基于混合遗传算法的斜测电离图参数反演

斜向探测是获取电离层状态信息的重要手段之一,对斜测电离图的反演可以得到电离层的相关结构参数.遗传算法是一种有效的并得到普遍应用的反演方法,该算法的求解不依赖于初值的选择,可以有效地减少反演问题解的非唯一性,但也存在“过早收敛”和局部搜索能力差等缺陷,从而导致反演精度下降,影响反演结果的可靠性.本文提出将基于模拟退火的混合遗传算法应用到斜测电离图的参数反演中,该算法不仅把握总体能力强,且具有较强的局部搜索能力,是遗传算法和模拟退火算法的优势互补.为了验证该算法反演结果的可靠性和稳定性,首先分别采用遗传算法、模拟退火算法和混合遗传算法对合成的电离图进行反演,反演参数包括临界频率,最大电子浓度和半厚度.通过对三种算法反演结果的对比,得出混合遗传算法的反演结果最接近真实值,需要的迭代次数也远远小于其他两种算法;通过改变种群大小和总迭代次数来判断参数值的改变对三种算法反演结果的影响,得出混合遗传算法有效地降低了参数的选取对反演结果的影响.然后用这三种反演算法对实测电离图进行反演,并将它们的反演结果与斜测链路中点的实际垂测数据进行比较,结果显示混合遗传算法84.62%的反演结果可以控制在误差范围之内,高于遗传算法（76.93%）和模拟退火算法（65.38%）.这些都表明了混合遗传算法的反演结果具有较强的可靠性,在反演的寻优能力和稳定性上要明显优于遗传算法和模拟退火算法,对实测电离层图的反演具有很强的借鉴意义和应用价值.     

利用加速差分进化算法反演非均匀介质电磁成像

本文研究了差分进化算法在地球物理反演中的几种应用.利用双频电磁波电导率成像原理建立成像方程后,根据其严重病态性质,将Tikhonov正则化方法与差分进化算法结合,反演其成像方程.为加速差分进化算法的收敛速度,提出了将种群熵的自适应差分进化(ARDE)算法以及粒子群差分进化混合(PSODE)算法分别与Tikhonov正则化方法结合.在大型反演计算中,这两种方法可以在不影响反演效果的前提下,不同程度地提高收敛速度,降低时间成本.适宜于在正则化参数选取困难情况时的地球物理反演问题的求解.     

基于带压缩因子粒子群算法标定设计反应谱

粒子群优化算法是模拟群体智能所建立起来的一种全局优化算法,在解决多参数非线性函数的优化问题上具有良好的性能,为了有更好的收敛精度和更快的收敛速度,本文构建了带有压缩因子的粒子群算法,可用于设计反应谱的标定。利用这一方法可给出第一拐点周期、特征周期、平台值和衰减指数等刻画设计反应谱特征的参数值。本文以埃尔森特罗台(El Centro)加速度时程的反应谱标定为例,采用本文提出的改进粒子群算法、Newmark三参数法、双参数法和差分进化算法对其进行标定。对比分析了4种标定方法给出的特征参数及计算精度,实例证明,改进粒子群算法具有较高的精度,给出的设计反应谱较好地反映了地震反应谱的特征。     

基于单台加速度记录的混合全局优化HVSR反演场地浅层速度结构

利用水平与竖向谱比（HVSR）方法反演场地速度结构是国际上迅速发展的研究领域.HVSR反演计算实质是一个土层场地模型空间搜索的全局优化问题,当模型搜索空间的复杂程度增大时,目前常用的搜索算法收敛速度慢,计算效率较低.本文实现了一种结合遗传和模拟退火方法优点的混合全局优化HVSR反演算法,通过理论模型和竖向台阵实测数据的检验,表明该算法能获得很好的反演效果,较好地解决了蒙特卡罗方法收敛速度慢,遗传算法收敛早熟和模拟退火算法搜索效率低的问题.本文在此基础上讨论了单台加速度S波记录用于场地速度结构HVSR反演的适用性,为基于单个地震台的地震观测记录反演浅层速度结构提供了一种高效且较为准确的反演方法.     

一种新的地震子波提取与层速度反演方法

粒子群优化算法是近十年发展起来的一种基于群智能的非线性全局最优化新方法.本文详细介绍了粒子群优化算法的基本原理,并将其应用到子波提取与层速度反演中.通过模拟数值算例,从不同角度研究了粒子群优化算法的可行性及其效率问题.试算结果表明,粒子群优化算法在不同分辨率、不同信噪比、不同相位子波合成的地震记录反演中效果明显.     

大地电磁阻尼粒子群优化反演法研究

粒子群优化算法（PSO）是模仿鸟群寻找食物的社会行为的一种全局最优化算法,在多维空间函数寻优、动态目标寻优等方面有着收敛速度快、解质量高且需要设置的参数较少等优点.本文在研究常规粒子群优化算法的基础上,对常规的粒子群算法进行了改进,提出了一种新的惯性权重ω参数振荡递减策略,加快了PSO算法的收敛速度,构造的新算法称为阻尼粒子群优化算法.在MATLAB 6.5 编程环境中对阻尼PSO算法进行了数值实验,并对大地电磁测深的理论模型和实测数据进行了反演试算,结果表明,阻尼PSO算法不依赖于初始模型、能够搜索到全局极值,不易陷入局部极值,是一种快速有效的地球物理反演方法.     

全空间条件下矿井瞬变电磁法粒子群优化反演研究

煤矿井下矿井瞬变电磁法(MTEM)探测中,电磁场呈全空间分布,全空间瞬变电磁反演是复杂的非线性问题,目前反演计算中全空间响应主要由半空间响应乘以全空间响应系数来得到,导致反演结果中顶板和底板异常(或前方和后方异常)叠加在一起难以分离,造成分辨率下降.论文提出采用粒子群优化算法(PSO)进行全空间MTEM反演,通过理论分析,在常规的粒子群算法基础上提出了一种新的进化公式改进策略,提高了粒子群算法的寻优能力.基于全空间瞬变电磁场理论,编写了粒子群算法反演程序,进行全空间条件下五层含巷道的复杂模型的反演计算.结合某矿井巷道顶板、底板岩层及断层含水性的探测实例,对实测数据进行反演计算和解释,探测结果得到钻探证实.研究表明,改进的粒子群优化算法对理论模型和实际资料的反演拟合程度较高,实现了矿井顶板、底板视电阻率异常的分离,提高了全空间瞬变电磁勘探资料的解释精度和分辨率.     

利用余震震源分布确定主震断层面的方法研究

利用余震震源位置的空间分布,采用Newton-Raphson算法和遗传算法确定主震断层面参数的方法,对仿真数据求出了地震主断层面走向角和倾角,验证了方法的有效性。该方法可以与其他数据结合共同约束主震断层面的参数。     

基于粒子群优化算法的叠前角道集子波反演

本文探讨了粒子群优化(PSO)算法在叠前地震角道集子波反演中的应用.在基本最优PSO算法的基础上,提出了对粒子更新速度进行平滑滤波的改进最优粒子群算法.由于代表子波的粒子的维数较大,如果粒子的各维元素相互独立,将导致粒子速度更新紊乱,影响搜索速度.通过对粒子速度进行三点均值滤波,加强了单个粒子各维元素的相互联系,并防止了粒子速度逃逸,使粒子更快地向有利于最优解的位置收敛.该方法应用于叠前角道集子波的反演中,取得了较好的子波反演效果,证明了本文方法的有效性.     

基于粒子群算法的页岩孔隙结构反演及横波速度预测

提出了基于粒子群算法的页岩孔隙纵横比反演以及横波速度预测的方法.基于岩石物理模型,建立岩石纵、横波速度与密度、孔隙度和矿物组分等参数之间的定量关系,利用传统遍历搜索方法和粒子群算法两种方法计算最佳孔隙纵横比,使理论纵波速度与实际纵波速度的误差最小,并以孔隙纵横比作为约束进行横波速度预测,将预测结果与实测横波速度对比,验证了粒子群算法的有效性和精确性.反演结果表明页岩部分的孔隙结构比围岩部分的孔隙结构更加的稳定,利用粒子群算法的预测结果比利用传统算法的预测结果更加准确.     

改进蜂群算法及其在面波频散曲线反演中的应用

应用改进蜂群算法反演面波频散曲线以获得近地表横波速度剖面.蜂群算法属于群智能算法中的一种,灵感来源于蜜蜂群体特定的觅食行为,在该算法的基础上结合粒子群算法中的全局最优解引导思想,同时引入遗传算法中交叉运算操作,即采用基于交叉操作的全局人工蜂群算法对面波频散曲线进行反演研究.改进蜂群算法在继承传统算法精于探索特性的同时,针对其疏于开发的缺陷着重加强了算法对全局的探索能力.使用理论和实测瑞雷波数据,本文研究了改进蜂群算法在推导近地表横波速度分布的有效性和适用性.在反演中,目标函数的收敛性好,改进算法在迭代的过程中能够快速收敛到全局最优;模型参数的概率分布高,即在寻找到全局最优解的同时,能够确保解中每个参数同时达到最优,保证了反演的结果可靠度,使其能有效地应用于瑞雷波频散曲线的反演和解释中.     

Comparing the performances of four stochastic optimisation methods using analytic objective functions, 1D elastic full‐waveform inversion,and residual static computation

We compare the performances of four stochastic optimisation methods using four analytic objective functions and two highly non‐linear geophysical optimisation problems: one‐dimensional elastic full‐waveform inversion and residual static computation. The four methods we consider, namely, adaptive simulated annealing, genetic algorithm, neighbourhood algorithm, and particle swarm optimisation, are frequently employed for solving geophysical inverse problems. Because geophysical optimisations typically involve many unknown model parameters, we are particularly interested in comparing the performances of these stochastic methods as the number of unknown parameters increases. The four analytic functions we choose simulate common types of objective functions encountered in solving geophysical optimisations: a convex function, two multi‐minima functions that differ in the distribution of minima, and a nearly flat function. Similar to the analytic tests, the two seismic optimisation problems we analyse are characterised by very different objective functions. The first problem is a one‐dimensional elastic full‐waveform inversion, which is strongly ill‐conditioned and exhibits a nearly flat objective function, with a valley of minima extended along the density direction. The second problem is the residual static computation, which is characterised by a multi‐minima objective function produced by the so‐called cycle‐skipping phenomenon. According to the tests on the analytic functions and on the seismic data, genetic algorithm generally displays the best scaling with the number of parameters. It encounters problems only in the case of irregular distribution of minima, that is, when the global minimum is at the border of the search space and a number of important local minima are distant from the global minimum. The adaptive simulated annealing method is often the best‐performing method for low‐dimensional model spaces, but its performance worsens as the number of unknowns increases. The particle swarm optimisation is effective in finding the global minimum in the case of low‐dimensional model spaces with few local minima or in the case of a narrow flat valley. Finally, the neighbourhood algorithm method is competitive with the other methods only for low‐dimensional model spaces; its performance sensibly worsens in the case of multi‐minima objective functions.     

Evaluation of global optimization algorithms for parameter calibration of a computationally intensive hydrologic model

With the popularity of complex hydrologic models, the time taken to run these models is increasing substantially. Comparing and evaluating the efficacy of different optimization algorithms for calibrating computationally intensive hydrologic models is becoming a nontrivial issue. In this study, five global optimization algorithms (genetic algorithms, shuffled complex evolution, particle swarm optimization, differential evolution, and artificial immune system) were tested for automatic parameter calibration of a complex hydrologic model, Soil and Water Assessment Tool (SWAT), in four watersheds. The results show that genetic algorithms (GA) outperform the other four algorithms given model evaluation numbers larger than 2000, while particle swarm optimization (PSO) can obtain better parameter solutions than other algorithms given fewer number of model runs (less than 2000). Given limited computational time, the PSO algorithm is preferred, while GA should be chosen given plenty of computational resources. When applying GA and PSO for parameter optimization of SWAT, small population size should be chosen. Copyright © 2008 John Wiley & Sons, Ltd.     

基于统计岩石物理模型的各向异性页岩储层参数反演

提出了各向异性页岩储层统计岩石物理反演方法.通过统计岩石物理模型建立储层物性参数与弹性参数的定量关系,使用测井数据及井中岩石物理反演结果作为先验信息,将地震阻抗数据定量解释为储层物性参数、各向异性参数的空间分布.反演过程在贝叶斯框架下求得储层参数的后验概率密度函数,并从中得到参数的最优估计值及其不确定性的定量描述.在此过程中综合考虑了岩石物理模型对复杂地下介质的描述偏差和地震数据中噪声对反演不确定性的影响.在求取最大后验概率过程中使用模拟退火优化粒子群算法以提高收敛速度和计算准确性.将统计岩石物理技术应用于龙马溪组页岩气储层,得到储层泥质含量、压实指数、孔隙度、裂缝密度等物性,以及各向异性参数的空间分布及相应的不确定性估计,为页岩气储层的定量描述提供依据.     

地球物理资料群体智能反演(英文)

复杂地球物理资料的反演问题往往是一个求解多参数非线性多极值的最优解问题。而鸟和蚂蚁等群体觅食的过程,正好与寻找地球物理反演最优解的过程相似。基于自然界群体协调寻优的思想,本文提出了交叉学科的群体智能地球物理资料反演方法,并给出了其对应的数学模型。用一个有无限多个局部最优解的已知模型对该类方法进行了试验。然后,将它们应用到了不同的复杂地球物理反演问题中:(1)对噪声敏感的线性问题;(2)非线性和线性同步反演问题;(3)非线性问题。反演结果表明,群体智能反演是可行的。与常规遗传算法和模拟退火法相比,该类方法有收敛速度相对快、收敛精度相对高等优点;与拟牛顿法和列文伯格一马夸特法相比,该类方法有能跳出局部最优解等优点。     

基于改进差分进化算法的大地电磁测深和重力宽范围物性约束联合反演

宽范围物性约束技术容易实现、具有一定容错性,目前已在大地电磁测深（MT）和地震、MT和重力联合反演中实现,但该技术是结合模拟退火算法实现的.差分进化算法（DE）是一种全局优化算法,但该算法在地球物理联合反演领域应用较少.基于此,本文以双种群设置方案为框架改进了DE算法,并提出了基于改进DE算法的宽范围物性约束技术.MT和重力联合反演的模型试验表明：与传统的DE算法相比,改进的DE算法收敛速度更快,寻优能力更强;基于改进DE算法的宽范围物性约束技术可以促进不同岩石物性参数在一定"范围"内实现耦合,既可以利用岩石物性关联的导向作用,又可以发挥优化算法的寻优能力,进而降低地球物理联合反演对先验信息的要求;此外,该技术的实现也验证了宽范围物性约束思想在联合反演领域中的适用性,具有进一步推广至其他优化算法中的潜质.     

基于改进粒子群算法的地震标量波方程反演

针对标准粒子群优化(PSO)算法存在易出现早熟而陷入局部最优以及进化后期收敛速度慢等缺陷,通过考虑粒子所处位置间相互作用,提出了一种改进的并行粒子群优化算法.由于引入粒子位置间的相互影响,减少了粒子搜索过程盲目性,因此能有效提高算法的收敛速度.数值试验表明,这种改进的粒子群算法适用于二维标量波方程的速度反演,且算法具有...     

Improvements on particle swarm optimization algorithm for velocity calibration in microseismic monitoring

In this paper,we apply particle swarm optimization(PSO),an artificial intelligence technique,to velocity calibration in microseismic monitoring.We ran simulations with four 1-D layered velocity models and three different initial model ranges.The results using the basic PSO algorithm were reliable and accurate for simple models,but unsuccessful for complex models.We propose the staged shrinkage strategy(SSS) for the PSO algorithm.The SSS-PSO algorithm produced robust inversion results and had a fast convergence rate.We investigated the effects of PSO's velocity clamping factor in terms of the algorithm reliability and computational efficiency.The velocity clamping factor had little impact on the reliability and efficiency of basic PSO,whereas it had a large effect on the efficiency of SSS-PSO.Reassuringly,SSS-PSO exhibits marginal reliability fluctuations,which suggests that it can be confidently implemented.