技术领域
[0001] 本发明涉及隧道设计技术领域，尤其涉及一种隧道洞口边仰坡三维开挖边界线智能求解方法。
相关背景技术
[0002] 在铁路山岭隧道洞口工程的建设中，常常伴随着大量的天然和人工边坡。其中，边仰坡开挖边界线的确定是设计截水天沟、计算工程量和开挖施工放样等后续设计、施工的前提，是隧道洞口设计的重要内容之一。
[0003] 目前，隧道洞口边、仰坡开挖方案的设计均是在二维横、纵断面上进行，故开挖边界线也是由人工计算且最终表达在平面图上的二维多段线，其主要求解流程为：以隧道洞口设计起点间隔10m划定设计断面并完成边仰坡开挖参数设计；令设计断面迹线与等高线相交，逐一计算交点位置并手动绘制线；计算设计开挖线与自然地面线交点至隧道中线的水平距离；根据上述距离在平面图内作出开挖边界线控制点，人工识别出控制点顺序，并手动连接为样条线。可以看出，隧道洞口边仰坡开挖边界线的设计求解过程包含大量需要人工识别、计算和手动绘制的步骤，且最终成果以二维形式输出，不能满足当前高效、精细化设计的需求。
[0004] 上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
具体实施方式
[0071] 应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0072] 参照图1，图1为本发明实施例方案涉及的硬件运行环境的隧道洞口边仰坡三维开挖边界线智能求解设备结构示意图。
[0073] 如图1所示，该隧道洞口边仰坡三维开挖边界线智能求解设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless‑Fidelity，Wi‑Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的非易失性存储器(Non‑Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0074] 本领域技术人员可以理解，图1中示出的结构并不构成对隧道洞口边仰坡三维开挖边界线智能求解设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0075] 如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及隧道洞口边仰坡三维开挖边界线智能求解程序。
[0076] 在图1所示的隧道洞口边仰坡三维开挖边界线智能求解设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明隧道洞口边仰坡三维开挖边界线智能求解设备中的处理器1001、存储器1005可以设置在隧道洞口边仰坡三维开挖边界线智能求解设备中，所述隧道洞口边仰坡三维开挖边界线智能求解设备通过处理器1001调用存储器1005中存储的隧道洞口边仰坡三维开挖边界线智能求解程序，并执行本发明实施例提供的隧道洞口边仰坡三维开挖边界线智能求解方法。
[0077] 本发明实施例提供了一种隧道洞口边仰坡三维开挖边界线智能求解方法，参照图2，图2为本发明一种隧道洞口边仰坡三维开挖边界线智能求解方法第一实施例的流程示意图。
[0078] 本实施例中，所述隧道洞口边仰坡三维开挖边界线智能求解方法包括以下步骤：
[0079] 步骤S10：建立隧道洞口局部坐标系，并根据所述隧道洞口局部坐标系生成隧道洞口三维线路和地形模型。
[0080] 需要说明的是，本实施例的执行主体是隧道洞口边仰坡三维开挖边界线智能求解设备，其中，该隧道洞口边仰坡三维开挖边界线智能求解设备具有数据处理，数据通信及程序运行等功能，所述隧道洞口边仰坡三维开挖边界线智能求解设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
[0081] 应当理解的是，参照图3，图3为本方案的技术流程图。从前期勘察设计成果中提取线路数据及地形点云数据，以洞口设计里程处的左线内轨顶面点为原点，线路方向为y方向，建立洞口局部坐标系；将线路平、纵控制点坐标转换至洞口局部坐标系下，拟合生成三维路线模型；筛选隧道洞口影响范围的地表点云，对其坐标进行提取和坐标系转换，建立洞口三维地形曲面。
[0082] 以某单洞双线隧道出口拟设于DK216+386～DK216+405里程范围内，隧道洞门选型为帽檐倒切式洞门，设计长度为19m，设计外径为14.7m。隧道出口周围地形如图4所示，地表覆盖主要为粉质黏土、全风化板岩地层进行说明。
[0083] 在具体实现中，建立以隧道出口里程DK216+386处左线内轨顶面为原点，线路大里程方向为y方向的洞口局部坐标系。从局部坐标原点分别向大、小里程方向截取50m，提取隧道洞口段线路控制点坐标并转换至该坐标系，重新拟合为平滑的三维线路模型。同时，沿局部坐标系原点向四周各扩展50m，截取范围内地形点云并配准至局部坐标下，利用Delaunay剖分生成创建如图5所示的三维地形曲面网格。
[0084] 步骤S20：基于所述隧道洞口三维线路和所述地形模型生成边仰坡设计断面，并确定开挖参数。
[0085] 可以理解的是，选择洞口区间内的控制性里程，作以控制里程处的线路坐标为原点且垂直于线路的平面为边坡控制设计断面；逐一确定所有控制设计断面内的级数、坡高、坡率、台阶宽度等参数；以明暗分界里程为原点，作平行于线路的平面为仰坡控制设计断面，并设计仰坡控制断面的开挖参数。控制断面设计完成后，按照0.5～1m为间距进行自动加密，生成如图6所示加密的边坡设计断面和仰坡设计断面，其开挖参数由两个邻近控制断面的对应参数插值确定。
[0086] 进一步地，所述基于所述隧道洞口三维线路和所述地形模型生成边仰坡设计断面，并确定开挖参数，包括：
[0087] 确定隧道洞口内的控制性里程；
[0088] 将以所述控制性里程的线路坐标为原点，以垂直于所述线路的平面作为边坡控制设计断面，并确定所述边坡控制设计断面的开挖参数；
[0089] 将以明暗分界里程为原点，以平行于所述线路的平面作为仰坡控制设计断面，并确定所述仰坡控制设计断面的开挖参数；
[0090] 对所述边坡控制设计断面和所述仰坡控制设计断面的间隙按照预设间隔加密，得到边坡加密设计断面和仰坡加密设计断面；
[0091] 对所述边坡控制设计断面的开挖参数和所述仰坡控制设计断面的开挖参数进行插值，得到所述边坡和仰坡加密设计断面的开挖参数。
[0092] 在具体实现中，以DK216+386、DK216+387、DK216+390、DK216+405为控制里程，建立4个边坡控制设计断面；同理，在明暗分界里程DK216+405处建立2个平行于线路方向的仰坡控制设计断面，在每个设计断面内，对边坡/仰坡的级数、坡高、坡率及台阶宽度等开挖参数进行设计，如表1所示。确定控制断面开挖参数后，按照1m间距自动加密生成15个边坡加密设计断面、12个仰坡加密设计断面，并自动计算其开挖参数。
[0093] 表1边坡控制设计断面开挖参数表：
[0094]
[0095]
[0096] 步骤S30：根据投影法计算所述边仰坡设计断面的特征点，根据所述特征点生成所述边仰坡设计断面的自然地面线。
[0097] 需要说明的是，对于所有边坡设计断面和仰坡设计断面，依据要求精度利用投影法计算出地形表面在该设计断面内的特征点，并基于此生成断面内的自然地面线。
[0098] 进一步地，所述根据投影法计算所述边仰坡设计断面的地形特征点，根据所述特征点生成所述边仰坡设计断面的自然地面线，包括：
[0099] 根据所述边仰坡设计断面的原点沿垂直于线路方向得到所述边仰坡设计断面在水平面上的投影迹线；
[0100] 根据预设离散精度对所述投影迹线离散，得到多个分段点；
[0101] 根据断面原点坐标，垂直于线路方向的方向向量以及断面投影迹线的长度得到所述设计断面内地地的特征点的平面坐标；
[0102] 根据所述设计断面内地面线的特征点的平面坐标作垂直射线与单位地形表面相交，将交点添加到地形面交点列表；
[0103] 将所述地形面交点列表的交点按照顺序连接，生成所述边仰坡设计断面的自然地面线。
[0104] 在具体实现中，作设计断面在原点平面上的投影迹线，并按0.5m间距对迹线进行分割，作为自然地面线控制点的x、y坐标。以DK216+390设计断面为例，按式1计算地面线控制点x、y坐标，再以分割点为起点竖直向上作射线，求射线与三维地形表面交点的高程，作为控制点z坐标，所得结果如表2所示，过设计断面原点，沿其x方向作出该断面在水平面上的投影迹线，将迹线按设定精度△n米进行离散，则分段点的坐标可按式1计算：
[0105]
[0106] 式中，proji(x,y)为设计断面内地面线第i个特征点的平面坐标，O为断面原点坐标， 为归一化的断面x方向向量，len为断面投影迹线的长度。
[0107] 表2DK216+390断面自然地面线控制点坐标表：
[0108]
[0109]
[0110] 依据表2的坐标数据，将全部控制点按顺序连接，即可生成设计断面DK216+390内的自然地面线。
[0111] 步骤S40：根据所述边仰坡设计断面及其开挖参数生成开挖后边坡表面线，与所述自然地面线相交求出开挖边界控制点的坐标集合。
[0112] 在具体实现中，根据所述边仰坡设计断面及其开挖参数生成开挖后边/仰坡表面线，并根据得到控制点的坐标可以描述为建立开挖边界控制点集，根据边仰坡开挖参数，计算并绘制出所有设计断面内的开挖后边/仰坡表面线，使其与同断面内的自然地面线作相交运算，将全部交点添加至控制点集内，由于同一断面内可能求得多个交点，此时得到的控制点集为散乱无序状态。
[0113] 进一步地，所述根据所述边仰坡设计断面及其开挖参数生成开挖后边/仰坡表面线，并根据所述开挖后边/仰坡表面线与所述自然地面线的交点得到开挖边界控制点的坐标集合，包括：
[0114] 建立开挖边界控制点集；
[0115] 根据所述开挖参数计算并绘制出开挖后边/仰坡表面线；
[0116] 将所述开挖后边/仰坡表面线与同一断面的自然地面线做相交运算，得到控制点坐标，并将所述控制点坐标添加到所述开挖边界控制点集内。
[0117] 在具体实现中，以收集所有设计断面内开挖后坡表线与自然地面线的交点建立开挖边界控制点集，并计算开挖后边/仰坡表面线的控制点坐标。所有设计断面的开挖后坡表控制点均可由其开挖参数计算出：
[0118]
[0119] 式中，On,i为设计断面n的第i个控制点坐标，On,x、On,y、On,z分别为该断面原点的x、y、z坐标，ls是断面原点到边仰坡起坡点的距离，αn为断面与局部坐标系x轴方向夹角，swj、pwj分别为断面内第j级边坡/台阶宽度，shj为第j级边坡高度。
[0120] 对于所有设计断面，将按式2计算出的坐标按顺序连接成开挖后坡表线，并使其与自然地面线进行相交运算，此时二者交点即为开挖边界控制点，故将所有交点添加至边界控制点集内。
[0121] 以仰坡设计断面LP+06为例，按照式2计算出的开挖控制点坐标如表3所示，将其连接绘制为开挖后地面线，并与同一设计断面内的自然地面线相交，求得本断面上如图7所示的3个开挖边界控制点坐标分别为(0.91,23.55,379.19)，(0.91,34.31,384.19)，(0.91,37.31,386.19)。
[0122] 表3仰坡设计断面LP+06开挖后地面线控制点坐标表：
[0123] 开挖控制点 x坐标 y坐标 z坐标一级临时坡起点 0.91 19.00 362.09
一级临时坡终点 0.91 19.00 373.64
二级临时坡终点 0.91 21.00 375.64
一级永久坡终点 0.91 31.00 383.64
一级台阶终点 0.91 33.00 383.64
二级永久坡终点 0.91 43.00 391.64
二级台阶终点 0.91 45.00 391.64
三级永久坡终点 0.91 55.00 399.64
三级台阶终点 0.91 57.00 399.64
[0124] 如图8所示，逐个求解所有设计断面内的开挖边界控制点并整合，得到完整但无序的开挖边界控制点集。
[0125] 步骤S50：根据聚类‑改进离散灰狼算法对所述开挖边界控制点的坐标集合进行排序，得到有序的控制点坐标集。
[0126] 在具体实现中，利用聚类‑改进离散灰狼算法对无序的控制点集进行智能排序。为生成连续、不自交且长度最短的三维开挖边界线，利用k均值聚类方法将控制点集分割为左、右侧子集；分别在各子集内利用离散灰狼优化算法对进行无序点智能排序；对排序后的子集进行逆序、拼接操作，生成完整、有序的控制点集。
[0127] 步骤S60：根据三维样条曲线与所述有序的控制点坐标集拟合得到三维开挖边界线。
[0128] 在具体实现中，利用三维样条曲线和有序的控制点对开挖边界线进行拟合。按照控制点坐标和连接顺序，利用三维B‑Spline曲线对其进行拟合，生成光滑过渡的三维开挖边界线，并将得到的三维开挖边界应用于实际隧道挖掘过程中。
[0129] 本实施例通过建立隧道洞口局部坐标系，并根据隧道洞口局部坐标系生成隧道洞口三维线路和地形模型，基于隧道洞口三维线路和地形模型生成边仰坡设计断面，并确定开挖参数，根据投影法计算边仰坡设计断面的地形特征点，根据特征点生成边仰坡设计断面的自然地面线，根据开挖参数和边仰坡设计断面生成开挖后边/仰坡表面线，并根据开挖后边/仰坡表面线得到控制点的坐标，根据聚类‑改进离散灰狼算法对控制点的坐标排序，得到有序的控制点坐标集，根据三维样条曲线与有序的控制点坐标集拟合得到三维开挖边界线，能够大幅提高边仰坡开挖边界线求解的效率和精度。
[0130] 参考图9，图9为本发明一种隧道洞口边仰坡三维开挖边界线智能求解方法第二实施例的流程示意图。
[0131] 基于上述第一实施例，本实施例隧道洞口边仰坡三维开挖边界线智能求解方法在所述步骤S50，还包括：
[0132] 步骤S501：利用k均值聚类方法对所述开挖边界控制点的坐标集分割，得到左侧子集和右侧子集；
[0133] 步骤S502：分别遍历所述左侧子集和所述右侧子集，将子集内距离分割线最近的点作为对应子集的排序起点；
[0134] 步骤S503：根据改进离散灰狼算法，以所述排序起点分别对所述左侧子集和右侧子集内的控制点的坐标进行排序；
[0135] 步骤S504：对排序后的右侧子集进行逆序操作，并将逆序后的右侧子集与排序后的左侧子集重新拼接，得到所述有序的控制点坐标集。
[0136] 在具体实现中，为提高求解的效率和准确性，将无序的控制点集分割为左、右侧两个子集，再对分别子集进行智能排序。本方法中为将散乱点有效分为左、右两个分区，避免其余方向的干扰，在对点进行聚类操作时将聚类数设为2，且仅考虑点的x坐标，做一维方向上的k均值聚类。对于左、右两侧子集，分别遍历计算并取出其中距离分隔线最近的点，作为后续对子集进行排序时的起点PsL、PsR。并利用离散灰狼优化算法对子集内剩余的无序点进行智能排序，其中，灰狼优化算法作为一种群体智能优化算法，思想是将问题的有限组可行解的集合视为灰狼种群，其中每头灰狼的位置即代表一组可行解，进而可将搜索最优解视为驱动灰狼群体不断更新位置并取其最优的过程。为求解离散型问题，本方法采用离散灰狼优化算法。同时，为避免过早收敛并陷入局部最优解，利用自适应变邻域搜索和局部搜索策略对其进行改进，改进后的离散灰狼优化算法寻优过程如图10所示。
[0137] 首先设置优化算法基本参数，种群数量、变量维度、搜索空间、基本变异比vmin、最大变异比vmax和迭代次数等主要参数，其中，种群数量为迭代中的可行解组数、变量维度为一组可行解中的变量个数、搜索空间为解的取值范围。离散灰狼优化算法对可行解形式及搜索范围进行了重定义，对于含n个点的无序点集，其可行的排序解均可表达为n维向量：
[0138] X＝(P1,P2,...Pi,...Pn) (式3)
[0139] 式中，X为一组可行解，n为待排序的点数量，Pi为当前解中处于第i个位置的点，本方法使用该点在排序前点集中的编号来代表。基于此定义，可行解中每维变量其取值范围均为[1,2,...,n]，但由于非自交条件的限制，同一点不能在一组解中重复出现，故应满足Pi≠Pj。
[0140] 为使将散乱点按照排序解连接而成的多段线非自交且长度最短，设计考虑惩罚机制的适应度函数用于求解最优排序：
[0141]
[0142] 式中，F为适应度值，l(Ps,P1)为排序解中第1个点到给定起点Ps的距离，l(Pi,Pi+1)为按排序解连接生成的多段线中第i段长度。
[0143] 然后初始化灰狼种群位置，根据设定种群数量p，利用洗牌算法(Shuffle Algorithm)共生成p组可行的排序解，以保证同一点在一组解中不重复出现。再依据式4计算初始化后所有灰狼的适应度值。
[0144] 为提高算法搜索能力，改进的离散灰狼优化算法在确定α、β、θ狼身份前，先对适应度值为前m％的部分灰狼个体分别执行变邻域搜索。
[0145]
[0146] 式中，Iternow为当前迭代次数，Itermax为设定的最大迭代次数。
[0147] 本方法引入的变邻域搜索算法中，共包含如图11所示的逆序、交换和插入三种操作。其中逆序即将排序解中随机选中的部分片段进行倒置；交换是将排序解中随机选中的两维进行位置交换；插入则是将随机两维中的一维移至另一维后。三种操作通过随机选择，以提高邻域结构的多样性。
[0148] 以种群中第n头狼新位置的确定为例，对改进后的灰狼位置更新算法进行详细说明。首先按照式6分别计算灰狼n与α、β、θ狼的交换序SS：
[0149] SSi‑n＝(Xi‑Xn)(式6)
[0150] 式中，SSi‑n为第n头灰狼向第i头灰狼靠近时所需进行的一系列位置变换操作，故SSi‑n由多个表示单一变换操作的交换算子SO组成：
[0151] SSi‑n＝{SOn,SOm,...SOk,SOj}(式7)
[0152] 式中，j、k、m等均为第n头灰狼与第i头灰狼的中间位置。以解X1＝(1,2,3,4)到解X2＝(1,3,2,4)的变换为例，需交换X1的第2、3维得到中间位置Xtemp＝(1,2,3,4)，再交换中间位置的第3、4维，故SS2‑1＝(X2‑X1)＝{SO(2,3),SO(3,4)}。
[0153] 通过引入交换序SS和交换算子SO，位置更新序D可按式8计算：
[0154] D＝c1×SSα‑n+c2×SSβ‑n+c3×SSθ‑n(式8)
[0155] 式中，c1、c2、c3为均为[0,1]的随机数，SSα‑n、SSβ‑n、SSθ‑n则分别为灰狼n到α、β、θ狼的交换序。
[0156] 故灰狼n在本轮迭代中的目标更新位置Xtar可表示为式9，即根据位置更新序D中的交换子逐一对原位置Xn进行交换操作：
[0157] Xtar＝Xn+D(式9)
[0158] 为考虑变化过程中可能出现的最优位置，本方法引入采用局部搜索策略，记录变换过程中所有中间位置及其适应度，当某个中间位置Xtbest的优于目标位置Xtar时，则直接将Xtbest作为本轮迭代后最终确定的灰狼n新位置，即：
[0159]
[0160] 重复对适应度值为前m％的部分灰狼个体分别执行变邻域搜索，直至迭代次数达到上限，此时种群中α狼的位置即为搜索到的最优解，并对智能排序后的右子集SetR进行逆序操作，再将其与排序后的左子集SetL重新拼接，形成完整、有序的控制点集Setnew：
[0161]
[0162] 以实际案例举例说明，将图8中的75个无序控制点按其x坐标进行一维k均值聚类，可有效分为如图12所示的左、右两个子集。左、右两侧聚类中心分别为‑5.325和19.015，左侧子集共含44个点，其最大x坐标为5.933，右侧子集共含31个点，其最小x坐标为6.932。分别在左、右子集中搜索出距离聚类中心最远的点作为对子集排序时的起点，可求得左侧子集的排序起点PsL为(5.93,40.91,390.40)，右侧子集的排序起点PsR为(6.93,40.73,390.26)。
[0163] 表4左侧子集内的控制点及编号：
[0164]
[0165] 表5右侧子集内的控制点及编号：
[0166]
[0167]
[0168] 取出左、右两侧子集的起点，对剩余散乱点进行智能排序优化。以右侧子集的排序优化为例，设定离散灰狼优化算法种群数量为300，最大迭代次数为200，变量维度为35，基本变异比vmin为0.1、最大变异比vmax为0.5。利用洗牌算法初始化随机生成300头灰狼，按照式4计算每头灰狼位置(即子集内点的连接顺序)对应的适应度值。以第1次迭代中第82头灰狼为例，说明灰狼位置更新过程。迭代开始前，需将灰狼按适应度从小到大排序，再对其中前0.1+(0.5‑0.1)*(1‑1/100)＝49.6％的灰狼进行变邻域搜索。对于第82头灰狼，其原位置为{18,14,21,26,20,11,17,12,13,27,28,1,0,15,10,22,24,4,3,8,7,25,16,29,6,19,5,9,23,2}，适应度值为407.22，通过随机确定其变邻域操作为将第27位至第29位进行逆序，故变邻域后其位置更新为{18,14,21,26,20,11,17,12,13,27,28,1,0,15,10,22,24,4,3,
8,7,25,16,29,6,19,23,9,5,2}。当指定灰狼均完成变邻域搜索后，按照新位置再次计算适应度值，并将其中最小的3头分别确定为α、β、θ狼。经过变邻域搜索，α狼的位置为{5,7,4,0,
22,21,2,13,8,16,28,29,18,17,26,1,6,25,15,24,19,3,27,12,10,11,23,9,14,20}，故第
82头灰狼与α狼间的交换SSα‑82序为{SO(0,28),SO(1,20),SO(2,17),SO(3,12),SO(4,15),SO(5,17),SO(6,29),SO(7,8),SO(8,19),SO(9,22),SO(11,23),SO(12,28),SO(13,29),SO(14,28),SO(15,23),SO(16,24),SO(17,21),SO(18,29),SO(19,24),SO(20,25),SO(21,
29),SO(23,24),SO(24,28),SO(25,29),SO(28,29)}，随机数c1为0.81。同理，可分别算出SSβ‑82、SSθ‑82和c2、c3，并将三者拼接得到位置更新序D。对第82头狼逐一执行位置更新序D中的每个SO算子，使其不断向目标位置靠近。为考虑局部搜索，每执行一次交换后都记录该中间位置及相应的适应度值，待全部交换执行完成，再从记录中选择适应度值最优的作为局部搜索结果。局部搜索结束后，第82头狼最终的位置被确定为{18,7,4,0,22,21,2,13,8,
16,28,29,26,15,10,20,24,11,3,12,14,25,27,1,6,19,23,9,5,17}，适应度值为332.06。
[0169] 重复上述迭代过程，在每次迭代中更新所有灰狼的位置，直至达到设定的最大迭代次数200，得到右侧子集的最佳排序为{18,29,28,27,17,16,26,25,15,14,24,13,12,11,23,22,10,21,9,8,7,20,6,5,4,19,3,2,1,0}，适应度值为52.99。同理，可得到左侧子集的最佳排序为{8,2,3,1,4,5,0,6,7,10,9,11,17,12,14,16,13,21,15,20,38,39,22,23,18,
19,25,26,27,32,28,24,36,37,33,34,35,40,41,29,30,42,31}，适应度值为58.19。利用改进离散灰狼算法对右、左两侧子集进行排序时的适应度收敛过程如图13和图14所示。
[0170] 为使最终得到的三维曲线是逆时针方向，将经过智能排序的右侧子集做逆序操作，再按顺序拼接右侧排序起点PsR、右侧排序起点PsL和智能排序的右侧子集，组成完整、有序的最终排序成果，如表6所示。
[0171] 表6完整控制点集智能排序结果：
[0172]
[0173]
[0174] 按照表6中提供的坐标及智能排序序号，将边仰坡开挖控制点依次连接，并用空间B‑Spline曲线进行拟合，即可生成如图15所示的边仰坡开挖三维边界线。
[0175] 本实施例通过通过k均值聚类对无序点集进行分割，分别在各子集内利用改进离散灰狼算法进行智能排序，再利用排序后的子集做逆序、拼接操作以生成有序的完整点集，解决了计算机无法直接利用散乱控制点连接生成边界线，需要高度依赖于人工识别排序的问题。
[0176] 此外，本发明实施例还提出一种存储介质，所述存储介质上存储有隧道洞口边仰坡三维开挖边界线智能求解程序，所述隧道洞口边仰坡三维开挖边界线智能求解程序被处理器执行时实现如上文所述的隧道洞口边仰坡三维开挖边界线智能求解方法的步骤。
[0177] 参照图16，图16为本发明隧道洞口边仰坡三维开挖边界线智能求解装置第一实施例的结构框图。
[0178] 如图16所示，本发明实施例提出的隧道洞口边仰坡三维开挖边界线智能求解装置包括：
[0179] 求解准备模块10，用于建立隧道洞口局部坐标系，并根据所述隧道洞口局部坐标系生成隧道洞口三维线路和地形模型；
[0180] 断面求解模块20，用于基于所述隧道洞口三维线路和所述地形模型生成边仰坡设计断面，并确定开挖参数；
[0181] 曲线求解模块30，还用于根据投影法计算所述边仰坡设计断面的地形特征点，根据所述特征点生成所述边仰坡设计断面的自然地面线；
[0182] 坐标确定模块40，用于根据所述边仰坡设计断面及其开挖参数生成开挖后边/仰坡表面线，并根据所述开挖后边/仰坡表面线与所述自然地面线的交点得到开挖边界控制点的坐标集合；
[0183] 坐标排序模块50，用于根据聚类‑改进离散灰狼算法对所述控制点的坐标排序，得到有序的控制点坐标集；
[0184] 结果输出模块60，用于根据三维样条曲线与所述有序的控制点坐标集拟合得到三维开挖边界线。
[0185] 本实施例通过建立隧道洞口局部坐标系，并根据隧道洞口局部坐标系生成隧道洞口三维线路和地形模型，基于隧道洞口三维线路和地形模型生成边仰坡设计断面，并确定开挖参数，根据投影法计算边仰坡设计断面的特征点，根据特征点生成边仰坡设计断面的自然地面线，根据开挖参数和边仰坡设计断面生成开挖后边/仰坡表面线，并根据开挖后边/仰坡表面线得到控制点的坐标，根据聚类‑改进离散灰狼算法对控制点的坐标排序，得到有序的控制点坐标集，根据三维样条曲线与有序的控制点坐标集拟合得到三维开挖边界线，能够大幅提高边仰坡开挖边界线求解的效率和精度。
[0186] 在一实施例中，所述断面求解模块20，还用于确定隧道洞口内的控制性里程；将以所述控制性里程的线路坐标为原点，以垂直于所述线路的平面作为边坡控制设计断面，并确定所述边坡控制设计断面的开挖参数，所述边坡控制设计断面的开挖参数至少包括临时边坡坡高、坡率以及永久边坡坡高、坡率、台阶宽度；将以明暗分界里程为原点，以平行于所述线路的平面作为仰坡控制设计断面，并确定所述仰坡控制设计断面的开挖参数，所述仰坡控制设计断面的开挖参数至少包括临时仰坡坡高、坡率以及永久仰坡坡高、坡率、台阶宽度；对所述边坡控制设计断面和所述仰坡控制设计断面的间隙按照预设间隔加密，得到边坡加密设计断面和仰坡加密设计断面；利用所述边坡控制设计断面和仰坡控制设计断面的开挖参数进行插值，得到所述边坡加密设计断面和仰坡加密设计断面的开挖参数。
[0187] 在一实施例中，所述曲线求解模块30，还用于根据所述边仰坡设计断面的原点沿垂直于线路方向得到所述边仰坡设计断面在水平面上的投影迹线；根据预设离散精度对所述投影迹线离散，得到多个分段点；根据断面原点坐标，垂直于线路方向的方向向量以及断面投影迹线的长度得到所述设计断面内地面线的特征点的平面坐标；根据所述设计断面内地面线的特征点的平面坐标作垂直射线与单位地形表面相交，将交点添加到地形面交点列表；将所述地形面交点列表的交点按照顺序连接，生成所述边仰坡设计断面的自然地面线。
[0188] 在一实施例中，所述坐标确定模块40，还用于建立开挖边界控制点集；根据所述开挖参数计算并绘制出开挖后边/仰坡表面线；将所述开挖后边/仰坡表面线与同一断面的自然地面线做相交运算，得到控制点坐标，并将所述控制点坐标添加到所述开挖边界控制点集内。
[0189] 在一实施例中，所述坐标排序模块50，还用于利用k均值聚类对所述开挖边界控制点坐标集分割，得到左侧子集和右侧子集；分别遍历所述左侧子集和所述右侧子集，将子集内距离分割线最近的点作为对应子集的排序起点；根据改进离散灰狼算法，以所述排序起点分别对所述左侧子集和右侧子集内的控制点坐标进行排序；对排序后的右侧子集进行逆序操作，并将逆序后的右侧子集与排序后的左侧子集重新拼接，得到所述有序的控制点坐标集。
[0190] 在一实施例中，所述坐标排序模块50，还用于确定所述改进离散灰狼算法的基本参数，所述基本参数至少包括种群数量、变量维度、搜索空间、基本变异比、最大变异比、迭代次数；根据所述控制点坐标集中的待排序点数，将点的索引作为一组排序解；按照所述排序解的顺序连接坐标集中的控制点得到一条多段线，将该多段线的长度作为适应度；基于种群数量根据洗牌算法生成多组可行的排序解，同一组排序解中不重复出现相同的点；对所述适应度排序，将所述适应度大于变邻域下限的部分进行变邻域搜索，所述变邻域下限由基本变异比、最大变异比、当前迭代次数与最大迭代次数得到；根据当前个体的位置向群体中最优位置移动的方向确定交换序；根据所述交换序与随机数确定所述当前个体的位置更新序；根据所述当前个体的位置更新序对所述当前个体的位置进行更新；重复执行所述对所述适应度排序，将所述适应度大于变邻域下限的部分进行变邻域搜索的步骤，直至迭代次数达到上限。
[0191] 应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0192] 应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0193] 需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0194] 此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0195] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0196] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0197] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
