利用自适应混沌遗传粒子群算法反演瑞雷面波频散曲线

为了提高瑞雷面波频散曲线的反演精度,减少反演过程中的多解性,获取更准确的地下横波速度结构,本文从反演算法入手,对基本的粒子群算法进行改进,提出了一种能同步提高全局和局部搜索能力的自适应混沌遗传粒子群算法（ACGPSO）：即先采用自适应惯性权重,并设置粒子的节速度,再引入遗传算法的交叉和变异操作及单维全分量的混沌局部搜索。利用该算法对理论模型的无噪和含噪基阶频散曲线进行反演,且针对含噪数据加入二阶与三阶频散曲线进行联合反演。所得反演结果与常规粒子群算法反演结果的对比表明：ACGPSO算法具有更好的稳定性和抗噪性,且基于该算法的联合反演能有效降低解的多解性,显著提高解的精度。对实际数据所做的两步法反演的效果进一步验证了该算法的适用性。     

基于自适应差分进化算法的MT信号激电信息提取

从MT信号中提取激电信息的研究有助于提高大深度探测技术的勘探精度、深度和范围。针对MT信号激电信息提取中存在的非线性和非凸特征,通过改进混沌自适应差分进化算法中进化参数的自适应策略,提出了一种基于非均匀统计分布的自适应差分进化两阶段最小构造反演方法。一方面该方法利用柯西分布和高斯分布的统计特性自适应获取进化参数F和CR,提高算法的全局搜索能力, 通过记忆以往迭代过程中的优秀进化参数提高算法后期的稳定性;另一方面该方法通过引入第二阶段的反演过程强化极化率对观测数据的影响;通过将正则化参数引入差分进化算法的适应度函数解决反演的多解性问题。对含激电效应的MT一维模型的反演结果表明,本文算法能够较好地重构地电结构和提取激电信息并在加噪环境下具有较强的鲁棒性。与其他非线性算法(混沌自适应差分进化算法,标准差分进化算法和粒子群优化算法)的反演结果对比表明,本文算法具有更为优越的全局搜索能力和较高的反演精度,适于微弱激电信息的提取。     

双种群人工蜂群算法及其在MT和重力联合反演中的应用

基于非线性优化算法的联合反演具有全局寻优、无需求偏导数、便于先验信息融入等优点。人工蜂群（ABC）算法是一种较新颖的非线性优化算法,具有独特的角色转换机制,在求解优化问题上有较强的寻优性能,但该算法也存在着搜索效率不高、局部搜索能力弱等问题。基于双种群架构可有效提高优化算法全局寻优能力。基于此,笔者提出一种双种群架构ABC算法,将交叉变异操作和最优解邻域搜索融入不同种群,选择典型的测试函数验证了改进ABC算法的有效性,并将其应用于大地电磁测深（MT）和重力数据的联合反演。模型试验和实测数据处理结果表明,双种群ABC算法具有较高的寻优能力和一定的实用性。     

蚱蜢算法在瑞雷波频散曲线反演中的应用

蚱蜢算法是一种新型的群智能优化算法,其灵感来源于蚱蜢在不同阶段表现出的独特觅食行为。该算法将蚱蜢算子的移动分为局部搜索与全局搜查两个阶段,算子每次移动均受其余所有算子的共同影响,以保证收敛到精确解。将蚱蜢算法引入面波频散曲线反演,以获得近地表横波速度。基于理论数据和实测瑞雷波数据,分析了利用蚱蜢算法计算近地表横波速度的有效性和适用性。目标函数解在反演迭代过程中能够快速收敛到全局最优;模型参数的分布概率高,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,保证了反演结果的可靠性。     

基于差分进化算法的叠前AVO反演

针对传统的线性化迭代反演算法对初始模型依赖程度较高、反演过程容易陷入局部最优的问题,本文研究了一种基于差分进化算法的叠前反演方法。该方法利用差分的简单变异操作和一对一的竞争生存策略,对初始模型的依赖程度较低,全局收敛能力较强,且具有操作简单、运算速度快的特点,是解决复杂优化问题的一种有效方法。针对叠前地震反演问题,本文以贝叶斯理论为基础,结合似然函数与先验约束信息,建立反演目标函数,然后利用差分进化算法对初始模型进行优化,直至目标函数取得全局最优值。模型试算验证了该方法是可行的,且对初始模型的依赖程度较弱,具有较好的全局收敛能力;将该方法应用于实际叠前道集数据,得到了分辨率较高的反演结果。     

基于布谷鸟算法的储层物性参数同步反演

物性反演是储层预测与评价的重要手段,可直观描述储集层所蕴含的信息。由于地球物理反演的非线性特征,以局部寻优方法开展的储层物性参数反演方法难以降低不适定性,结果存在多解性。为此,提出一种基于布谷鸟算法的储层物性参数同步反演方法。以弹性阻抗与储层物性参数关系为基础,构建储层物性反演目标函数,引入布谷鸟算法寻找目标函数最优解。布谷鸟算法作为一种新型元启发式算法,其包含的Levy飞行机制能有效解决常规方法陷入局部极值的问题,可实现更高精度的储层物性参数预测。理论模型和实际数据测试均表明,该方法能够有效反演物性参数,可为储层描述提供数据支持。     

同伦神经优化理论及其在地震反演中的应用

地震数据反演是一个典型的非线性逆问题，其目标函数都是多极值的函数。因此，传统的迭代优化方法常常会遇到局部收敛性的限制。本文提出的同伦神经优化理论（ＨＮＯＴ）及其算法（ＨＮＯＡ）能将非线性多极值目标函数较快地收敛于全局极值。是一种有效的反演方法。本文将该反演方法与相邻道互相关技术和层位信息约束有机地结合起来，实现了地震数据控制下的井资料高分辨率岩性参数联合反演。理论模型与实际资料的处理结果表明，本文     

瑞雷面波频散曲线的粒子群蚁群混合优化反演

应用瑞雷面波频散曲线反演地下介质的横波速度剖面是面波勘探的重要步骤之一。传统线性反演方法已不能满足物探工程的要求,非线性的反演方法成为研究热点。文中将基于粒子群优化算法和蚁群优化算法的非线性混合优化算法应用于瑞雷面波频散曲线反演,获得横波速度剖面。该算法利用信息素引导机制更新粒子的早期位置,充分结合了粒子群优化算法对全局最优解的引导策略和蚁群优化算法的局部搜索能力,克服了粒子群算法在群体处于平衡状态时粒子群更新停滞不前和蚁群算法对多极值函数求解时收敛早熟的缺点。通过对多种理论模型频散曲线的反演,检验了该算法的有效性和稳定性;与单独的蚁群算法、粒子群算法反演结果的对比验证了该算法的优越性;实测数据反演结果检验了算法的实用性。     

混合智能优化地震反演

传统非线性反演方法存在着收敛效率低,有时会陷入局部极值的问题。为此,研究开发了融合粒子群优化算法和郭涛算法的混合智能优化地震非线性反演技术。粒子群优化算法对解的更新更具有目的性,收敛速度快;郭涛算法构造了多父体交叉重组算子并采用群体爬山策略,求解精度高;混合智能优化算法以粒子群优化算法为主体框架,融入郭涛算法的寻优机制。函数优化测试、理论模型试算和实际资料反演处理结果表明,混合智能优化算法具有求解效率高、全局寻优能力强的优点,适合解决复杂的地震反演问题。     

一种用于波形反演的改进差分进化算法

当波形反演中待求参数维数较高时,传统的全局优化方法逐渐失去其有效性和优点。本文在差分进化算法的选择算子中借鉴协同进化法分解—协调的思想,将复杂问题分解为若干子问题,并为每个子问题引入局部适应度的概念,提出一种改进的差分进化算法(DE-CCS)。此方法首先根据局部适应度选择出准下一代;考虑到子问题之间的协调优化,最终的下一代则仍根据全局适应度选取。改进差分进化算法同时利用局部适应度和全局适应度引导进化方向,提高了收敛速度,且对高维问题更加有效。将该方法应用于正演速度慢、局部极值多的高维波形反演,模型和实际数据算例结果证明了该方法的有效性。     

大地电磁测深资料遗传算法反演研究及应用

反演是大地电磁测深(MT)的关键环节之一。MT反演是多参数非线性最优化问题,存在多解性;而基于遗传算法的MT反演可提高非线性解的唯一性,它只需要问题的正演公式及给定参数的范围,不需求导数,也不要求有良好的初值,具有抗干扰能力强、拟合度高等优点,而且遗传算法作为一种非线性全局优化方法能在全局范围内搜索最优解。通过建模,在正演的基础上进行了反演研究,得到的结果与模型基本一致。在此基础上,运用遗传算法反演对实测资料进行了处理,效果较好。     

MT资料的遗传法反演

在简述遗传优化算法的基本原理,分析大地理电测深资料反演的特点和滩点的基础上,提出了将遗传算法引入ＭＴ数据反演的思路,针对ＭＴ资料反 特殊性,对常用的遗传算法进行改进。取消二进制编码和解码过程。     

一维大地电磁测深几种反演算法的比较研究

大地电磁反演算法主要分为线性与非线性两类。马奎特法、遗传算法以及模拟退火是其中具有代表性的算法。本文将三种方法的反演过程、结果及理论进行了对比研究，指出各自的优点与局限性，以及使用时应注意的相应条件。研究表明，马奎特法寻找目标函数全局最优的能力较差，只能局部寻优，但运算速度快；模拟退火法和遗传算法寻找目标函数全局最优的能力较强，但运算速度较慢。当对地下地电参数预先有一定程度了解，又可以选取比较合理的初始解时，可选择马奎特法，否则宜选用其他非线性全局寻优能力强的反演方法。     

基于ICS-GRNN的油气管道剩余强度预测技术

为提高腐蚀管道剩余强度的预测精度,深入分析影响管道剩余强度的主要因素,通过广义回归神经网络（GRNN）对剩余强度进行有效预测,采用改进的布谷鸟搜索算法（ICS）对光滑因子进行寻优,建立了基于ICS-GRNN的管道剩余强度预测模型,并与其他模型进行了对比。结果表明,ICS算法较CS算法提前88次迭代达到收敛条件,具有更快的迭代速度;ICS-GRNN模型的平均相对误差和希尔不等系数均最小,分别为1.92%和0.43,与其他模型相比,预测精度和鲁棒性最好,预测时间最短。研究结果可为进一步确定腐蚀管道的后续承载力和服役状态提供参考。     

带模拟退火的拟ＢＰ神经网络在伊朗某地区重力资料反演中的应用

选用目前非线性方法中的２个研究热点，即ＢＰ神经网络和模拟退火算法，用优化后的ＢＰ神经网络为主框架，结合位场反演的特点，在反演过程中引入模拟退火算法，这样既利用了ＢＰ神经网络指导学习的功能，提高了局部搜索性能，又利用了模拟退火算法的概率突跳性，实现了最终的全局收敛性，从而在减少多解性和提高反演的速度和精度等方面有了新的进展。通过模型试验，验证了该方法的有效性。本方法应用于伊朗某地区的重力资料反演，较好地反映了剖面的地质情况。