混合优化算法剩余静校正

本文通过充分消化和吸收国内外关于非线性最优化方法的研究成果 ,在对模拟退火和遗传算法剩余静校正进行大量模型试验分析、研究的基础上 ,提出了一种遗传退火混合的新算法 ,实现了模拟退火和遗传算法的绝大部分控制参数自动调整的思想 ,极大地提高了模拟退火和遗传算法的收敛能力和计算效率 ,能很好地解决低信噪比和大剩余静校正量问题     

自适应混合反演剩余静校正

本文针对剩余静校正问题的非线性特点，分析了已有的线性反演及非线性反演方法的优缺点，在此基础上提出了一种计算效率较高、搜寻全局最优解的混合反演方法；即在求解过程中每次扰动采用线性寻优方法搜寻局部最优解，在迭代过程中采用模拟退火法随机搜寻，就可以用较少的迭代次数搜寻全局最优解。此文中还提出了反演参数的选取方法，使得该法具有自适应的特点。理论分析和数值计算表明，该法不仅解决了剩余静校正较强的非线性全局优化问题，而且提高了计算效率，是一种切实可行的自适应剩余静校正方法。     

基于SAAGA的剩余静校正方法研究及应用

复杂地表地区地震勘探的剩余静校正问题是一个非线性的、多参数、多极值的全局优化难题。当剩余静校正量大于分析时窗内子波周期的一半时,用传统的线性剩余静校正方法容易陷入局部极值而出现“周波跳跃“现象。为此,首先设计了剩余静校正的目标函数(对于炮记录模型,选用超长道集的互相关作为目标函数),借鉴模拟退火算法的思想,对遗传算法的目标函数进行尺度变换,详细分析了退火遗传算法的实现及参数选择方案,并用理论模型及实际地震资料对退火遗传剩余静校正算法进行了检验。模型和实际资料的处理结果表明,该算法提高了模拟退火和遗传算法的收敛能力和计算效率,能很好地解决低信噪比、大剩余静校正量的校正问题。     

大剩余静校正量的自动求取

本文将一种混合全局优化方法用于大剩余静校正量的估计。该方法综合了模拟退火和单纯形方法的优点，便于实际应用。采用负的叠加能量作为目标函数所计算的数值算例表明，该算法能够有效地搜索到全局最优解。     

一种改进的遗传算法及其在剩余静校正中的应用

本文综合利用模拟退火和遗传算法的特点，给出一种改进的遗传算法，即根据模拟退火的概率分布函数提供群体的初值，然后使用遗传算法的选择算子和杂交算子进行搜索，在此基础上，再降低温度提供新的初值，进行反复迭代，从而搜索到全局最优解，通过估计剩余静校正的模拟试验表明，该方法只需要较小的群体规律，与常规的遗传算法相比，没有其它更多的控制参数，且全局收敛的效率有了很大的提高。     

利用遗传-粒子群优化混合算法求取剩余静校正量

剩余静校正是一个具有多参数、多极值的全局优化问题,当大量未知参数存在时,常规的遗传算法（GA）几乎无法避免早熟现象,难以保证收敛于全局最优。结合粒子群优化算法（PSO）和遗传算法的优势,提出了一种新颖的粒子群优化-遗传混合算法。混合算法利用了粒子群优化算法的速度和位置的更新规则,并引入遗传算法里的交叉变异思想。用混合算法和遗传算法分别对两个理论模型进行试处理,处理结果表明,混合算法比遗传算法具有更好的性能,是一种求取复杂地形条件下剩余静校正量的实用方法。     

模拟退火静校正

模拟退火静校正技术摆脱了常规静校正方法的框架,它采用非线性反演技术——模拟退火,求解地表一致性静校正问题,能较好地克服低信噪比、大静校正量引起的周期跳跃。分析了常规剩余静校正方法的欠缺,阐述了模拟退火静校正技术的方法原理和在现有计算机运行速度条件下,求取全局最优解的可能性,并通过理论模型验证了该方法的可靠性。经实例分析证实,此方法在解决复杂地表结构引起的大静校正问题时,优于常规静校正方法。     

利用TS与GA的混合算法（TSGA）求取剩余静校正量

静校正问题是一个具有多参数、多极值的全局优化问题,当大量未知参数存在时,常规的遗传算法(GA)几乎必然存在早熟收敛现象,很难保证全局收敛。为此,在Glover理论的基础上,本文提出一种GA与TS(禁忌搜索算法)的混合策略——TSGA。通过把TS独有的记忆功能引入到GA进化搜索过程之中,构造了新的重组算子TSR,针对GA爬山能力差和易早熟的缺陷,把TS作为GA的灾变算子TSM,即当GA陷于局部极值时,用TS对GA进行适当规模灾变,这样既保持了GA的已有搜索成果,又可以使GA跳出可能的局部极值陷阱,最终使搜索向全局极值前进。TSGA通过TS算法克服了GA爬山能力差的弱点,综合了GA具有多出发点、TS具有记忆功能和爬山能力强的优点,较好地解决了剩余静校正量求取的复杂非线性问题。模型数据处理结果表明,文中方法具有适应能力强、能快速收敛于大静校正量最优解的优点,是一项实用的求取复杂地形条件下静校正量的方法。     

基于均匀设计的自动剩余静校正方法

基于均匀试验设计方法,提出了一种具有较高计算效率的自动剩余静校正算法。该算法利用均匀试验设计方法在庞大的解空间中确定候选解,利用模拟退火规则来选择候选解,从而用少量的计算就能使候选解在模型空间分布更加均匀,提高搜寻全局最优解的速度。同时采用模型的不同分量的温度参数和退火过程的选取方法,使退火过程具有自适应的特点。该方法克服了常规模拟退火方法所具有的寻优空间不均匀以及不同模型分量的退火过程完全相同的缺陷。通过实际地震资料的计算证明,该方法是合理、有效的。     

遗传算法及其在剩余静校正中的应用

遗传算法是近期发展起来的处理非线性优化问题的一种方法。估算剩余静校正量本质上是一个非线性优化问题，而常用于评价解估计的目标函数却是一个具有多极值的非线性问题。当地震资料中的剩余静校正量大，信噪比低时，常规的局部线性反演方法往往易于陷入局部极大值之中，且严重依赖于初始模型的选取。遗传算法则是一种全局搜索方法，能较好地解决这一问题。     

基于泊松碟采样的小生境遗传算法剩余静校正

针对线性剩余静校正容易陷入局部解,导致复杂山地地震资料成像效果不佳的难题,本文提出一种基于泊松碟采样的小生境遗传算法剩余静校正方法。在常规遗传算法剩余静校正基础上,应用泊松碟采样对求解的静校正量实数编码,增加初始解空间的均匀度;采用多线程构建多种群小生境,种群内采用“精英+赌轮”选择、余下个体与精英两两交叉、小扰动变异策略进行遗传进化;种群间进行“联姻”操作,优选几个种群中适应度最大个体并与其他种群联姻,充分利用计算机多核并行运算功能以快速搜索到最优剩余静校正量。理论模型及实际资料应用结果均表明,该方法能增强同相轴的连续性,显著提高山前带低信噪比资料成像品质。     

混合优化波阻抗反演方法研究

地震反演常用的线性算法具有较快的收敛速度，但是易陷入局部最优解。因此需要引进一些非线性优化算法求解全局最优解。近年来相继出现了模拟退火、遗传算法、禁忌搜索算法和混沌搜索算法等，虽然这些算法具有较强的全局优化性能，但是其计算速度慢，远远不能满足实际生产的要求。如何将上述两类算法结合起来实现优势互补成为了反演中的一个重要课题之一。文章提出的混合优化波阻抗反演方法综合了共轭梯度算法和模拟退火算法的优点，在模拟退火反演框架内加入共轭梯度迭代算法，即在模拟退火反演过程中，当目标函数值满足给定的条件时，进行一定次数的共轭梯度迭代反演，最终以模拟退火反演结果来判断其收敛性。实际计算表明，该方法不仅收敛速度快，而且抗干扰能力强，计算得到的波阻抗剖面能较好的反映地层地质特征。     

非线性反演方法在剩余静校正中的应用

估算剩余静校正量本质上是一个非线性反演问题。当地震资料的剩余静校正量大、信噪比低时,利用线性反演方法不能有效地拾取静校正量。文中分别采用最大能量法和模拟退火法两种非线性的反演方法来估算炮点和检波点的剩余静校正量。这两种方法是将负叠加能量作为目标函数,静校正量作为模型参数。估算最佳的剩余静校正量需要确定多维目标函数的全局极小值。最大能量法的结果受初始静校正量的影响,它的解容易陷入目标函数的局部极小值。模拟退火法不受初值的影响,可以求得目标函数的全局极小值或其近似值。     

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。     

模拟退火静校正技术在低信噪比地区的应用

地震资料常规处理中,在剩余静校正量较小的情况下,采用线性方法求解能够较好地解决静校正问 题。对于复杂地表结构地区,地震资料信噪比低,经常规静校正后仍然存在很大的剩余静校正量,传统的反 射波剩余静校正容易陷入局部极值,出现“周期跳跃”现象。快速模拟退火静校正技术能够解决大的剩余 静校正量问题,特别适用于表层构造复杂地区及低信噪比地区。     

几种静校正方法的研究与比较

本文针对高程静校正、模型法、沙丘曲线法、折射波近地表校正法、层析反演法以及初至波剩余静校正6种常用的静校正方法做了详细的研究。分别论述了几种静校正方法的原理以及各自的适用范围,研究了每种静校正方法解决问题的能力,探讨了不同的近地表条件下静校正方法适应性和流程,并用3个工区的实际资料,做了几种静校正方法的处理效果对比分析,进一步说明了前述理论成果。