蜘蛛蜂优化算法（SWO）
Spider Wasp Optimizer Algorithm
蜘蛛蜂优化算法是2023年提出的元启发式算法，具有强大的全局搜索和快速收敛能力，在避免模型陷入局部最优解方面表现出色。通过权衡概率（TR）动态调整狩猎、筑巢与交配行为，实现探索与开发阶段的良好平衡。
狩猎与筑巢
Hunting & Nesting
当随机数r < TR时，执行狩猎和筑巢行为，进行全局搜索，探索更广阔的解空间
交配行为
Mating Behavior
当随机数r ≥ TR时，执行交配行为，促使算法进行解的优化与精细搜索
动态平衡
Dynamic Balance
通过TR动态调整，在不同阶段有效平衡全局搜索与局部优化，加快收敛性能
研究方法框架
数据准备
- • 收集487个滑坡样本点
- • 提取8项评价因子
- • 皮尔逊相关性筛选
- • 信息量法选取负样本
超参数优化
- • SWO优化RF模型
- • SWO优化LightGBM
- • SWO优化CatBoost
- • 五折交叉验证
模型集成
- • Stacking集成方法
- • 4种组合形式
- • 逻辑回归元学习器
- • 性能对比评估
可解释性
- • SHAP算法分析
- • 全局特征重要性
- • 局部样本解释
- • 特征交互分析
优化后的机器学习模型
SWO-RF
基学习器数量：201
树的最大深度：9
最大特征数：1.0
AUC提升：2.2%
SWO-LightGBM
叶子节点数：82
学习率：0.2449
树的最大深度：9
AUC提升：2.4% ⭐最优
SWO-CatBoost
学习率：0.2357
树的最大深度：10
L2正则化：3.8595
AUC提升：1.6%
滑坡易发性评价因子体系
通过皮尔逊相关性分析筛选，从初始12个因子中剔除地形起伏度、地形粗糙度、年平均温度差异、高程等高相关性因子，最终确定8项评价因子作为评价指标体系。
坡度
主导因子，平均重要性最高
距道路距离
道路扩建切坡加剧失稳风险
年平均降雨量
关键诱发因素，增强失稳风险
距河流距离
地下水位抬升易引发滑坡
坡向
影响光照和水分分布
平面曲率
反映坡面形态特征
剖面曲率
凸型坡不易汇集地表水
岩性
花岗岩风化层厚度差异大