基于改进差分进化算法的阵列侧向测井反演

针对阵列侧向测井反演受给定初值影响的问题,将阵列侧向测井反演问题转化为无约束的非线性全局优化问题,提出了一种基于改进差分进化反演的新方法。在30次随机计算中改进差分进化算法与差分进化算法相比,其寻优成功率可以达到93.3%,平均进化代数为差分进化代数的1/8,其最优适应度也仅为差分进化最优适应度的一半。通过对阵列侧向模型进行反演计算,表明该算法满足电测井反演的需求。改进差分进化方法可有效地解决传统优化方法反演结果对初值的依赖性问题。     

自适应混合遗传算法在基坑支护结构优化中的实现

采用遗传算法对基坑支护结构进行优化设计,针对其早熟现象和局部搜索能力差的缺点改进遗传算法。使用自适应策略改进交叉算子与变异算子,在进化后期采用与位爬山法结合的混合遗传算法增强GA的局部搜索能力。对基坑支护结构建立优化设计数学模型,编制了基于遗传算法的基坑优化设计程序。通过实例分析,验证了改进策略的正确性。     

三峡梯级枢纽多目标生态优化调度模型及其求解方法

针对三峡梯级枢纽综合效益的充分发挥及其对长江流域典型生态系统修复及持续改善的科学需求,通过分析发电效益与生态效益之间的制约竞争关系,以发电量最大和生态缺水量最小为目标建立了梯级电站多目标生态优化调度模型,对三峡梯级枢纽多目标生态优化调度进行了研究。同时,针对传统优化方法难以同时处理多个调度目标的固有缺陷,提出一种改进多目标差分进化算法对所构建模型进行高效求解。该方法针对差分进化算法在多目标协同优化和全局寻优能力等方面的不足,依据问题的特点重新设计了差分进化算法的进化算子,同时设计了一种多目标混沌搜索策略以加强算法的局部搜索能力。最后,依据多目标生态优化调度问题的特点设计了一种不需要设置惩罚因子的约束处理方法。通过三峡梯级枢纽多目标生态优化调度的实例应用,验证了本文所构建模型的合理性以及所提出算法的有效性和工程实用性。     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

进化策略及其改进算法在深基坑支护优化设计中的应用研究

进化策略是一种新的求解全局最优问题的方法,应用该方法对深基坑支护结构进行了优化设计的初步研究。针对进化策略在处理非线性函数的优化问题及高维优化问题时在收敛速度和收敛性方面存在的不足,将禁止搜索与有向搜索相结合,提出了一种快速进化策略算法,有效地克服了传统进化策略的缺点。工程实例分析研究表明,进化策略不受设计空间的可微性、连续性等限制,特别适合于求解支护工程这类具有离散设计变量和非确定性因素的工程设计问题;改进的进化策略具有更好的收敛性,有极强的避免局部极值的全局优化能力。     

地球物理反演中的差分进化算法

为避免传统线性反演过程中极度依赖初始模型的选取、易陷入局部最优解的问题,在综合研究现有地球物理非线性反演方法的基础上,引入了非线性领域群体智能算法—差分进化算法,并以电测深方法为例,建立起了差分进化算法的非线性反演模型,通过对所建模型试算及实测数据验证,证实该方法具有反演速度快、精度高等优点,并可推广应用于二维或三维电测深反演理论之中。最后将该算法在内蒙古某多金属矿勘查中进行了实际推广,取得了较好的效果。     

基于深度信念网络的遥感影像识别与分类

高分辨率遥感影像具有高维、多尺度、非平稳的内部特性和海量、多源、异构的外部特征,具有丰富的空间信息。探讨了利用新兴的深度信念网络研究高分辨率遥感影像的智能提取与分类,通过大量实验对比分类精度、Kappa系数以及参数敏感度分析,提出了网络层数、隐含层神经元个数、迭代次数等参数的最优设置方案,相比传统的浅层网络分类器,改进后的深度信念网络更好地拟合了样本的内在结构,遥感图像分类精度达到92%左右,取得了很好的分类效果。     

差分进化算法在三峡电站厂内经济运行中的应用

差分进化算法是一种基于群体进化的算法,具有记忆个体最优解和种群内信息共享的特点,即通过种群内个体间的合作与竞争来实现对优化问题的求解,其本质是一种基于实数编码的具有保优思想的贪婪遗传算法。本文将差分进化算法用于求解三峡电站厂内经济运行问题,同时又将该算法与标准遗传算法相比较,结果显示差分进化算法优化效果明显优于标准遗传算法,差分进化算法的全局的收敛性比标准遗传算法强,差分进化算法是求解大型水电站经济运行问题的有效方法。     

基于差分进化算法的微震定位

针对传统基于走时微震定位方法存在的定位精度依赖于走时精度问题,提出了改进定位目标函数的差分进化微震定位方法。基于传统微震P波走时定位方法,在定位目标函数中加入了误差加权系数,通过降低初至拾取精度低的微震信号道对定位误差的影响,减弱了初至拾取精度对微震定位的影响;利用差分进化算法,通过种群初始化、变异、交叉和选择等操作,求解改进的微震定位目标函数,实现微震定位;对模型数据和实测数据进行试处理,结果表明:改进的目标函数能明显降低误差较大分量对总误差的贡献;提出的改进定位目标函数的差分进化微震定位方法,在部分微震信号道走时拾取误差较大甚至错误的情况下,能很大程度减弱拾取误差对定位精度的影响,可以获得较好的定位结果。      

育种进化的改进遗传算法在水电站负荷分配中的应用

针对遗传算法求解水电站负荷优化分配问题时常出现的收敛性差、易早熟等问题,提出一种基于育种进化的改进遗传算法。改进算法运用部分解约束的初始种群生成法避开空蚀振动区,定义了与群体进化程度有关的种群多样性函数和种群多样性阈值,同时有效地应用了遗传的全局搜索能力和育种的局部搜索能力。以三峡水电站为例与标准遗传算法进行了比较,不同的负荷分配结果表明:育种进化的改进遗传算法能够避开空蚀振动区的影响,保证机组的稳定安全运行;同时由于育种进化的强局部搜索能力,保持了种群的多样性,提高了算法的搜索能力和收敛性。     

点扩散函数深度域反演

当前地震勘探领域缺乏深度域反演的有效方法,无法直接利用深度偏移后的地震数据进行储层预测。为解决这一问题,本研究采用基于点扩散函数的深度域反演方法对深度域地震数据进行反演,该方法借鉴光学领域的点扩散函数的概念,在偏移速度场中加入均匀分布的点散射体,然后使用波动方程有限差分的方法进行正演模拟,在此基础上进行叠前声波波动方程逆时偏移,得到点扩散函数。并且本研究依据最小二乘理论推导了点扩散函数深度域声波阻抗反演的公式,最后使用该反演方法在Marmousi模型和实际的地震资料上进行了测试。反演测试结果表明：该深度域反演方法反演结果精度高,稳定性好。     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

双侧向测井反演的差分进化方法

在双侧向测井反演中,采用差分进化和Levenberg-Marquardt方法进行了三参数（侵入半径、侵入带电阻率、原状地层电阻率）混合反演,从实际计算来看,反演结果精确度较高。由于差分进化优化算法对初值依赖性较低,算法也较为稳定,这就增加了反演结果的可信度。     

神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

基于自适应差分克里金的煤质指标估算

煤炭质量核心指标的估算有利于煤炭质量的管控,并为智能开采、分质开采提供科学依据。将克里金插值法引入到煤质指标估算模型的建立,利用差分进化算法求解其变差函数的模型参数;针对在差分进化过程中因"早熟"现象导致最优解被破坏的问题,在变异过程中设计可动态修正变异方向的缩放因子,提出修正变异方向的自适应差分进化算法(UMDE)来确定变差函数的模型参数,并用该方法对煤矿井下未开采区域的全水分进行克里金插值。通过交叉验证与对比实验,证明基于自适应差分克里金方法(UMDE-Kriging)构建的煤质指标估算模型较其他优化方案在估算精度上有显著提升。     

集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

双重变异遗传算法及其在临界滑动面搜索中的应用

针对传统的优化算法难以在具有变量多、约束条件复杂、局部极值点多的边坡临界滑动面搜索中取得较好效果的问题,提出双重变异遗传算法（DMGA）。一方面,该算法通过探测变异操作提升算法的局部寻优能力,通过直接变异操作提升算法的全局寻优能力,两者的结合使算法能够在搜索的广度与深度上达到较好的平衡;另一方面,算法采用考虑个体适应度值与进化代数的自适应交叉概率及自适应变异概率,使算法在进化的早期能够增加种群的多样性,在进化的后期能够保护较优的个体不受破坏。将该算法与简化Bishop法相结合,对澳大利亚计算机应用协会（ACADS）提供的考核题及一个海堤边坡工程实例进行分析,计算结果表明:（1）对于均质边坡和非均质边坡,该方法均能准确搜索到边坡的临界滑动面及相应的安全系数;（2）与仅进行直接变异或探测变异的遗传算法相比,双重变异遗传算法具有更强的全局搜索能力及更好的鲁棒性,具有广阔的应用前景。     

基于单程波真振幅分步傅里叶叠前深度偏移方法

这里将单程波真振幅方程与分步傅里叶算子（SSF）相结合,同时还结合了保幅算法和分步傅里叶算法的优点,因此该方法具有计算量小,占内存少,能处理横向变化的速度等优点。并且克服了傅里叶有限差分方法偏移后的振幅都有很大的偏差的不足。与目前广泛应用的常规的分步有限差分叠前深度偏移相比,具有成像精度高,保持地震波动力学特征等优点。在Marmousi模型上成功地进行了真振幅分步傅里叠前深度偏移处理,取得了理想的成像效果。     

基于两步变异差分进化算法的激电测深一维反演

激电测深一维反演是一个多参数非线性优化问题。本文基于改进的两步变异差分进化全局最优化算法实现了激电测深的一维反演。传统的差分进化算法包含变异、交叉和选择操作,变异为单步变异。本文提出的两步变异法分步将最优个体与随机选取的两个个体经变异后产生新个体。加强了最优个体的影响度,提高了全局寻优能力。通过模型试算结果表明,两步变异法比传统方法寻优能力更强。利用等效电阻率法加载极化率参数,通过数字滤波算法可快速正演计算层状模型表面激电测深电阻率曲线,在此基础上应用两步变异差分进化算法不断变异产生新个体,正演计算电阻率与观测值进行拟合,选择适应度值趋近于最大适应度值的个体作为反演结果。本文反演方法操作简便,计算速度快。通过对H型和KH型地电模型进行计算,得出本反演方法有较高的拟合精度。     

改进贝叶斯分类算法的MapReduce并行调度算法

在分析作业划分及现有调度策略的基础上,提出了改进贝叶斯分类算法的作业调度策略,对贝叶斯分类调度算法及MapReduce默认调度方式处理大规模数据时面临的问题进行了阐述,详细地介绍了该改进算法的具体思路和整体流程,描述了该改进算法的具体实现,分析了该调度算法相对其它调度算法的优势。通过实验验证采用改进的贝叶斯调度算法与常用调度算法执行速度进行比较,取得了较好的效果。