1.一种坡体滑动面的搜索方法，所述搜索方法基于坡体滑动面的表面变形监测点，其特征在于，所述搜索方法包括：步骤S1，分别获取每个表面变形监测点基于若干个自然时刻的监测数据，并通过钻孔测斜法分别获取每个监测数据的位移矢量；步骤S2，将位移矢量超过预设位移阈值的表面变形监测点标记为突变监测点，并分别获取每个突变监测点的坐标点；步骤S3，分别将每个坐标点输出至监测断面的地质图纸；步骤S4，基于所述地质图纸在所述监测断面上分别绘制每个坐标点的投影矢量线；步骤S5，分别获取每个投影矢量线的垂线并获取所有垂线之间的所有相交点；步骤S6，在所述地质图纸上定义一个随机点；步骤S7，通过全局寻优算法迭代所述随机点的位置，直至所述随机点与所有相交点的距离之和达到最小值；步骤S8，获取与所述最小值相匹配的随机点的位置即为坡体滑动面的圆心；步骤S9，将所述圆心与所述监测断面的前缘的距离定义为半径，并通过所述圆心与所述半径绘制所述坡体滑动面。
2.根据权利要求1所述的搜索方法，其特征在于，步骤S1，分别获取每个表面变形监测点基于若干个自然时刻的监测数据，并通过钻孔测斜法分别获取每个监测数据的位移矢量，之后，步骤S2，将位移矢量超过预设位移阈值的表面变形监测点标记为突变监测点，并分别获取每个突变监测点的坐标点，之前，还包括：步骤S10，将历史位移矢量超过预设位移阈值的表面变形监测点标记为突变监测点，并分别获取每个突变监测点的历史坐标点；步骤S20，通过机器学习算法学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型；步骤S30，通过所述坐标点预测模型分别预测每个突变监测点基于预设步数的突变可能坐标点；步骤S40，通过所述钻孔测斜法获取所有突变可能坐标点的未来位移矢量；步骤S50，将所述未来位移矢量代入步骤S2以替换所述位移矢量。
3.根据权利要求2所述的搜索方法，其特征在于，步骤S20，通过机器学习算法学习并训练所有历史时刻的所有历史坐标点，得到坐标点预测模型，包括：步骤S201，将同一个突变监测点的所有历史坐标点打包为一个坐标数据集；步骤S202，对所有坐标数据集分别进行归一化处理，得到基于一个坐标数据集得到一个归一化数据集；步骤S203，将当前归一化数据集按照预设比例划分为训练集、验证集；步骤S204，定义输入层、隐含层、输出层依次信号连接的神经网络模型；步骤S205，将所述训练集输出至所述输入层，通过所述神经网络模型进行若干次训练；步骤S206，基于每一次训练分别获取一次所述验证集与当前次训练结果的均方根误差；步骤S207，获取所有训练结果中均方根误差的极小值，并获取与所述极小值对应的训练结果作为所述坐标点预测模型。
4.根据权利要求3所述的搜索方法，其特征在于，步骤S202，对所有坐标数据集分别进行归一化处理，得到基于一个坐标数据集得到一个归一化数据集，包括：步骤S2021，根据式（1）对当前坐标数据集中的每个历史坐标点进行标准归一化： （1）；其中， 为当前历史坐标点归一化处理后得到的归一化横坐标， 为当前历史坐标点的横坐标， 为当前坐标数据集中所有历史坐标点的横坐标平均值， 为当前坐标数据集中所有历史坐标点的横坐标标准差， 为当前历史坐标点归一化处理后得到的归一化纵坐标， 为当前历史坐标点的纵坐标， 为当前坐标数据集中所有历史坐标点的纵坐标平均值， 为当前坐标数据集中所有历史坐标点的纵坐标标准差。
5.根据权利要求3所述的搜索方法，其特征在于，所述神经网络模型通过式（2）表征： （2）；其中， 为所述神经网络模型； 为所述输入层的第 个输入节点，每个输入节点对应所述训练集中的一个归一化数据集， 为所述输入层的第 个输入节点到所述隐含层的第 个输入节点的权重； 为连接于所述隐含层的第 个输入节点的偏置； 为所述输出层的偏置； 为激活函数；符号角标的括号内的数字为层数，角标（1）为第一层，即所述输入层，角标（1，2）为第一层到第二层，即所述输入层到所述隐含层。
6.根据权利要求1所述的搜索方法，其特征在于，步骤S7，通过全局寻优算法迭代所述随机点的位置，直至所述随机点与所有相交点的距离之和达到最小值，包括：步骤S71，根据式（3）对所述随机点定义若干个随机解，并定义所有随机解的寻优结果为所述随机点与所有相交点的距离之和达到最小值； （3）；其中， 为所有随机解的集合， 分别为每个随机解， 为随机解的标号， 为所有随机解的个数； 为所有随机解的速度的集合， 分别为每个随机解的速度；步骤S72，初始化每个随机解的位置，并基于同一个随机解根据式（4）分别更新当前位置和当前速度： （4）；其中， 为第 个随机解在第 步的速度， 为第 个随机解在第 步的速度惯性， 为惯性系数， 为第 个随机解的自我认知表征， 为第 个随机解的社会认知表征； 与 均为学习因子， 为 的随机数， 为第 个随机解已获得的个体最优解， 为第 个随机解已获得的全局最优解， 为在第 步的第 个随机解， 为在第 步的第 个随机解；步骤S73，根据所述式（4）分别迭代每个随机解，以更新每个 以及每个 ；步骤S74，分别判断每个 相比于上一步迭代的差值是否小于等于第一预设适应阈值，若每个 相比于上一步迭代的差值均小于等于第一预设适应阈值，则执行步骤S75；步骤S75，分别判断每个 相比于上一步迭代的差值是否小于等于第二预设适应阈值，若每个 相比于上一步迭代的差值均小于等于第二预设适应阈值，则执行步骤S76；步骤S76，判定已获得所述随机点的最优解。
7.根据权利要求6所述的搜索方法，其特征在于，步骤S73，根据所述式（4）分别迭代每个随机解，以更新每个 以及每个 ，包括：步骤S731，基于每一步迭代根据式（5）线性递减所述惯性系数一次： （5）；其中， 为第 个随机解在第 步优化后的惯性系数， 为初始惯性系数， 为当前的迭代步数， 为最大迭代步数。
8.一种坡体滑动面的搜索装置，所述搜索装置应用于如权利要求1至7中任一项所述的搜索方法，其特征在于，所述搜索装置包括：监测数据与位移矢量获取模块，用于分别获取每个表面变形监测点基于若干个自然时刻的监测数据，并通过钻孔测斜法分别获取每个监测数据的位移矢量；突变监测点坐标点获取模块，用于将位移矢量超过预设位移阈值的表面变形监测点标记为突变监测点，并分别获取每个突变监测点的坐标点；坐标点输出模块，用于分别将每个坐标点输出至所述监测断面的地质图纸；投影矢量线绘制模块，用于基于所述地质图纸在所述监测断面上分别绘制每个坐标点的投影矢量线；投影矢量线垂线交点获取模块，用于分别获取每个投影矢量线的垂线并获取所有垂线之间的所有相交点；随机点定义模块，用于在所述地质图纸上定义一个随机点；随机点寻优模块，用于通过全局寻优算法迭代所述随机点的位置，直至所述随机点与所有相交点的距离之和达到最小值；坡体滑动面圆心获取模块，用于获取与所述最小值相匹配的随机点的位置即为坡体滑动面的圆心；坡体滑动面绘制模块，用于将所述圆心与所述监测断面的前缘的距离定义为半径，并通过所述圆心与所述半径绘制所述坡体滑动面。
9.一种电子设备，其特征在于，包括处理器，以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的搜索方法。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时能够实现如权利要求1至7中任一项所述的搜索方法。
