Page 112 - 2025年第56卷第8期

图 ２ 多粒度扫描图 图 ３ ＸＧＢｏｏｓｔ改进的级联森林图

３．２．２ ＩＨＰＯ算法
（１）ＨＰＯ算法。ＨＰＯ算法具有参数少、收敛快的优点。其灵感来源于狮子、豹子、狼等食肉动物
对鹿、羊等猎物的捕猎行为，包括探索与开发两个过程。这两个过程的选择取决于 ０～１之间随机数
Ｒａｎｄ，若 Ｒａｎｄ小于 ０．１，算法进入探索阶段，反之，进入开发阶段。然而，该算法的简单随机初始化
方式容易导致初始种群分布不均匀、缺乏多样性，容易在寻优阶段陷入局部最优。因此采用 ＳＰＭ混沌
初始化和水波动态自适应因子对 ＨＰＯ算法改进，通过混沌映射产生规律性、遍历性、随机性强的混
沌序列，进而增加种群初始化的均匀性与多样性；并利用水波动态自适应因子的不确定性，使得算法
在探索阶段能搜索更广泛的区域，降低其他个体跟随的盲目性，保证群体多样性，增强算法的全局搜
索能力，避免陷入局部最优。
（２）ＳＰＭ混沌映射。ＳＰＭ混沌映射是一种具有自适应性的混沌映射系统，该方法通过结合 Ｓｉｎｅ混
沌映射和 ＰＷＬＣＭ混沌映射的优点，使得 ＳＰＭ 混沌映射具有更好的遍历性和随机性，从而提高 ＨＰＯ
算法前期的全局搜索能力 ［３６］ 。ＳＰＭ混沌映射的模型如下：
( ｘ )
ｉ，ｊ
ｍｏｄ ＋ μ ｓｉｎ（ π ｘ ） ＋ ｒ，１ ，０ ≤ｘ ＜ η
ｉ，ｊ
ｉ，ｊ
η
( ｘ ? η )
ｉ，ｊ
ｍｏｄ ＋ μ ｓｉｎ（ π ｘ ） ＋ ｒ，１ ，η≤ｘ ＜０．５
ｉ，ｊ
ｉ，ｊ
ｘ ＝ ０．５ － η （２）
ｉ，ｊ ＋ １
( （１ － ｘ ）? η )
ｉ，ｊ
ｍｏｄ ０．５ － η ＋ μ ｓｉｎ（ π （１ － ｘ ）） ＋ ｒ，１ ，０．５ ≤ｘ ＜１ － η
ｉ，ｊ
ｉ，ｊ
( （１ － ｘ ） )
ｉ，ｊ
ｍｏｄ η ＋ μ ｓｉｎ（ π （１ － ｘ ）） ＋ ｒ，１ ，１ － η≤ｘ ＜１
ｉ，ｊ
ｉ，ｊ
式中：ｉ ＝ １ ，２，…，Ｎ，Ｎ为猎人 猎 物 位 置 的 总 数； ｊ ＝ １ ，２， …，Ｄ， Ｄ为 待 优 化 超 参 数 的 维 数；
ｘ 为［０，１］之间的随机数；η∈ （０，１）， μ∈ （０，１）时，系 统 处 于 混 沌 状 态； ｒ为 ０～１之 间 的 随
ｉ，ｊ
机数。
（ ３）水波动态自适应因子。水波动态自适应因子是将水波动态变化的随机性加入到探索阶段，降
低其他猎人盲目跟随的概率，增强猎人之间信息交流和学习的能力。在保持种群的多样性的同时，大
大降低个体间的趋同性，进而提高算法避免陷入局部最优的能力 ［３７］ 。其数学模型如下所示：
( π ·ｌ ＋ ２ ·π )
λ ＝ １ － ｓｉｎ （３）
２·ｌ
ｍａｘ
式中：λ为水波动态自适应因子；ｌ为当前迭代数；ｌ 为最大迭代数。
ｍａｘ
３．２．３ ＩＨＰＯ － ＸＤＦ模型实现流程 利用 ＩＨＰＯ算法的寻优能力和 ＤＦ算法的学习能力，提出基于 ＩＨＰＯ
算法改进的深度森林（ＩＨＰＯ － ＸＤＦ）模型，该模型在训练过程中，通过 ＩＨＰＯ算法不断迭代超参数，使
预测值与实测值的误差逐渐变小，从而达到改进 ＤＦ算法预测性能的目的。ＩＨＰＯ － ＸＤＦ模型的实现流
程如图 ４所示。
３．３ 面向施工通风频率预测的可解释性机器学习框架 在传统智能算法进行预测时，其内部预测过程
与手段不透明，类似于 “黑箱” 模型，让人难以直接地理解模型预测结果，降低了模型的可信度，因

７
— １ ０ ６ —