刘光伟，博士，教授，博士生导师，计算机软件国家工程研究中心兼职教授，中国煤炭学会计算机通讯专业委员会委员，中国有色金属学会矿山信息化智能化专业委员会委员，教育部学位与研究生教育发展中心评审专家，《工矿自动化》杂志青年专家委员会委员。荣获全国煤炭青年科技奖、全国煤炭五四青年奖章、辽宁省“百千万人才”万人层次、辽工大优秀青年教师提升计划-杰出人才称号。主要从事矿山智能科学与工程的教学和科研工作。主持国家自然科学基金（青年、面上）项目、辽宁省揭榜挂帅等纵向课题7项，完成横向课题30余项。以主要完成人获省部级一等奖4项、二等奖7项、三等奖6项。发表论文30多篇；获授权发明专利2项，软件著作权12项。

       边坡变形已成为当前露天矿生产建设过程中的主要灾害之一。由于边坡变形的高维非线性和复杂动态性等特点，导致传统以经典数学为基础的预测方法在实际生产中难以起到预期效果。近年来随着计算机硬件技术和测绘技术的不断发展，实时监测边坡位移量已成为现实，故基于实时边坡位移监测数据建立基于智能优化算法的人工智能预测方法，对提高边坡位移预测精度、实现矿山灾害预防和安全管理至关重要。

       利用金豺优化（GJO）算法训练多层感知机（MLP）模型，过程如下图所示。图中Y1(t)和Y2(t)分别为第t次迭代时与猎物对应的雄性和雌性金豺的更新位置；Y(t+1)为第t次迭代后的金豺位置。根据GJO算法的雄豺引导雌豺的迭代寻优方式，在GJO对最佳MLP模型进行迭代训练过程中，首先根据雄性金豺狩猎方式对初始MLP模型进行权值和偏置的更新，并引领雌性金豺同步对初始MLP模型进行权值和偏置更新，接着融合雄性和雌性金豺对MLP模型的权值和偏置更新特点得到可行MLP模型，最终经可行MLP模型更新得到最优MLP模型。

      基于GJO−MLP的边坡变形预测模型的基本实现步骤如下。

      步骤1：数据预处理。

      步骤2：划分数据集并确定训练集和测试集大小。按照20%为测试集和80%为训练集对预处理后的边坡数据集进行划分。

      步骤3：构建初始MLP模型。

      步骤4：计算均方误差（MSE）。

      步骤5：判断当前MSE与上一次MSE是否无明显差异（是否为最小MSE）。若无明显差异，则执行步骤8，否则执行步骤6。

      步骤6：执行GJO训练过程。

      步骤7：判断经GJO训练出的权值和偏置是否为最优权值和偏置。若为最优权值和偏置，则执行步骤8，否则执行步骤7。

      步骤8：根据训练得出的最优权值和偏置构建最优MLP模型，即得到基于GJO−MLP的边坡变形预测模型。

      步骤9：利用基于GJO−MLP的边坡变形预测模型对测试集进行预测，得出最后的边坡变形预测值。

      1） 在Ballon，Iris，Breast cancer，Heart，Cosine，Sine这6个数据集上进行了仿真实验，结果表明：在相同实验条件下，相较于基于蚁群算法优化的 MLP（ACO−MLP）、基于引力搜索算法优化的MLP（GSA−MLP）及基于差分进化算法优化的MLP（DE−MLP）3种算法，GJO−MLP表现出更好的寻优性能。

      2） 将基于GJO−MLP的边坡变形预测模型应用于宝日希勒露天矿边坡变形预测和花坪子边坡变形预测。结果表明：在相同条件下，相较于3种对比算法，基于GJO−MLP的边坡变形预测模型在对边坡变形数据进行预测时不仅表现出更好的预测求解性能，还具有更好的可行性和鲁棒性。