地震反演与非线性随机优化方法

地震反演问题常常需要一些非线性全局最优化的方法。近年来，基于生物学、物理学、人工智能和一些非线性科学而发展了一些具有全局优化性能且通用性强的随机搜索算法，如：遗传算法、模拟退火、禁忌搜索和混沌搜索等。作者主要针对地震勘探反演问题的应用综述了这四种非线性随机优化方法的原理和特点，并对它们的性能作了一定的分析和比较。     

混沌优化算法在土质边坡稳定性分析中的应用

确定边坡最危险滑动面并计算与之相对应的安全系数是边坡支护的重要任务。本文结合简化Bishop法,用一种新的智能优化算法混沌优化算法来搜索全局最优解。该方法利用混沌运动本身具有遍历性、随机性、规律性等内在特点,能在一定范围内按其自身规律不重复地遍历所有状态,易于跳出局部最优解,具有很强的全局搜索能力。通过坡高为12.3m的某电厂三层土质边坡的典型算例分析,并和遗传算法、枚举法计算结果对比可知,计算结果超于一致,其差值接近于0,因此混沌优化算法能在很高精度下搜索到全局最优解,能很好地解决边坡稳定性分析中的优化问题。     

生物遗传算法在速度参数反演中的应用

遗传算法是一种新发展的优化算法，具有全局搜索、适应解各类问题的特点。本文应用遗传算法求取最佳叠加速度和反演层速度，不仅可保证精度，还比常规方法减少一倍多的计算时间，获得了较高的计算效率。     

梯级水电站优化调度的分形与混沌嵌套搜索算法

考虑到梯级水电站水库联合优化调度模型的高非线性、强约束特点,提出了分形分割与混沌嵌套搜索算法的求解方法。该算法利用嵌套结构把确定性搜索和随机搜索有机结合起来,按照自身的运动规律,直接在优化区间内通过逐步的插值映射来对被优化问题进行优化搜索。通过在南桠河梯级水电站联合优化运行中的成功应用,显示该算法具有参数配置简单、普适性强、稳定性高、全局优化和易于编程等特点,并取得了与POA算法一致的收敛精度且计算速度有优势,从而为求解诸如水库优化调度等具有复杂约束条件的非线性优化问题提供了新的探索。     

关于微动信息基本性质的初步研究

在简述微动信息的采集技术后，以随机信号的基本理论为基础，详细分析了微动信息的数字特征与物理性质。微动信息的功率谱密度具有分立性与主频特征，道间的规则信息具有同相性，道内信息具有一定的重复性与稳定性，在空间上各分量表现出传播性。这些物理性质表明微动信息虽然不是来源于特定震源，却呈现不是任意随机的特征。带通滤波后的微动信息在高频范围内，相位谱出现分叉现象，即由微动频带内混沌状态经过一个简短的过渡进入有     

遗传算法在磁异常反演中的应用

遗传算法是一种约束随机优化方法。它与传统的确定性优化方法相比较,具有全局收敛,不计算目标函数偏导数等优点；与传统的随机优化方法相比较,具有搜索效率高以及隐含并行计算等优点。本文首先讨论了遗传算法的基本原理和迭加机算步骤,其次讨论了该方法在磁化强度约束反演问题中的应用效果。     

噪声通过混沌振子后统计特性的定性分析

混沌振子对小信号的敏感性以及对噪声的免疫力，使它可以应用于微弱信号的检测。根据随机微分方程理论，对噪声经过混沌振子后的统计特性进行了定性分析，得出输出噪声为非平稳过程，而且该过程为循环平衡过程的结论，为实际应用提供理论指导。     

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HPSO算法的岩石非定常蠕变本构模型辨识

复合微粒群优化(HPSO)是一类随机全局优化技术,具有搜索能力强、收敛速度快、搜索精度高的优点.针对岩石蠕变本构模型非定常参数的辨识问题,利用FLAC软件自带的fish语言实现了HPSO算法对非定常参数的辨识.该方法从非定常参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,...     

改进量子粒子群算法在水电站群优化调度中的应用

针对量子粒子群算法求解水电站群优化调度问题存在的早熟收敛、寻优能力欠佳等缺陷,从种群初始化、进化和变异等方面提出了改进量子粒子群算法。该方法引入混沌搜索增强初始种群质量;通过加权更新种群最优位置中心改善种群进化模式并提升收敛速度;利用邻域变异搜索增加种群多样性避免早熟收敛。同时依据问题特点设计了矩阵实数编码方式与复杂约束处理方法。乌江梯级综合对比分析表明所提方法能切实保证快速获得高质量优化调度结果,有效提高梯级水能利用率,如长序列模拟调度较逐步优化算法分别减少8.9%的弃水和72.3%的耗时,是一种适用于大规模水电站群优化调度的高效实用方法。     

混沌人工鱼群算法在重力坝材料参数反演中的应用

首先介绍了一种随机搜索优化方法-人工鱼群算法（AFSA）,同时根据混沌（CHAOS）的遍历性和随机性等特点,将混沌系统和人工鱼群算法相结合形成了一种新的融合优化算法-混沌人工鱼群算法（CAFSA）。将混沌人工鱼群算法应用到混凝土大坝材料参数反演中。经算例分析表明,与人工鱼群算法相比较,混沌人工鱼群算法具有收敛快、效率高和结果精度高等优点。从而为解决类似的系统优化和参数识别问题提供了一种新的方法。     

一种新的优化灌溉制度算法——自由搜索

应用现有典型算法求解灌溉制度优化设计模型时,由于各种算法本身存在着不足,可被接受的模型最优解往往不能够被成功搜索到。自由搜索(Free Search,FS)是一种新的优化算法,对其进行了适当改进,针对灌溉制度优化设计模型实例,在不同的可供水量下,应用FS算法对该模型进行求解。结果表明,FS算法表现出良好的稳健性和收敛性;与以往的动态规划逐次逼近法(DPSA)、遗传算法(GA)及混沌算法(CA)对该实例的寻优结果相比,FS算法提高了寻优精度。FS算法原理简单,操作简便,是一种较好的优化灌溉制度的新方法。     

基于引力搜索法的隧道围岩微震定位研究

针对目前深埋隧道围岩微震源定位难且精度不高等问题,采用启发式算法——引力搜索法（GSA）对隧道围岩微震源位置进行搜索,并将该算法与粒子群算法和单纯形法的搜索结果进行对比。发现在双速度模型和三速度模型下,引力搜索法相较于粒子群算法和单纯形法,都具有快速收敛、精度较高的优点,且与震源位置的距离能够控制在10 m以内。对双速度模型,引力搜索法的精度相对于单纯形法提高了83.71%,相对于粒子群算法提高了7.77%。对三速度模型,引力搜索法的精度相对于单纯形法提高了70.67%,相对于粒子群算法提高了39.36%。可见,该方法为深埋隧道微围岩震源定位提供了一种新思路。     

多参数岩体结构面优势分组方法研究

在岩体力学和水力学分析中,搞清岩体结构面的分布规律是一项重要的基础工作。当岩体结构面的产状一致,而其他性质不一致时,岩体结构面的力学和水力学性质是不同的,而传统的方法仅根据岩体结构面的产状进行分组,这势必存在缺陷。提出了一种基于变尺度混沌优化算法的多参数结构面数据的优势组划分方法,通过度量结构面之间的相似性建立目标函数,运用变尺度混沌优化算法搜索目标函数的最优解来确定聚类中心,可同时考虑结构面的多个参数,把具有相似性质的结构面归并成组。通过计算机模拟的结构面数据验证了此算法的正确性,最后将此算法应用于实际工程中测量的多参数结构面数据的优势组划分,得到了清晰可靠的分组结果。     

Reservoir description using dynamic parameterisation selection with a combined stochastic and gradient search

There is a correspondence between flow in a reservoir and large scale permeability trends. This correspondence can be derived by constraining reservoir models using observed production data. One of the challenges in deriving the permeability distribution of a field using production data involves determination of the scale of resolution of the permeability. The Adaptive Multiscale Estimation (AME) seeks to overcome the problems related to choosing the resolution of the permeability field by a dynamic parameterisation selection. The standard AME uses a gradient algorithm in solving several optimisation problems with increasing permeability resolution. This paper presents a hybrid algorithm which combines a gradient search and a stochastic algorithm to improve the robustness of the dynamic parameterisation selection. At low dimension, we use the stochastic algorithm to generate several optimised models. We use information from all these produced models to find new optimal refinements, and start out new optimisations with several unequally suggested parameterisations. At higher dimensions we change to a gradient-type optimiser, where the initial solution is chosen from the ensemble of models suggested by the stochastic algorithm. The selection is based on a predefined criterion. We demonstrate the robustness of the hybrid algorithm on sample synthetic cases, which most of them were considered insolvable using the standard AME algorithm.