针对现有工作面周期来压预测方法精度不足、泛化性较差和算力要求高等问题，提出了一种基于动态自适应旗鱼优化BP神经网络（DASFO-BP）的工作面周期来压预测模型。通过分析工作面周期来压机理，得到与来压相关的影响因素，并通过皮尔逊相关系数确定对来压具有显著影响的因素（推进速度、直接顶厚度、基本顶厚度、采高、煤层倾角和倾向长度）作为预测模型输入，并以下次来压强度和来压步距作为预测模型输出。针对旗鱼优化（SFO）算法鲁棒性不足的问题，提出了动态自适应优化策略对SFO算法进行改进，即在优化前期利用SFO达到快速收敛的目的，中期则借助秃鹰搜索（BES）跳出局部最优，后期发挥粒子群优化（PSO）深度搜索的优势来提高解的精度。通过改进后的动态自适应旗鱼优化（DASFO）算法对BP神经网络的超参数进行训练，构建了基于DASFO-BP的来压预测模型。结果表明，DASFO算法在单峰和多峰测试函数上均能实现快速收敛；与BP，SFO-BP和NCPSO-BP相比，DASFO-BP对周期来压强度和步距的预测值与真实值更为接近，具有更高的精度和拟合能力，泛化能力强，能够准确预测下一周期来压分布情况。

0引言
1 周期来压影响因素分析
1.1 来压机理
1.2 参数相关性
2 来压预测模型
2.1 BP神经网络
2.2 DASFO
2.3 DASFO优化BP神经网络
3 实验分析
3.1 收敛特性
3.2 预测精度
3.3 泛化能力
4 工程验证
5 结论

姚钰鹏,熊武.基于动态自适应旗鱼优化BP神经网络的工作面周期来压预测[J/OL].工矿自动化,1-8[2024-09-09].https://doi.org/10.13272/j.issn.1671-251x.2024060060.