为攻克综采工作面顶板矿压显现规律预测预报的难题，构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题，采用免疫粒子群混合算法优化BP神经网络，并选取11种矿压主要影响因素作为模型基础数据，对工作面来压强度和来压步距进行预测。结果表明：IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍，IA-PSO-BP网络模型的预测值与实测值基本吻合，预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率，实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测，为煤矿井下工作面矿压预测提供了一种新的技术途径。

陕西省自然科学基础研究计划企业联合基金项目(2019JLZ-04)；

0 引 言
1 算法分析
1.1 BP神经网络
1.2 基于免疫的混合粒子群(IA-PSO)算法
2 IA-PSO-BP神经网络模型的建立
2.1 BP神经网络结构设计
2.2 粒子及种群的构造
2.3 适应度函数的构造
2.4 IA-PSO-BP神经网络模型设计
3 IA-PSO-BP神经网络模型学习与训练
3.1 学习样本参数选取
3.2 训练数据预处理
3.3 模型参数选取与设置
3.3.1 BP网络学习与训练参数选取
3.3.2 IA-PSO算法参数设置
3.4 模型训练速度对比
4 工程实例
5 结 论

来兴平,万培烽,单鹏飞,张云,张雷铭,穆楷文,孙浩强.基于免疫粒子群混合算法优化BP网络的矿压预测方法[J].西安科技大学学报,2023,43(01):1-8.DOI:10.13800/j.cnki.xakjdxxb.2023.0101.