[发明专利]盾构掘进参数变量复杂度分组抽样多进程预测方法

说明书

本发明基于盾构掘进参数变量复杂度分组抽样并行训练，属于盾构数据处理方法领域及高端装备制造领域。为了提高盾构掘进参数预测模型训练效率、减少模型训练耗时，以变量复杂度量化评价、分组分层抽样构成训练集、多进程运算为主要技术手段，以变量复杂度量化分组、分组分层抽样生成训练子集、训练子集进程封装并行运算、精度判定循环、模型测试优选为实施步骤，可减少预测模型训练耗时，可用于盾构掘进参数智能决策，也可用于为盾构机电设备参数选型提供参考值。

技术领域

本技术涉及盾构掘进参数预测算法，属于盾构数据处理方法领域及高端装备制造领域。

背景技术

快速训练得到掘进参数预测模型，是实现盾构参数智能控制的必要条件。符号回归算法可以得到显式经验公式，能够为盾构掘进参数预测中提供显式化的模型工具。并行计算应用于掘进参数符号回归可以大大提高模型训练效率。

一种大规模并行程序性能预测实现方法（申请公布号：CN101650687A，公开公告日：2010.02.17）通过分析各个进程计算的相似性并选取有代表性的进程以及代表性进程的顺序计算时间，使用网络模拟器自动预测最终的并行程序性能。

基于自适应并行遗传算法的大规模符号回归方法及系统（申请公布号：CN110135584A，公开公告日：2019.08.16）运用自适应的多种群进化机制成功提取出有效构建元素，通过设计异构计算资源的并行计算系统。

一种基于CPU核数预测实现并行任务调度的方法和系统（申请公布号：CN110955527A，公开公告日：2020.04.03）通过衡量处理器的高计算能力和调度算法的执行效果以及处理器负载均衡等各项性能指标，提高调度算法的并行执行的可靠性。

（邵帅. 基于CUDA的符号回归算法并行设计与实现[D].西安电子科技大学,2012.）将GEP遗传算法中计算量最大的适应度值求解过程放在GPU上并行处理。

（陶帆. 基于增强学习的符号回归算法研究[D].中国石油大学(北京),2019.）提出基于Actor-Critic和蒙特卡洛树搜索相结合的空间搜索算法SE-MCTS。通过在符号表达式空间蒙特卡洛树上的遍历来解决无记忆搜索的问题;利用Actor-Critic方法来评估蒙特卡洛树上节点价值。

文献研究表明，符号回归并行计算研究主要面向进程调用和硬件资源合理调度，未涉及复杂过程输入变量集处理、变量复杂度量化分级、多进程运算输出测试处理。

发明内容

针对上述现有技术的不足，本发明提出了变量复杂度分组抽样盾构掘进参数多进程预测方法，能够科学、高效地预测盾构掘进参数。包括如下步骤：

步骤一、变量复杂度量化分组

变量复杂度 H计算方法如式（1）， N为变量维数，一元变量 N为1， n元复合变量 N为 n， ai为变量中第 i个原始变量的指数， d为对数函数底数， d可取自然对数 e；

（1）