不连续面优势产状分组方法、系统、电子设备以及存储介质

技术领域

本发明涉及岩体不连续面聚类技术领域，尤其涉及一种不连续面优势产状分组方法、系统、电子设备以及存储介质。

背景技术

岩石不连续面显著影响岩体的变形和强度，识别岩石不连续集是岩石力学的基础问题之一。不连续面作为岩体的重要组成部分，很大程度上影响并控制着岩体力学性质与工程结构稳定性。自然状态下的岩体不连续面都具有成组的特性，准确可靠的不连续面优势产状分组对岩体强度参数确定、力学特性研究与工程稳定性评价具有十分重要的现实意义。分组方法通常有两种：一种为根据不连续面产状进行分组；另一种除了考虑产状外还考虑了不连续面其他特征参数，不连续面产状很大程度上决定着工程岩体的稳定性，根据产状进行优势分组的应用也最为广泛。

随着计算机理论的不断发展，目前，聚类分析方法将蚁群算法、粒子群算法、差分进化算法等智能优化算法，利用启发式算法强大搜索能力得到全局最优解来对岩体不连续面优势产状分组，不会陷入局部最优解，从而提高不连续面聚类结果的准确性，但是该方法需要事先确定不连续面分组数或者耗费时间调试参数，延长岩体强度参数确定、力学特性研究与工程稳定性评价的时间，延长工程完成的时间。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种不连续面优势产状分组方法、系统、电子设备以及存储介质，不需要繁琐的参数调试过程，也不需要事先指定聚类数目，可以不受初始聚类中心影响确定全局最优解，自动确定基于方向的不连续面集，只需要少量的算法迭代即可获得收敛的聚类结果，提高聚类准确性、收敛速度和稳定性，缩短岩体强度参数确定、力学特性研究与工程稳定性评价的时间，缩短工程完成的时间。

第一方面，本公开实施例提供了不连续面优势产状分组方法，包括：归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。

结合第一方面的实施例，在一些实施例中，所述归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分，包括：

参数初始化，主要包括鲸鱼个体种群规模M，聚类分组数k，最大迭代次数t

其中，M＝200，t

根据岩体不连续面产状单位法向量的特点和聚类数目，随机生成M个表示k个聚类中心单位法向量的鲸鱼个体；

假定不连续面为一空间平面，不连续面的产状用其单位法向量j

其中，α

鲸鱼X

依次计算不连续面法向量样本数据s

其中，θ为任意两个不连续面单位法向量v

将这N×k个距离中每个样本与聚类中心的最小距离对应的样本找出，并将其划分到各自对应的类别中，直至所有样本完成归属划分并且所有鲸鱼个体参与计算；

对于样本在划分的过程中存在某个聚类为空集，则重新初始化鲸鱼个体，重新计算d(s

结合第一方面的实施例，在一些实施例中，所述聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组，包括：

根据鲸鱼X

其中，k为不连续面单位法向量样本被划分簇的个数，w

进入鲸鱼优化算法的主循环，通过鲸鱼捕食机制更新鲸鱼位置，其中，更新鲸鱼位置包括收缩包围、螺旋更新和随机搜索三种方法；

其中，收缩包围位置更新方法为

X(t+1)＝X

D＝|C·X

A＝2a·r

C＝2r

其中，t代表当前的迭代次数，其最大值为t

其中，螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物的数学模型为

X(t+1)＝D′·e

D′＝|X

其中，D′为鲸鱼位置X(t)与当前最优鲸鱼位置X

鲸鱼种群在发现猎物后，在猎物周围以螺旋方式移动，然后不断缩小包围圈向猎物靠近；

为了模拟该行为，在算法实现中假定采用何种捕食方式的可能性是相同的，其通过产生一个[0,1]间的随机数p来决定到底是用收缩包围方式还是螺旋更新方式更新位置；

该阶段|A|<1，此时搜索过程表示鲸鱼优化算法的局部搜索能力；

当前鲸鱼种群具体的位置更新机制为

鲸鱼可以随机寻找猎物，以实现全局搜索而避免陷入局部最优解；

当|A|≥1时，鲸鱼优化算法通过随机搜索寻找更优的猎物，此时随机搜索更新位置公式为

D

X(t+1)＝X

其中，X

根据适应度值的大小，将每个鲸鱼个体向适应度值最小的鲸鱼靠拢；

鲸鱼种群完成一次更新，迭代次数t＝t+1；

迭代次数达到最大迭代次数t

迭代次数未到最大迭代次数t

结合第一方面的实施例，在一些实施例中，所述最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组，包括：

赋值k＝k+1，返回进行归属划分，聚类中心寻找，开始新的循环直至k＝8；

基于不同k值的迭代结束后，采用广泛使用的轮廓系数法评价不同k值时的聚类效果，其中轮廓系数SC为

其中，a(i)为不连续面样本s

计算后轮廓系数SC并从小到大排列，选取得最大值的k值为最优聚类数k

第二方面，本公开实施例提供了一种不连续面优势产状分组系统，包括：归属划分单元，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；聚类中心寻找单元，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；最优聚类中心确定单元，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。

结合第二方面的实施例，在一些实施例中，所述归属划分单元，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分，包括：

参数初始化，主要包括鲸鱼个体种群规模M，聚类分组数k，最大迭代次数t

其中，M＝200，t

根据岩体不连续面产状单位法向量的特点和聚类数目，随机生成M个表示k个聚类中心单位法向量的鲸鱼个体；

假定不连续面为一空间平面，不连续面的产状用其单位法向量j

其中，α

鲸鱼X

依次计算不连续面法向量样本数据s

其中，θ为任意两个不连续面单位法向量v

将这N×k个距离中每个样本与聚类中心的最小距离对应的样本找出，并将其划分到各自对应的类别中，直至所有样本完成归属划分并且所有鲸鱼个体参与计算；

对于样本在划分的过程中存在某个聚类为空集，则重新初始化鲸鱼个体，重新计算d(s

结合第二方面的实施例，在一些实施例中，所述聚类中心寻找单元，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组，包括：

根据鲸鱼X

其中，k为不连续面单位法向量样本被划分簇的个数，w

进入鲸鱼优化算法的主循环，通过鲸鱼捕食机制更新鲸鱼位置，其中，更新鲸鱼位置包括收缩包围、螺旋更新和随机搜索三种方法；

其中，收缩包围位置更新方法为

X(t+1)＝X

D＝|C·X

A＝2a·r

C＝2r

其中，t代表当前的迭代次数，其最大值为t

其中，螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物的数学模型为

X(t+1)＝D′·e

D′＝|X

其中，D′为鲸鱼位置X(t)与当前最优鲸鱼位置X

鲸鱼种群在发现猎物后，在猎物周围以螺旋方式移动，然后不断缩小包围圈向猎物靠近；

为了模拟该行为，在算法实现中假定采用何种捕食方式的可能性是相同的，其通过产生一个[0,1]间的随机数p来决定到底是用收缩包围方式还是螺旋更新方式更新位置；

该阶段|A|<1，此时搜索过程表示鲸鱼优化算法的局部搜索能力；

当前鲸鱼种群具体的位置更新机制为

鲸鱼可以随机寻找猎物，以实现全局搜索而避免陷入局部最优解；

当|A|≥1时，鲸鱼优化算法通过随机搜索寻找更优的猎物，此时随机搜索更新位置公式为

D

X(t+1)＝X

其中，X

根据适应度值的大小，将每个鲸鱼个体向适应度值最小的鲸鱼靠拢；

鲸鱼种群完成一次更新，迭代次数t＝t+1；

迭代次数达到最大迭代次数t

迭代次数未到最大迭代次数t

迭代次数未到最大迭代次数t

结合第二方面的实施例，在一些实施例中，所述最优聚类中心确定单元，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组，包括：

赋值k＝k+1，返回进行归属划分，聚类中心寻找，开始新的循环直至k＝8；

基于不同k值的迭代结束后，采用广泛使用的轮廓系数法评价不同k值时的聚类效果，其中轮廓系数SC为

其中，a(i)为不连续面样本s

计算后轮廓系数SC并从小到大排列，选取得最大值的k值为最优聚类数k

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的不连续面优势产状分组方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的不连续面优势产状分组方法的步骤。

本发明有益效果：该方法通过归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。不需要繁琐的参数调试过程，也不需要事先指定聚类数目，可以不受初始聚类中心影响确定全局最优解，自动确定基于方向的不连续面集，只需要少量的算法迭代即可获得收敛的聚类结果，提高聚类准确性、收敛速度和稳定性，缩短岩体强度参数确定、力学特性研究与工程稳定性评价的时间，缩短工程完成的时间。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的不连续面优势产状分组方法的一个实施例的流程图；

图2是根据本公开的单次鲸鱼算法流程图

图3是根据本公开的鲸鱼优化算法的伪代码示意图；

图4是根据本公开的岩石不连续面示意图；

图5是本公开不连续面优势产状分组系统的结构示意图；

图6是根据本公开实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

请参考图1，其示出了根据本公开的不连续面优势产状分组方法的一个实施例的流程。如图1所示，该方法包括以下步骤：

在这里，鲸鱼优化算法(WOA)是一种基于群体智能模拟的元启发式算法，其灵感来源于自然界中座头鲸的泡沫网进食捕食行为鲸鱼优化算法自提出以来就成为了群体智能优化算法领域研究热点，促使了大量改进算法的研究以解决特定领域的问题，下面对其简要介绍：

在WOA中，假设鲸鱼种群规模为M，搜索空间为d维，第i只鲸鱼在第d维空间的位置可表示为

如图2所示单次鲸鱼算法流程图和如图3所示鲸鱼优化算法的伪代码示意图，该过程可通过如下表达式表示：

X(t+1)＝X

D＝|C·X

其中，

A＝2a·r

C＝2r

式中，t代表当前的迭代次数，其最大值为t

为了用数学模型模拟座头鲸的气泡网捕食行为，在WOA中设计了收缩包围和螺旋更新位置两种机制。收缩包围机制通过式(1)随着收敛因子a的减小而实现。在螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物的数学模型为：

X(t+1)＝D′·e

式(6)中，D′＝|X

除了泡沫网捕食行为，鲸鱼应可以随机寻找猎物，以实现全局搜索而避免陷入局部最优解。当|A|≥1时，WOA算法通过随机搜索寻找更优的猎物。此时，当前鲸鱼种群随机选择一个个体作为参考(猎物)来更新种群位置，试图尽可能地在整个搜索空间中找到一个更好的解。其数学模型与包围捕食阶段的模型相似，但参照猎物不同，具体的数学模型为：

D

X(t+1)＝X

其中，X

步骤101，归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分。

在这里，步骤101的包括：

参数初始化，主要包括鲸鱼个体种群规模M，聚类分组数k，最大迭代次数t

其中，M＝200，t

岩体结构面的产状一般由倾向(0°≤α≤360°)和倾角(0°≤β≤90°)表示，即图4中所示的不连续面，根据岩体不连续面产状单位法向量的特点和聚类数目，随机生成M个表示k个聚类中心单位法向量的鲸鱼个体；

假定不连续面为一空间平面，不连续面的产状用其单位法向量j

其中，α

鲸鱼X

依次计算不连续面法向量样本数据s

其中，θ为任意两个不连续面单位法向量v

将这N×k个距离中每个样本与聚类中心的最小距离对应的样本找出，并将其划分到各自对应的类别中，直至所有样本完成归属划分并且所有鲸鱼个体参与计算；

对于样本在划分的过程中存在某个聚类为空集，则重新初始化鲸鱼个体，重新计算d(s

步骤102，聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组。

在这里，步骤102包括：

根据鲸鱼X

其中，k为不连续面单位法向量样本被划分簇的个数，w

进入鲸鱼优化算法的主循环，通过鲸鱼捕食机制更新鲸鱼位置，其中，更新鲸鱼位置包括收缩包围、螺旋更新和随机搜索三种方法；

其中，收缩包围位置更新方法为

X(t+1)＝X

D＝|C·X

A＝2a·r

C＝2r

其中，t代表当前的迭代次数，其最大值为t

其中，螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物的数学模型为

X(t+1)＝D′·e

D′＝|X

其中，D′为鲸鱼位置X(t)与当前最优鲸鱼位置X

鲸鱼种群在发现猎物后，在猎物周围以螺旋方式移动，然后不断缩小包围圈向猎物靠近；

为了模拟该行为，在算法实现中假定采用何种捕食方式的可能性是相同的，其通过产生一个[0,1]间的随机数p来决定到底是用收缩包围方式还是螺旋更新方式更新位置；

该阶段|A|<1，此时搜索过程表示鲸鱼优化算法的局部搜索能力；当前鲸鱼种群具体的位置更新机制为

鲸鱼可以随机寻找猎物，以实现全局搜索而避免陷入局部最优解；

当|A|≥1时，鲸鱼优化算法通过随机搜索寻找更优的猎物，此时随机搜索更新位置公式为

D

X(t+1)＝X

其中，X

根据适应度值的大小，将每个鲸鱼个体向适应度值最小的鲸鱼靠拢；

鲸鱼种群完成一次更新，迭代次数t＝t+1；

迭代次数达到最大迭代次数t

迭代次数未到最大迭代次数t

步骤103，最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。

该方法归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。不需要繁琐的参数调试过程，也不需要事先指定聚类数目，可以不受初始聚类中心影响确定全局最优解，自动确定基于方向的不连续面集，只需要少量的算法迭代即可获得收敛的聚类结果，提高聚类准确性、收敛速度和稳定性，缩短岩体强度参数确定、力学特性研究与工程稳定性评价的时间，缩短工程完成的时间。

在这里，步骤103包括：

赋值k＝k+1，返回进行归属划分，聚类中心寻找，开始新的循环直至k＝8；

基于不同k值的迭代结束后，采用广泛使用的轮廓系数法评价不同k值时的聚类效果，其中轮廓系数SC为

其中，a(i)为不连续面样本s

计算后轮廓系数SC并从小到大排列，选取得最大值的k值为最优聚类数k

进一步参考图5，作为为对上述图1所示方法的实现，本公开了一种不连续面优势产状分组系统，该系统实施例与图1所示的方法实施例相对应。该系统具体可以应用于各种电子设备中。

如图5所示，本实施例的系统包括：

归属划分单元401，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；

聚类中心寻找单元402，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；

最优聚类中心确定单元403，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。

在一些可选实施例中，归属划分单元401，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分，包括：

参数初始化，主要包括鲸鱼个体种群规模M，聚类分组数k，最大迭代次数t

其中，M＝200，t

根据岩体不连续面产状单位法向量的特点和聚类数目，随机生成M个表示k个聚类中心单位法向量的鲸鱼个体；

假定不连续面为一空间平面，不连续面的产状用其单位法向量j

其中，α

鲸鱼X

依次计算不连续面法向量样本数据s

其中，θ为任意两个不连续面单位法向量v

将这N×k个距离中每个样本与聚类中心的最小距离对应的样本找出，并将其划分到各自对应的类别中，直至所有样本完成归属划分并且所有鲸鱼个体参与计算；

对于样本在划分的过程中存在某个聚类为空集，则重新初始化鲸鱼个体，重新计算d(s

在一些可选实施例中，聚类中心寻找单元402，聚类中心寻找单元，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组，包括：

根据鲸鱼X

其中，k为不连续面单位法向量样本被划分簇的个数，w

进入鲸鱼优化算法的主循环，通过鲸鱼捕食机制更新鲸鱼位置，其中，更新鲸鱼位置包括收缩包围、螺旋更新和随机搜索三种方法；

其中，收缩包围位置更新方法为

X(t+1)＝X

D＝|C·X

A＝2a·r

C＝2r

其中，t代表当前的迭代次数，其最大值为t

其中，螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物的数学模型为

X(t+1)＝D′·e

D′＝|X

其中，D′为鲸鱼位置X(t)与当前最优鲸鱼位置X

鲸鱼种群在发现猎物后，在猎物周围以螺旋方式移动，然后不断缩小包围圈向猎物靠近；

为了模拟该行为，在算法实现中假定采用何种捕食方式的可能性是相同的，其通过产生一个[0,1]间的随机数p来决定到底是用收缩包围方式还是螺旋更新方式更新位置；

该阶段|A|<1，此时搜索过程表示鲸鱼优化算法的局部搜索能力；

当前鲸鱼种群具体的位置更新机制为

鲸鱼可以随机寻找猎物，以实现全局搜索而避免陷入局部最优解；

当|A|≥1时，鲸鱼优化算法通过随机搜索寻找更优的猎物，此时随机搜索更新位置公式为

D

X(t+1)＝X

其中，X

根据适应度值的大小，将每个鲸鱼个体向适应度值最小的鲸鱼靠拢；

鲸鱼种群完成一次更新，迭代次数t＝t+1；

迭代次数达到最大迭代次数t

迭代次数未到最大迭代次数t

在一些可选实施例中，最优聚类中心确定单元403，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组，包括：

赋值k＝k+1，返回进行归属划分，聚类中心寻找，开始新的循环直至k＝8；

基于不同k值的迭代结束后，采用广泛使用的轮廓系数法评价不同k值时的聚类效果，其中轮廓系数SC为

其中，a(i)为不连续面样本s

计算后轮廓系数SC并从小到大排列，选取得最大值的k值为最优聚类数k

下面参考图6，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等的移动终端及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有电子设备这操作所需的各种程序和数据。处理装置901、ROM902及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)及端对端网络(例如，adhoc端对端网络)，及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：归属划分，通过单位法向量和聚类数目的归一化特征对单个鲸鱼进行编码，计算样本数据和聚类中心的距离进行归属划分；聚类中心寻找，通过鲸鱼捕食机制更新鲸鱼位置，根据适应度值的大小进行聚类，得到此时最优聚类中心和分组；最优聚类中心确定，通过计算轮廓系数最大值确定最优聚类数，从而确定最优聚类中心和分组。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，预处理模块还可以被描述为“基于掌子面精细化分级结果，对掌子面各层围岩级别进行模糊化预处理的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

以上仅为本申请的优选实施方式而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。