买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南科技大学申请的专利一种基于PSO-CSA的煤与瓦斯突出风险识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115758144B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211438181.7，技术领域涉及：G06F18/214；该发明授权一种基于PSO-CSA的煤与瓦斯突出风险识别方法是由季鹏;施式亮设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种基于PSO-CSA的煤与瓦斯突出风险识别方法在说明书摘要公布了：本发明涉及智慧煤矿瓦斯序列预测领域，具体为一种基于PSO‑CSA的煤与瓦斯突出风险识别方法，该方法具体如下：本发明通过使用克隆选择算法PSO对煤与瓦斯突出风险进行识别，通过使用粒子群优化算法PSO对CSA针对煤与瓦斯突出风险识别的需求进行改进，加快其收敛速度，提高其全局搜索能力，消除其运行后期震荡，提高识别的成功率，进而有效的识别突出风险。将PSO引入到CSA的变异过程，使得变异不再依赖于大量计算的二进制编码和解码，又能够达到变异过程产生的抗体表现出高亲和度的目的。建立了一种基于PSO‑CSA的煤与瓦斯突出风险识别方法，经检验该方法有效的识别了煤与瓦斯突出风险，具有有益效果，可用于指导煤矿工程实践。

本发明授权一种基于PSO-CSA的煤与瓦斯突出风险识别方法在权利要求书中公布了：1.一种基于PSO-CSA的煤与瓦斯突出风险识别方法，其特征在于，所述该基于PSO-CSA的煤与瓦斯突出风险识别方法的具体步骤如下： 步骤1：采集煤矿井下局部煤与瓦斯突出的指标数据，包括钻屑量S、钻屑瓦斯解吸K1、煤的瓦斯放散初速度作为抗原，将数据进行均一化处理，并分为训练集、识别集； 步骤2：使用粒子群优化算法对克隆选择算法进行优化，建立基于PSO-CSA煤与瓦斯突出风险识别模型； 步骤3：在步骤1基础上，将训练集输入到PSO-CSA中，对算法进行训练，刺激算法产生抗体，匹配亲和度高的抗体作为记忆细胞，并对记忆细胞集合更新； 步骤4：将识别集数据输入算法中，计算抗体中与抗原亲和度最高的抗体，判断是否大于临界值，输出所输入抗原导致突出的程度的识别结果； 步骤5：若有未识别数据，重新进行步骤4，输出煤与瓦斯突出危险性识别结果； 所述步骤2的具体步骤为： 步骤2.1、CSA的具体步骤为： 在算法的预测空间内，表示抗体和抗原基因型的字符串长度为L，S表示免疫空间的合适坐标轴，首先定义CSA中所需变量： •Ag：抗原； •Ab：可用抗体表Ab∈SN×L,Ab=Abr∪Abm； •Abm：记忆抗体表Abm∈Sm×L,m≤N； •Abr：剩余抗体表Abr∈Sm×L,r=N-m； •AgM：被成功识别的抗原群AgM∈SM×L； •fj：和抗原Agj相关的亲和度向量； •AbH：Ab里面和Agj有亲和度最大值的n个抗体AbH∈Sn×L,n≤N； •Cj：AbH中Nc个克隆体组成的群体Cj∈SNc×L； •Cj*：Cj经过亲和度成熟后转变成的群体； •Abd：Abr中d个低亲和度的抗体被Cj*里面d个分子取代Abd∈Sd×L,d≤r; •AbG：准备放入记忆抗体的来自Cj*中的抗体； CSA算法的具体步骤如下： 步骤2.1.1：随机选择一个抗原AgjAgj∈Ag，让它刺激抗体集合Ab=Abr∪Abmr+m=N中所有抗体；通过设置最优化的函数gx，将抗体对抗原的亲和度看作目标函数的解，每一个抗体Abi表示一个输入空间的元素； 步骤2.1.2：计算Ab中N个抗体的亲和度向量fj； 步骤2.1.3：选择Ab中和抗原Agj亲和度最高的n个抗体组成新的集合AbH∈Sn×L,n≤N； 步骤2.1.4:AbH集合的抗体会根据它们各自亲和度的高低依照设定比例产生新的克隆体，组成克隆体的集合Cj,AbH的这n个抗体和抗原的亲和度越高，它们自己的克隆体越多； 步骤2.1.5：集合Cj的所有抗体经过和亲和度相关的变异过程产生成熟的克隆体集合Cj*，亲和度越高，抗体变异率越低； 步骤2.1.6：计算成熟克隆集合Cj*和抗原Ag的亲和度fj* 步骤2.1.7：重新选择集合Cj*的克隆体中和Ag亲和度最高的一个抗体放入记忆细胞集合Abm中，若这个抗体对抗原Ag的亲和度大于原有的记忆细胞，则取代之，若使用一个抗体群确定问题的多个最优解，则再确定两个变量： 1设定n=N，即Ab中所有抗体在步骤2.1.3中都被选择克隆； 2确定Abn中抗体的克隆数目： 式中N是克隆体集合C的抗体总数，β是一个影响力参数，roundx是取整函数，对亲和度最大值的抗体，即为，若i=1，β=1，N=100，则此抗体需要100个，下一排位的抗体则需克隆50个； 步骤2.1.8:Cj*的d个抗体取代Abr集合中和抗原Ag，亲和度最小值的d个抗体； 当所有的M个抗原均执行过一次上述步骤2.1.1到步骤2.1.8的过程，则算法执行了一代，在步骤2.1.3后，n个亲和度最高的抗体将依据亲和度从高到低排序，通过下列计算式计算出它们具体的克隆体数量： ； 步骤2.2:由于CSA对数据集中数据的识别和输出以及计算都采用二进制的算法，所以算法在每次对抗原与抗体的亲和度计算时均需重新解码，则计算量随之增加，计算时间随之增多；同时，算法的变异实现是通过随机改变原有克隆抗体的特征向量，增加抗体多样性的作用，产生破坏亲和度高抗体的副作用，且随变异过程增加计算量也随之增加，在原有克隆选择算法基础上，其自身进行优化，具体步骤为： 对算法的收敛优化，使算法对高概率的变异自适应，即随着迭代次数的增加，算法中的β随之减少，其递减公式为： ； 式中：i表示排列中抗体的排次，k表示迭代次数，且参数满足01； 同时，对克隆的新抗体的亲和度进行计算，限制抗体克隆更新，新产生的抗体替换掉原有的低亲和度的抗体，使算法在克隆过程中向上收敛，新产生的抗体的亲和度要在目前种群的亲和度平均值以上；若低于平均值则对克隆的抗体舍弃，随机生成新的抗体； ； ； ； 当生成的抗体符合式6的抗体，则进行保存，若连续循环生成的抗体都不符合要求，或者迭代次数超过设定阈值，则停止克隆，使用原有亲和度抗体； 为防止算法在运行过程中出现“早熟”突变，使用y指数来进行检测，并设置值=1作为临界值，当y≤，判断算法进入“早熟”状态，暂停使用β赋值的抗体的克隆，同时使用将变异概率突然放大为原先概率k倍的方法，引入新的群体来增加算法跳出局部最优，并且收敛；当y重新回至y时，则算法继续按照β赋值进行； ； 式中：fmax为本次迭代中抗体的最大亲和度，fmin为最小亲和度； 步骤2.3、PSO对CSA进行优化，具体步骤为: 在优化过程中，将每一个亲和度高的抗体集合Cj中的作为空间内的粒子，每个粒子的初始速度v0随机产生，则第i个抗体的初始速度为vi0，每个粒子速度的特征向量Hvi0=hv1,hv2,…,hvqT，当抗原AgM与Ab之间的亲和度越大，则判定该抗体的位置越好；同时设置在每次抗体变异的迭代次数为Q，每个粒子迭代至第q代位置，搜索到的最优位置记为Pq，则Pq=fmax，其中q={1，2，…，Q}，依据此计算方式，整个粒子群更新至第Q代结束，搜索到的最优位置为Piq，Piq=fmax，PSO根据P0q和Piq更新自身的速度vin和位置，直至q=Q为止，实现其对CSA优化变异，其过程描述如下： ； ； 其中，为惯性权值，学习因子r1和r2为非负常数，r1,r2∈[0,1]的随机变化数，经PSO优化后的变异抗体构成抗体集合Cj*，且变异后的集合抗体总数不变，仍为n。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南科技大学，其通讯地址为：411199 湖南省湘潭市雨湖区石马头；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。