特征变量集作为输入变量，对应混凝土28d抗压强度数值作为输出变量，构建基于最小二乘支持向量机的混凝土抗压强度预测模型，并采用改进粒子群算法对最小二乘支持向量机的核函数和惩罚因子进行优化，其中，改进粒子群采用可变惯性权重的粒子群算法，然后采用所述测试数集验证优化后的混凝土抗压强度预测模型对混凝土抗压强度预测的结果。

2.根据权利要求1所述的一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，步骤S1中，所述抗压强度指标体系包括混凝土抗压强度影响因素和混凝土抗压强度评价指标。

3.根据权利要求2所述的一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，所述混凝土抗压强度影响因素包括水胶比、水泥用量、粉煤灰用量、细集料、粗集料、减水剂、引气剂、水泥强度，所述混凝土抗压强度评价指标包括混凝土28d抗压强度数值。

4.根据权利要求1所述的一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，步骤S3中，可变惯性权重的计算公式为：

W_m＝W_max-(W_max-W_min)·(1-e^-(5m/t))

其中，W为惯性权重，m为当前进化代数，t为最大迭代代数，W_max为惯性权重的最大上限，W_min为惯性权重的最小下限。

5.根据权利要求4所述的一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，步骤S3中，在改进粒子群算法中，种群个体数目设置为10，进化代数设置为100，认知学习因子设置为1.5，社会学习因子设置为1.7，惯性权重的最大上限设置为0.95，惯性权重的最小下限设置为0.2，将预测平均误差率作为适应函数，混凝土原材料和配合比取值范围为约束条件。

6.根据权利要求1所述的一种基于随机森林和智能算法预测混凝土抗压强度的方法，其特征在于，步骤S2具体包括以下步骤：

S21根据随机森林回归模型中二叉树节点包含的特征数和决策树的棵数构建随机森林回归模型；

S22将所述训练数集作为随机森林回归模型的输入，对于随机森林回归模型中的每一棵决策树，采用该决策树相应的袋外数据计算其袋外数据误差errOOB1；

S23随机将上述决策树相应的袋外数据中所有样本数据的某个变量作为特征X，并对该特征X加入噪声干扰，然后再次计算该决策树相应的袋外数据误差errOOB2；

S24构建重要性计算模型，并根据所述重要性计算模型对上述特征X进行变量重要性评价；

S25重复步骤S22至步骤S24，直至输出所述训练数集中所有变量的变量重要性评价，然后绘制变量重要性评价的可视化绘图，并将所有变量的变量重要性评价按降序排列，并根据排序结果对变量进行重要性度量的初步筛选；

S26对初步筛选后得到的变量集，利用递归特征后向消除法从该变量集中逐次去除指定比例的变量，每次去除得到一个变量，对比除去该变量后，剩余变量对应的袋外误差率，将误差率最小的变量集作为最优特征变量集，并以此确定最优特征变量集中最优特征的数量。