基于自适应粒子群优化算法的波阻抗反演方法

针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法-自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。      

地下水污染源反演的Hooke Jeeves吸引扩散粒子群混合算法

根据污染物质量浓度监测数据进行地下水污染源反演是一类典型的地下水逆问题,该问题可转化为决策变量为污染源位置和强度的最优化问题进行求解。基于Hooke-Jeeves粒子群混合算法,引入吸引扩散粒子群(ARPSO)算法的粒子群发散算子,保证混合算法的种群多样性,并提出HJ-ARPSO混合算法,再结合地下水污染物迁移模型MT3DMS反演地下水污染源的位置和强度信息。在已知污染源位置和未知污染源位置两种情形下,分别利用HJ-ARPSO算法、HJ-PSO算法和GA算法进行地下水污染源反演。在两种情形下,HJ-ARPSO算法均具有较高的寻优成功率(分别对应为100%和90%);与之相比,未引入粒子群发散算子的HJ-PSO算法在未知污染源位置情形下其寻优成功率迅速降为60%;GA算法寻优效率则最低。算例结果表明,HJ-ARPSO算法是一种有效的地下水污染源反演优化算法。     

水文地质参数反演的Hooke-Jeeves粒子群混合算法

水文地质参数寻优结果的好坏会直接影响到地下水数值模拟的精度,而参数寻优结果很大程度上取决于寻优方法的选择。粒子群算法是一种基于群智能的随机全局寻优方法,算法的缺陷是后期搜索效率低劣。基于随机寻优算法的混合策略,引入有效的约束处理手段和粒子群算法惯性因子的动态非线性调整技术,有机融合粒子群算法与Hooke-Jeeves方法,提出一种适用于水文地质参数反演的HJPSO混合算法。应用研究表明,HJPSO混合算法在参数反演计算中求解精度高、收敛速度快、寻优性能强,是一种值得推广的水文地质参数识别方法。     

基于粒子群优化算法的感应测井反演

针对传统感应测井线性迭代反演受初始模型影响,易陷入局部最优解的特点,设计一种基于粒子群优化的非线性全局最优化反演方法。利用该方法对不同厚度储层模型进行反演研究,在无噪声情况下,反演结果和模型基本一致;在加入5%、10%和15%随机噪声后,反演仍取得良好效果。数值实验结果表明,该反演方法不依赖于初始模型,具有较好的全局寻优和抗噪声能力,能有效反演感应测井数据。     

PSO-LSSVM模型在位移反分析中的应用

提出了一种基于均匀设计原理、最小二乘支持向量机(LSSVM)和粒子群优化算法(PSO)的快速位移反分析方法。该方法利用均匀设计和有限差分法获得学习样本,再用粒子群算法搜索最优的最小二乘支持向量机模型参数。并用最小二乘支持向量机回归模型建立反演参数与监测点位移值之间的非线性映射关系,最后用粒子群算法从全局空间上搜索与实测位移最吻合的反演参数。该反演模型利用了粒子群算法高效简单、均匀设计构造高质量小样本以及最小二乘支持向量机的小样本、泛化性能好的特点。将该模型应用于龙滩水电站左岸地下厂房区岩体地应力场的反演分析中,计算结果与实测的位移值和地应力值均吻合较好,说明了该模型在岩土工程快速反演分析中具有良好的应用价值。     

粒子群算法在磁测资料井地联合反演中的应用

粒子群优化算法是一种新兴的高效并行优化算法,目前被广泛应用于各领域,但在地球物理反演中很少运用.磁测资料井地联合反演是结合井中与地面磁测数据的各自优势,进行地球物理反演的一种新方法.笔者以立方体为模型,通过理论模型试验和大冶危机矿山实例,将粒子群优化算法运用于磁测资料井地联合反演,取得了比较好的效果,不仅验证了粒子群算法在地球物理反演中的可行性,而且也论证了井地联合反演的优越性.     

基于混沌天牛群算法的大地电磁反演

大地电磁反演是非线性问题,传统的大地电磁反演采用线性反演,结果往往会陷入局部最优,为此,在标准BAS算法的基础上,引入混沌种群概念、指导性学习策略及竞技场策略,实现带学习和竞争机制的混沌天牛群搜索算法(LCCBSA).利用LCCBSA算法、粒子群算法和遗传算法分别对测试函数试算,结果表明该算法与其他算法相比具有较快的收...     

仿生算法在地下水模型反演中的应用现状与展望

求解地下水逆问题是水文地质学研究的重要内容,传统的基于非线性优化技术的求解地下水逆问题的方法存在收敛速度慢,寻优效率低,易陷入局部最优的缺点。基于模仿生物功能和习性而开发的人工神经网络、遗传算法、蚁群算法、粒子群算法、入侵杂草算法、免疫算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、蝙蝠算法、布谷鸟算法和果蝇优化算法、蚊子算法、螳螂算法、人工鱼群算法、捕鱼策略算法等仿生算法具有很强的优化能力和寻优效率。人工神经网络、遗传算法、蚁群算法、粒子群算法等4种仿生算法在求解地下水逆问题的应用实践表明,这些方法可以按较大的概率找到全局最优解,且收敛速度较快。确定适当的目标函数转换形式和算法参数,其它仿生算法也完全可以用于地下水模型反演。从这些算法的理论和已应用于其它领域的实践来看,仿生算法在求解地下水逆问题中具有广阔前景。     

利用混沌粒子群算法确定河流水质模型参数

将混沌寻优思想引入到粒子群优化算法中,提出了混沌粒子群算法,这种方法利用混沌运动的随机性、遍历性和规律性等特性对当前粒子群体中的粒子进行混沌寻优。通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。并将混沌粒子群算法应用于求解分析瞬时投放示踪剂情况下的一维河流水团示踪试验数据以及确定河流水质参数的函数优化问题,结果表明,混沌粒子群算法的收敛性能明显优于粒子群优化算法。     

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。     

电阻率层析成像的二维改进粒子群优化算法反演

粒子群优化算法(PSO)是通过模拟鸟群觅食过程中的社会行为而提出的一种基于群体智能的全局随机搜索算法,已有研究学者证明PSO算法是一种有效的地球物理反演方法,不依赖初始模型。此次在研究常规粒子群算法的基础上,针对常规粒子群优化算法易于陷于局部极值,后期收敛速度慢,反演精度不高等缺点,提出了一种改进的充分混沌振荡粒子群优化算法。针对粒子群算法的特点,改进速度更新公式,使粒子更快获取与当前全局最好位置的差异,增强粒子的学习能力,并用此算法在matlab2012b编程环境中对均匀半空间电阻率层析成像异常体理论模型进行了二维数值试验。结果表明,此种算法反演时不依赖初始模型,搜索空间增大,实现全局搜索,在准确性上优于标准PSO反演,成像质量优于Levenberg-Marquardt法反演。     

基于BBO-PSO混合优化算法的探地雷达波形反演

探地雷达反演问题是高度非线性的,采用线性反演方法往往难以获得较好的反演效果,因此提出了将生物地理学优化算法同粒子群优化算法相结合的混合非线性反演方法。将该方法用于探地雷达时间域波形反演,采用时间域有限差分方法进行正演,以信号的均方误差函数作为目标函数,并针对波形反演的特点,在目标函数中加入波形的导数拟合差作为约束项,实现了结构层厚度和介电常数的波形反演。对比经典粒子群算法和生物地理学优化算法在多层介质仿真数据的一维波形反演中的效果,验证了该改进算法的有效性和抗噪性。     

基于分形先验信息的非线性反演

基于分形先验信息的非线性反演方法能综合利用测井数据和地震信息,在贝叶斯框架下,通过分形高斯噪音算法得到基于分形理论的先验信息,然后根据地震资料构建似然函数,最终利用基于快速模拟退火算法(Very Fast Simulated Annealing,VFSA)改进的粒子群优化(Particle Swarm Optimization,PSO)算法(VFSA-PSO)实现后验概率密度的抽样。与确定性反演结果相比,该方法能够有效地融合测井资料中的高频信息,提高反演结果的分辨率,并且目标函数的建立融合了确定性反演中的低频约束,从而得到宽频带的反演结果。数值模拟试验表明:基于分形先验的非线性反演结果与理论模型吻合较好,实际资料的应用效果也证明了该反演方法的有效性。     

板状体磁异常数据反演的PSO算法

粒子群优化(PSO)算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的算法,是一类随机全局优化技术,它通过粒子间的相互作用搜索复杂空间中的最优区域,其优势在于效率高,且又简单易实现。本文讨论了PSO算法用于板状体磁异常数据反演的方法,并与遗传算法(GA)进行了比较。理论和实测磁异常数据反演的结果表明,PSO算法具有更高的找寻最优解效率,是一种很有潜力的位场反演工具。     

鱼群算法的重力密度异常反演方法

解的优化问题是重磁反演中比较重要的一个方面,近些年来出现了很多的优化算法,如遗传算法、粒子群算法等。这里将采用一种新型仿生优化算法,即人工鱼群算法(Artificial FishSchool Algorithm,AFSA)来进行密度反演。将研究区域划分成若干规则且密度均匀的长方体,由引力位推导出长方体外任意一点的重力异常公式,利用重力的可叠加性,计算出观测点的重力异常。并在给定长方体参数后,根据已知重力异常确定密度参数,利用人工鱼群算法寻求最优解。通过理论模型得出:当所反演的密度参数为"2"时,该算法效果十分明显;当所反演的密度参数较多时,该算法在使用方面有一定限制。     

围岩力学参数反演的GSA-BP神经网络模型及应用

针对遗传算法（GA）存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法（SA）,组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。     

改进型粒子群算法及其在GPR全波形反演中的应用

探地雷达作为高精度的物探工作方法,其主要目的是反演解释地下结构的物性参数。笔者提出社会学习型粒子群优化反演方法,它以信号均方误差为目标函数,用时域有限差分方法作正演,并且针对反射波信号较弱、反演效果不佳的情况设计了对正演结果进行振幅补偿的方法,对反射波的振幅进行增益,以提高反演精度。通过与经典粒子群优化反演方法的结果对比,说明了该算法在准确度以及效率方面都有相当大的提高。经过分析多层介质仿真数据的一维反演结果,说明了该算法对多参数反演的有效性和良好的抗噪性。     

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。     

重力异常AlexNet深度神经网络反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。     

基于粒子群算法与混合罚函数法的有限元优化反演模型及应用

岩土工程优化反分析是一个典型的复杂非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径。针对常规反演方法应用于岩土工程参数反演时搜索效率低的缺点,结合粒子群算法和遗传算法的特点,充分考虑二者的互补性,提出一种效率较高的全局优化算法,以测点的实测值与计算值建立一种新的评价函数,将多目标优化问题转化为单目标优化问题,用混合罚函数法将约束问题变为无约束问题,构建了一种新的目标函数,将有限元程序ABAQUS作为一个模块嵌入到优化算法程序中,编制了有限元优化反演分析程序。并给出了应用实例验证了该法的有效性和实用性,是一种可行的参数反演方法,可应用于实际工程中复杂岩土介质初始应力场反演、渗流场以及位移反分析