比指定剪入剪出更为省事的高效高质量方法-布谷鸟搜索法计算边坡稳定性

     之前一直跟大家推荐滑动面我们最好采用指定的剪入剪出法来回试算，这样可以更好的从定性分析落实到定量分析，如非粘性土碎石土挖方边坡，一级坡率1:1，二级三级1:1.25，四级及以上1:1.5，整个边坡为简单起见全部采用统一抗剪强度，从定性角度可以看出最不利滑动面肯定位于一级坡，从一级坡平台剪入，坡脚剪出，因此采用剪入剪出法可以很快的计算出来。如下图：（极限平衡法采用剪力、力矩均平衡的摩根斯坦法）

     可知计算结果为1.404，但其实由于软件和认为假定误差，当我们微调剪入剪出位置时，计算结果会变化为1.409，也会变化为1.395，虽然差别不大，但是仍有差别。

      一般情况下，为解决此问题，可以选择优化临界滑移面位置，这是1996年Greco和2001年sarma大师研究出的结果，优化过程的第一步就是将搜索出的最不利滑面分成一些直线段，使之变成一个完全指定样的滑面，然后移动直线段的终点尝试找到是否有更小的稳定系数，这个点是沿着前后来回移动，直到找到此点左右侧最小的稳定系数位置，然后再同理移动旁边的相邻点，所有点均重复此过程，最后再将直线的中间插入点，再反复移动搜索最小点，安全系数的变化量在一个指定的容差范围内，或者也可以人为指定优化次数，采用此方法我们看下搜索结果，为更具有代表性，剪入剪出区域我们采用计算结果为偏大的1.404的情况进行。

         计算结果可以看到，最终计算结果为1.375，此才为全局最小稳定系数。

          但此方法的弊端也比较多，当地层复杂时，搜索时间会非常费时费力，并且跟人为假定的剪入剪出区域选择有很大关联，并且可能一般情况下，经验较少的设计人员很难确定剪入剪出区域，这时采用布谷鸟法 会非常的简便，布谷鸟法其实就是利用了布谷鸟的生活习性衍生出已应用各种行业的智能优化算法，布谷鸟是不会自己孵蛋的，因此他们产下蛋后会随机寻找一个鸟巢进行孵蛋，一般情况下鸟巢中的鸟妈妈自己的蛋会比布谷鸟的晚出来，那么小鸟将采取本能行为就是盲目的将自己的蛋推出鸟巢，增加了布谷鸟从鸟妈妈那里获取的食物量，而且布谷鸟还能模仿宿主幼崽的叫声来获得更多的进食机会。

       以此为启发，2009年剑桥大学杨新社教授和S.戴布提出该算法，为更好进行数学建模，做出以下三条假定：

      1.每只布谷鸟只产一个蛋，然后把蛋倒进随机选择的鸟巢中。

       2.蛋最好的巢穴将会一代一代保留下来（贪婪原则）。

       3.巢穴是固定的，蛋有被发现的几率，那么巢穴的主人要不扔掉蛋，要么就重新找一个新的巢穴。

       PS：（这三个原则我第一次听到的时候一脸懵逼，真心不知道和边坡有个毛关系）根据以上原理应用到边坡中可以直译为每个鸟巢就是一个滑动面，一次可以选择n个滑动面，n是固定数，如果这个鸟巢很好，也就是滑动面在此次为最不利的或是局部最不利的将予以保留，再进入下一代，而下一代就是迭代，如果滑动面稳定系数高的那么就扔掉它，继续去寻找一个新的巢穴（也就是滑动面）。该方法还是非常实用而且高效的！

       以某一多土层边坡为例进行说明，采用摩根斯坦法进行计算，搜索方法为剪入剪出+优化滑面，表层为碎石土，下一层为强风化砂岩，下覆中风化砂岩，坡率与上一例子相同，定性判断可能在坡率为1:1.25的二级三级坡联合滑动，或者为二级坡范围剪入，一级坡坡顶剪出，人为假定此两种方式分别计算，最不利最终计算结果如下：

      可以看到和定性判断基本相同，而且由于是非粘性土，优化搜索后滑动面和教科书中的浅层折线形滑动一致。两个最不利潜在滑动面最小稳定系数为1.586。那么我们看下采用布谷鸟搜索法 会怎么样，我们需要设定两个参数，第一个就是你的鸟巢数（nets），第二个就是你想传多少代即迭代数（iterations），那么你的总数（trials）理论上应该是两者的乘法，但由于部分好的巢穴（不利滑动面）被保留了下来，所以实际上会少于该值。

       大家可以看到最终计算结果为1.586，而且是全局搜索，不需要你设置剪入剪出，只需要设置一个鸟巢数和传多少代，分明是想给全天下的布谷鸟一个家的节奏啊，计算时间秒出，因此该方法我认为对于经验较少暂时难以定性分析高边坡稳定性的同仁尤其有用，以我自己的表述和例子和大家分享，希望大家能够有所收获和借鉴！