随着社会经济的快速发展,城市建筑平地而起。其高度也越来越高,随之而来的是基坑的加深。深基坑在现在建筑中普遍存在,也越来越被人们所需要。由于地壳的运动以及地下水的使用,沉降一直都在发生。但深基坑的沉降则关乎着高楼大厦的根基。在现在以人为本的社会生活中,安全一直都是一个重中之重的话题。而深基坑的沉降与人们的健康密切相关。因此基坑沉降的观测及预测一直都是现在人们关注的重点。在基坑施工的过程中肯定会引起自身及周围的动荡、这些动荡就会引起地下隧道、管线及周边建筑物的变形。一定程度的变形是人力无法阻止的,但超过一定的限度就会对人民的财产生命安全造成极大的损失。因此,在基坑施工过程中一定要做好对基坑的变形监测,并根据变形数据分析出变形的原因及规律。尽可能为减少事故的发生做出努力。本文拟采用机器学习算法,通过改进的灰狼算法对最小二乘支持向量机进行优化,并将其应用到基坑的变形监测上,对基坑的沉降进行一系列的预测。本文的主要工作如下:(1)对施工过程中基坑的变形因素、条件进行简单的了解。并对各种预测模型进行归纳分类,分别进行优缺点的评估。确定选取最小二乘支持向量机作为基坑预测的模型。针对最小二乘支持向量机难以确定参数,本文提出使用简单易懂、具有良好收敛性的灰狼算法对其进行优化。(2)本文首先对灰狼算法的来源进行了介绍,并对其性质进行了着重分析。在分析性质的过程中对灰狼算法的缺点进行了说明:(1)初始种群的具有随机性。(2)没有较好的展示狼群中等级地位的不同。主要是通过可变比例权重和加入差分进化算法两个方面进行改进。改进后用4种算法,6种函数进行性能对比分析。结果表明,改进的算法不仅在寻优能力上得到提高,其迭代速度也得到了提升。(3)将改进的灰狼算法应用到最小二乘支持向量机算法的参数进行优化上。主要是对LSSVM(Least squares support vector machine)的核参数?和正则化参数?进行寻优,进而得到新的模型——IGWO-LSSVM(Improved gray wolf optimization-Least squares support vector machine)预测模型。然后用三个常用的检测模型精度指标对IGWO-LSSVM预测模型进行检测。结果证明,IGWO-LSSVM预测模型提高了预测准确率和效率。(4)借助MATLAB语言,结合实际变形监测数据,对LSSVM、GWO-LSSVM(Gray wolf optimization-Least squares support vector machine)、改进的IGWO-LSSVM三种模型编程进行仿真训练,对观测的数据进行了预测,并与变形监测观测所得到的数据进行对比分析。结果表明:GWO-LSSVM和改进的GWO-LSSVM模型预测精度比LSSVM的高,其中IGWO-LSSVM模型的预测结果更接近实际观测值,该模型在城市基坑变形预测中有很好的应用价值。