CN109255426B - 一种权重动态调整的地质断层参数粒子群优化搜索算法 - Google Patents
一种权重动态调整的地质断层参数粒子群优化搜索算法 Download PDFInfo
- Publication number
- CN109255426B CN109255426B CN201810940151.3A CN201810940151A CN109255426B CN 109255426 B CN109255426 B CN 109255426B CN 201810940151 A CN201810940151 A CN 201810940151A CN 109255426 B CN109255426 B CN 109255426B
- Authority
- CN
- China
- Prior art keywords
- iteration
- fault parameters
- geological
- parameters
- geological fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种权重动态调整的地质断层参数粒子群搜索算法,针对利用粒子群优化算法在搜索计算断层参数过程中收敛速度慢且易陷入局部最优等问题,提出根据粒子进化速度和聚集程度适时进行动态调整惯性权重的值,并基于相似度的粒子群优化改进了粒子群算法早期易遗失最优点的缺点,将各粒子群分为三部分,有效提高了地质断层参数最优值搜索计算的收敛效率。本发明的模型结构简单,可操作性强,模拟效果好,可实现收敛速度、收敛精度上均优于常规及现有改进粒子群算法,有效避免了粒子群算法存在的诸多缺点。
Description
技术领域
本发明涉及一种权重动态调整的地质断层参数粒子群搜索算法,针对利用现有粒子群优化算法在搜索计算断层参数过程中收敛速度慢且易陷入局部最优等问题,引入相似度的概念提出了一种权重动态调整的改进粒子群优化算法,有效避免了粒子群算法存在的缺点,提高了地质断层参数最优值搜索计算的准确度。
背景技术
地质断层参数搜索计算过程是一个高度复杂且非线性过程,因此难于用精确的数学模型对其进行描述及获取。近些年来,随着计算智能算法的发展,越来越多的计算智能算法被应用到了断层参数的搜索计算中,其中有蚁群算法、蒙特卡洛算法、模拟退火算法、BP神经网络算法等,但相对于上述算法而言,粒子群算法在断层参数最优值搜索计算中表现出更强的优势,计算复杂度也较其他算法低,搜索速度更快。
粒子群优化算法(PSO)是通过对鸟群捕食行为的研究,提出的一类基于群体智能的随机优化算法。但是传统PSO算法在断层参数最优值搜索计算过程中存在早熟收敛、后期震荡和全局搜索能力与收敛速度矛盾等缺点,许多学者针对这些缺点也提出了多种改进算法,在PSO算法中惯性权重因子是最关键参数也是可进行优化调整的参数,而在传统粒子群算法中惯性权重因子通常被设定为固定值,这显然是不合理的,针对此学者做了相关研究,提出了相应的改进算法,例如,惯性权重线性递减算法(LCD)、惯性权重非线性递减算法、动态改变惯性权重算法、动态改变惯性权重的自适应粒子群算法(DCW)。
综合而言,LCD算法和惯性权重非线性递减算法相较传统固定惯性权重因子的粒子群算法,在断层参数最优值搜索计算中有了很大的改进,使搜索计算的断层参数能尽可能趋近于最优的断层参数,但仍然存在搜索计算收敛过慢的缺点;DCW算法的收敛精度得到提高,收敛速度也明显优于其他几种改进算法,但DCW算法跳出局部搜索的能力和效率不如LCD算法好,DCW算法仍存在断层参数最优解搜索收敛性和全局收敛能力有限的缺点。此外,当PSO算法的粒子群具有同一性时,PSO算法容易陷入局部最优,同时PSO算法存在全局搜索能力与收敛速度的矛盾。
发明内容
本发明的目的是提供一种权重动态调整的地质断层参数粒子群搜索算法,用于解决地质断层参数最优值搜索计算过程中PSO算法存在早熟收敛、后期震荡和全局搜索能力与收敛速度矛盾的缺点,进而得到较优的地质断层参数,为确定地质断层性质、断层面产状以及断层规模等研究提供数据基础。
为了实现上述任务,本发明采用以下技术方案:
一种权重动态调整的地质断层参数粒子群搜索算法,包括以下步骤:
步骤1,设置要搜索计算的每一个地质断层参数的上限和下限,然后在上限和下限的范围内,随机生成n组地质断层参数,以形成种群;
步骤2,计算出所述n组地质断层参数中每一组地质断层参数的整体适应度;
步骤3,确定种群在本次迭代时的当前全局最优断层参数;
步骤4,计算每一组地质断层参数的整体惯性权值,包括:
根据每一组地质断层参数与当前全局最优断层参数的相似度,将所述的n组地质断层参数分成三类,继而确定相似度-迭代惯性权值;根据本次迭代、上次迭代的全局最优位置的整体适应度,以及本次迭代中所有组地质断层参数的整体适应度的平均值,确定进化速度-聚集度动态惯性权值;
利用所述的相似度-迭代惯性权值、进化速度-聚集度动态惯性权值确定所述的整体惯性权值;
步骤5,利用整体惯性权值,对每一组地质断层参数的速度和位置进行更新;
步骤6,根据目标函数判断是否满足迭代的终止条件,如满足则输出最优的一组地质断层参数,否则继续进行迭代,直至达到最大迭代次数。
进一步地,所述的n组地质断层参数中,每一组地质断层参数包括:断层的长度、宽度、深度、走向、倾向、走滑量、倾滑量和张裂量。
进一步地,步骤2中所述的地质断层参数的整体适应度的计算公式为:
上式中,ui(P)表示地表监测站点的实际监测值,ui(O)表示一组地质断层参数根据Okada位错模型计算得到的模拟值,m为地表监测站点的个数。
进一步地,步骤3所述的确定种群在本次迭代时的当前全局最优断层参数,包括:
步骤3.1,对于n组地质断层参数,计算每一组断层参数的整体适应度,整体适应度最小的一组地质断层参数记为当前断层参数的最优位置;
步骤3.2,通过步骤4、步骤5对每一组断层参数进行位置和速度的更新,计算更新后每一组断层参数的整体适应度,然后通过步骤6判断是否满足迭代的终止条件,如满足,则所述更新后的每一组断层参数中,整体适应度最小的一组断层参数即为当前全局最优断层参数。
进一步地,步骤4所述的根据每一组地质断层参数与当前全局最优断层参数的相似度,将所述的n组地质断层参数分成三类,继而确定相似度-迭代惯性权值,包括:
步骤4.1,相似度计算,公式为:
上式中,i表示一组地质断层参数,j表示当前全局最优断层参数,d(i,j)表示i与j的空间距离,smax为距离最大值,dmin和dmax.是固定常数;
步骤4.2,确定相似度-迭代惯性权值
当s(i,j)=0时,则相似度-迭代惯性权值ωii的取值为最大权重ωmax;
当s(i,j)=1时,则相似度-迭代惯性权值ωii的取值为最小权重ωmin;
当s(i,j)在0和1之间时,相似度-迭代惯性权值ωii的计算公式为:
其中:
ω=ωmax-s(i,j)(ωmax-ωmin)
上式中,tmax为最大迭代次数,t为当前迭代次数。
进一步地,所述的根据本次迭代、上次迭代的全局最优位置的整体适应度,以及本次迭代中每一组地质断层参数的整体适应度的平均值,确定进化速度-聚集度动态惯性权值,包括:
步骤4.3,进化速度-聚集度动态惯性权值ω00的计算公式为:
ω00=ωini-h×ωh+s×ωs
其中,ωini为惯性权值的初始值,ωh和ωs为调节参数,h和s的计算公式如下:
进一步地,所述的整体惯性权值ωi的计算公式为:
ωi=λ×ω00+(1-λ)×ωii
其中,λ∈[0,1]。
进一步地,步骤5所述的对每一组地质断层参数的速度和位置进行更新的公式为:
其中,和分别为第i组地质断层参数在第k次迭代中第d维的速度和位置,为第i组断层参数在k次迭代过程中d维的最优位置,为种群在k次迭代过程中d维的最优位置,d=1,2...D,D为维度数量;c1、c2为[0,1]之间均匀分布的随机数。
进一步地,步骤6所述的目标函数为:
上式中,Fitnessi为当前次迭代的第i组地质断层参数的整体适应度。
本发明与现有技术相比具有以下技术特点:
1.本发明针对地质断层参数最优值搜索计算PSO算法中所有可调参数中影响最大的惯性权重因子进行动态调整,吸收了惯性权重线性递减算法(LCD)在迭代初次搜索能力较强的优势,但克服了LCD算法如在初期搜索不到较好的点,随着惯性权重因子的减小,全局搜索能力减弱,局部搜索能力增强,很容易陷入局部最优的缺点;本发明提出根据粒子进化速度和聚集程度适时进行动态调整惯性权重的值,并基于相似度的粒子群优化改进了粒子群算法早期易遗失最优点的缺点,将各粒子群分为三部分,有效提高了地质断层参数最优值搜索计算的收敛效率,从而克服了“固定权值的粒子群算法”、“惯性权值线性递减策略粒子群算法”、非线性权值递减策略粒子群算法(陈桂敏,2006)”,搜索计算收敛过慢的缺点,以及“维多样性动态权重粒子群算法(王帅,2014)”存在断层参数最优解搜索收敛性和全局收敛能力有限的缺点。
2.本发明提出的权重动态调整的地质断层参数粒子群搜索算法,由于考虑到全部粒子在运动过程中每一个粒子的差异性和粒子群整体运动前后的差异性,通过对其两部分进行分析,使得改进后的粒子群算法既具有很好的收敛速度,也具有很好的全局收敛能力。
3.本发明提出的复合惯性权重粒子群优化算法进行断层参数最优值搜索,模型结构简单,可操作性强,模拟效果好,可实现收敛速度、收敛精度上均优于常规及现有改进粒子群算法,有效避免了粒子群算法存在的诸多缺点。
附图说明
图1为本发明方法的流程图;
图2为模拟断层位置与观测点图;
图3为模拟走滑断层引起的位移变化图;
图4为走滑均值与迭代次数关系图;
图5为走滑最优值与迭代次数关系图;
图6为芦山地质断层展布、GPS监测站点分布及GPS实测地表位移图。
具体实施方式
本发明公开了一种权重动态调整的地质断层参数粒子群优化搜索算法,流程图如图1所示,具体包括以下步骤:
步骤1,设置要搜索计算的每一个地质断层参数的上限和下限,然后在上限和下限的范围内,随机生成n组地质断层参数,以形成种群;
所述的n组地质断层参数中,每一组地质断层参数包括:断层的长度、宽度、深度、走向、倾向、走滑量、倾滑量和张裂量;亦可根据实际需求调整每一组参数的种类和数量。其中,所述每一个地质断层参数的上限和下限可从地质调查结果中获得;该步骤中,设置好每个地质断层参数的上限和下限以后,随机生成n组地质断层参数从而构成种群。
步骤2,计算出所述n组地质断层参数中每一组地质断层参数的整体适应度,计算公式为:
上式中,ui(P)表示第i个地表监测站点(对所述的地质断层参数的)的实际监测值,即检测站点对所述的长度、宽度、深度、走向、倾向、走滑量、倾滑量和张裂量的实际监测值;ui(O)表示一组地质断层参数根据Okada位错模型计算得到的模拟值,m为地表监测站点的个数。
通过上述公式,可计算出步骤1生成的n组地质断层参数中每一组地质断层参数在每一次迭代过程中的整体适应度。
步骤3,确定种群在本次迭代时的当前全局最优断层参数;
步骤3.1,当前断层参数的最优位置
对于步骤1产生的n组地质断层参数,利用步骤2计算每一组断层参数的整体适应度;在计算得到的n个整体适应度中,选择整体适应度最小的一组地质断层参数记为当前断层参数的最优位置;
步骤3.2,当前全局最优断层参数
为了防止搜索计算出的断层参数陷入局部最优值,需要进一步对种群全局最优值进行计算,具体如下:
当一次前断层参数的最优位置计算结束后,利用步骤4、步骤5对每一组断层参数进行位置和速度的更新,更新后产生新的n组地质断层参数,这时候根据步骤2可计算出这新的n组地质断层参数的每一组的整体适应度,然后通过步骤6中的目标函数判断是否满足迭代的终止条件,即当前次迭代得到的这新的n组地质断层参数的整体适应度值的平均值与min的关系,或者判断当前迭代次数是否达到最大迭代次数;如小于min或达到最大迭代次数,则结束迭代,这时选择当前迭代(更新后的每一组断层参数)得到的新的n组地质断层参数中,整体适应度最小的一组断层参数即为当前全局最优断层参数,也即种群的全局最优位置,最小的整体适应度也是种群的全局最优位置的适应度。
如不满足步骤6的迭代终止条件,则继续重复步骤2至步骤6;随着不断迭代,断层参数在不断更新优化,直到满足步骤6中目标函数输出条件。
步骤4,计算每一组地质断层参数的整体惯性权值
本发明为进一步增强反演断层参数解的收敛性和全局收敛能力,引入相似度的概念,即根据每组断层参数与全局最优断层参数不同的相似度,将对每一组断层参数的惯性权值进行分类计算。
步骤4.1,根据每一组地质断层参数与当前全局最优断层参数的相似度,将所述的n组地质断层参数分成三类
首先定义两组断层参数i和j的相似度s(i,j),满足下列准则:
1)s(i,i)=1;
2)当d(i,j)→∞时,s(i,j)→0;
3)对于任何断层参数i和j,有s(i,j)∈[0,1].
综合上述3个准则,可得两组断层参数i和j的相似度计算公式如下:
上式中,i表示一组地质断层参数,j表示当前全局最优断层参数,d(i,j)表示i与j的空间距离,smax为距离最大值,本发明采用Euclid距离;dmin和dmax.是设定的固定常数,通常可取dmin=0.00001;dmax.=0.05。
步骤4.2,确定相似度-迭代惯性权值
按照步骤4.1计算第i组地质断层参数的相似度,根据以下判断条件将地质断层参数分为三类,并计算每一类地质断层参数的相似度-迭代惯性权值:
第一类:当s(i,j)=0时,则相似度-迭代惯性权值ωii的取值为最大权重ωmax;
第二类:当s(i,j)=1时,则相似度-迭代惯性权值ωii的取值为最小权重ωmin;
第三类:当s(i,j)在0和1之间时,相似度-迭代惯性权值ωii随相似度而单调递减,计算公式为:
其中:
ω=ωmax-s(i,j)(ωmax-ωmin)
上式中,tmax为最大迭代次数,t为当前迭代次数,通常可取ωmax为0.9,ωmin为0.1。
由此可计算出每一组地质断层参数的相似度-迭代惯性权值ωii。
步骤4.3,根据本次迭代、上次迭代的全局最优位置的整体适应度,以及本次迭代中所有组地质断层参数的整体适应度的平均值,确定进化速度-聚集度动态惯性权值;
进化速度-聚集度动态惯性权值ω00的计算公式为:
ω00=ωini-h×ωh+s×ωs
其中,ωini为惯性权值的初始值,通常可取值为1.0;ωh和ωs为调节参数,一般取经验值,通常可取值为ωh=0.5,ωs=0.05。h和s的计算公式如下:
上式中,为上次迭代的全局最优位置的整体适应度,即上一次迭代的全局最优值;为本次迭代的全局最优位置的整体适应度,即本次迭代的全局最优值;为本次迭代中所有组地质断层参数的整体适应度的平均值。参数h反映了断层参数群进化速度,参数s反映了所有断层参数当前的聚集程度,同时在一定程度上也反映出断层参数的多样性。
步骤4.4,利用所述的相似度-迭代惯性权值、进化速度-聚集度动态惯性权值确定所述的整体惯性权值ωi,计算公式为:
ωi=λ×ω00+(1-λ)×ωii
其中,λ∈[0,1];由此可确定每一组断层参数的整体惯性权值。
步骤5,利用整体惯性权值,对每一组地质断层参数的速度和位置进行更新;
传统的粒子群算法中的惯性权值为固定数,在进行断层参数的搜索计算过程中很容易因为惯性权值的取值过大造成迭代超出最优的断层参数,过小则造成断层参数的收敛速度过慢,即存在早熟收敛、后期震荡和全局搜索能力与收敛速度矛盾的缺点。
本发明中提出了上述的整体惯性权值的计算方法,有效地克服了传统断层参数最优解搜索收敛性和全局收敛能力有限的缺点;利用上述计算出来的整体惯性权值ωi对每一组地质断层参数进行速度和位置的更新:
种群中共有n组地质断层参数,xi=[xi1,xi2,...xid]为第i组地质断层参数的当前位置;第i组地质断层参数当前的飞行速度为vi=[vi1,vi2,...vid],第i组地质断层参数在D维位置与速度的更新公式为:
其中,和分别为第i组地质断层参数在第k次迭代中第d维的速度和位置,为第i组断层参数在k次迭代过程中d维的最优位置(即第i组断层参数在d维的k次迭代中按照步骤2的公式可计算出k个整体适应度,选择整体适应度最小的一次迭代中第i组断层参数即为所述的最优位置),为种群在k次迭代过程中d维的最优位置(即种群的各组地质断层参数在d维的k次迭代中整体适应度最小的一组地质断层参数),d=1,2...D,D为维度数量;c1、c2为[0,1]之间均匀分布的随机数。
在每一次的迭代计算中都会有n组断层参数参与计算,而每一组断层参数都有很多维度(如断层的长、宽、深、走向、倾向等,上述公式中用d维表示),将这些维度带入到上述计算公式中,就能计算出每一组断层参数更新后的位置和速度。
步骤6,根据目标函数判断是否满足迭代的终止条件,如满足则输出最优的一组地质断层参数,否则继续进行迭代,直至达到最大迭代次数;即迭代终止的条件是满足目标函数或迭代至最大迭代次数;其中目标函数为:
上式中,Fitnessi为当前次迭代的第i组地质断层参数的整体适应度;即计算当前迭代的n组地质断层参数的整体适应度(按照步骤2的公式)的平均值并判断是否小于min,本发明min取值为0.00001;如满足则退出迭代并输出最优的一组断层参数,即本次迭代的全局最优值(本次迭代的全局最优位置的整体适应度)对应的一组断层参数。
利用最优的一组地质断层参数,进行地质断层性质、断层面产状以及断层规模的研究。
验证实例一:
为验证本发明提出算法的最优性及有效性,首先采将本发明算法、传统粒子群算法及现有改进粒子群算法应用到模拟的地质断层参数最优值搜索计算当中。
其中一条地质断层一般可用10个参数来描述(okada,1985,1992):断层的位置(X,Y);断层长度;断层宽度;断层的走向角度;断层的倾向角度;断层的走滑量U1;断层的倾滑量U2;断层的张裂量U3。本算例为模拟纯走滑断层,模拟的纯走滑断层参数(真值)见下表1,断层位置及观测点分布见图2(其中黑色粗线条代表断层)。采用五种不同的粒子群算法进行计算分析:
第一种 为惯性权值固定,权值为0.7(W恒定);
第二种 为传统线性惯性权值方法(W线性递减);
第三种 为非线性权值递减策略(W非线性递减)(陈桂敏,2006);
第四种 为维多样性动态权重粒子群算法(DDMWPSO)(王帅,2014);
第五种 为本发明提出的复合惯性权重粒子群优化算法(S-DSPO)。
本发明依据断层位错模型引起地表位移的理论计算公式(okada,1985,1992),首先根据纯走滑断层参数进行正演计算出地表位移(见图3),其次在正演出的地表位移结果中随机加入一定的扰动误差代表真实观测地表位移(真实观测地表位移含有一定的观测误差),进行后续利用粒子群算法对断层参数走滑量(U1)最优值的反演计算。在采用不同粒子群权重策略进行断层参数走滑量(U1)最优值搜索计算过程中,根据纯走滑断层走滑量真值(表1),将待反演断层参数走滑值(U1)在[0 10]之间范围进行取值,并且离散程度均相同,根据目标函数来判断粒子的适应度。从反演结果(走滑均值和走滑最优值)收敛时不同策略算法的迭代次数,对不同算法的稳定性和有效性进行评价。计算结果均表明本发明提出的复合惯性权重粒子群优化算法是最优的,计算结果如图4和图5、表2和表3所示。
在上述模拟算例中仅展示了本发明提出的复合惯性权重粒子群优化算法在模拟的纯走滑断层中走滑量最优值搜索计算中的最优性。需要说明的是,本发明提出的优化算法在模拟的纯倾滑断层、纯张裂断层,以及同时具有走滑、倾滑与张裂断层参数最优值搜索计算中,相对于其他四种粒子群算法均具有更好的稳定性和有效性。
表1走滑断层参数
表2走滑均值与迭代次数关系
方法 | W恒定 | W线性递减 | W非线性递减 | DDMWPSO | S-DSPO |
收敛次数 | 17 | 23 | 15 | 20 | 7 |
表3走滑最优值与迭代次数关系
方法 | W恒定 | W线性递减 | W非线性递减 | DDMWPSO | S-DSPO |
收敛次数 | 7 | 11 | 10 | 6 | 4 |
验证实例二:
为验证本发明提出的算法在实际地质断层参数最优值搜索计算中的优势,将本发明提出的改进粒子群优化算法、传统粒子群算法及现有改进粒子群算法均应用到实际的地质断层参数最优值搜索计算的中。实际算例选取2013年4月20日发生在四川芦山的Ms7.0级地震,芦山地震位于龙门山推覆构造带西南段,根据地震断层滑动分布结果和野外地质考察结果显示,此次地震断层主要为双石-大川断裂(图6中虚线框范围内所示),芦山地震断层发震机制为典型的逆冲型地震兼具走滑与倾滑活动。
本发明选取的用于对芦山地震断层参数最优值搜索计算的地表监测数据为,地震震区内33个GPS连续运行监测站获取的同震速度场资料(Jiang et al.,2014),并采用单一矩形位错模型对芦山地震断层参数最优值进行搜索计算。芦山地质断层展布、GPS监测站点分布及GPS实测地表位移见图6。利用GPS监测同震速度场约束震源位错模型,分别采用本发明提出的改进粒子群优化算法、传统粒子群算法及现有改进粒子群算法,对芦山地震断层的长度、宽度、深度、走向、倾向、走滑量U1和倾滑量U2进行了最优值的搜索计算。
在采用粒子群算法对芦山地震断层最优值搜索计算的过程中,在参数选择时,粒子数要结合算法收敛性及计算效率来确定,粒子数太小,会影响算法收敛稳定性,粒子数太大,则会影响算法的计算时间,降低算法的计算效率。因此,综合以上考虑在本实际算例中,选择的粒子数为100,优化迭代次数为30次。将五种粒子群算法对芦山地震断层最优值的搜索计算结果列入表4中。从表4中可看出,相对于其他四种粒子群算法,本文提出的复合惯性权重粒子群优化算法搜索到的断层参数的全部最优解更趋近于最优参考结果(谭凯等,2015),具有更高的准确度。
因此,综合模拟算例与实际算例结果可以得出,在地质断层参数最优值搜索算法中,相对于传统粒子群算法及现有的三种粒子群改进算法,本文提出的复合惯性权重粒子群优化算法具有的更好稳定性、有效性及准确度。
表4芦山地震断层参数值
Claims (6)
1.一种权重动态调整的地质断层参数粒子群搜索算法,其特征在于,包括以下步骤:
步骤1,设置要搜索计算的每一个地质断层参数的上限和下限,然后在上限和下限的范围内,随机生成n组地质断层参数,以形成种群;
步骤2,计算出所述n组地质断层参数中每一组地质断层参数的整体适应度;
步骤3,确定种群在本次迭代时的当前全局最优断层参数;
步骤3所述的确定种群在本次迭代时的当前全局最优断层参数,包括:
步骤3.1,对于n组地质断层参数,计算每一组断层参数的整体适应度,整体适应度最小的一组地质断层参数记为当前断层参数的最优位置;
步骤3.2,通过步骤4、步骤5对每一组断层参数进行位置和速度的更新,计算更新后每一组断层参数的整体适应度,然后通过步骤6判断是否满足迭代的终止条件,如满足,则所述更新后的每一组断层参数中,整体适应度最小的一组断层参数即为当前全局最优断层参数;
步骤4,计算每一组地质断层参数的整体惯性权值,包括:
根据每一组地质断层参数与当前全局最优断层参数的相似度,将所述的n组地质断层参数分成三类,继而确定相似度-迭代惯性权值;根据本次迭代、上次迭代的全局最优位置的整体适应度,以及本次迭代中所有组地质断层参数的整体适应度的平均值,确定进化速度-聚集度动态惯性权值;
利用所述的相似度-迭代惯性权值、进化速度-聚集度动态惯性权值确定所述的整体惯性权值;
步骤4所述的根据每一组地质断层参数与当前全局最优断层参数的相似度,将所述的n组地质断层参数分成三类,继而确定相似度-迭代惯性权值,包括:
步骤4.1,相似度计算,公式为:
上式中,i表示一组地质断层参数,j表示当前全局最优断层参数,d(i,j)表示i与j的空间距离,smax为距离最大值,dmin和dmax.是固定常数;
步骤4.2,确定相似度-迭代惯性权值
当s(i,j)=0时,则相似度-迭代惯性权值ωii的取值为最大权重ωmax;
当s(i,j)=1时,则相似度-迭代惯性权值ωii的取值为最小权重ωmin;
当s(i,j)在0和1之间时,相似度-迭代惯性权值ωii的计算公式为:
其中:
ω=ωmax-s(i,j)(ωmax-ωmin)
上式中,tmax为最大迭代次数,t为当前迭代次数;
进一步地,所述的根据本次迭代、上次迭代的全局最优位置的整体适应度,以及本次迭代中每一组地质断层参数的整体适应度的平均值,确定进化速度-聚集度动态惯性权值,包括:
步骤4.3,进化速度-聚集度动态惯性权值ω00的计算公式为:
ω00=ωini-h×ωh+s×ωs
其中,ωini为惯性权值的初始值,ωh和ωs为调节参数,h和s的计算公式如下:
步骤5,利用整体惯性权值,对每一组地质断层参数的速度和位置进行更新;
步骤6,根据目标函数判断是否满足迭代的终止条件,如满足则输出最优的一组地质断层参数,否则继续进行迭代,直至达到最大迭代次数。
2.如权利要求1所述的权重动态调整的地质断层参数粒子群搜索算法,其特征在于,所述的n组地质断层参数中,每一组地质断层参数包括:断层的长度、宽度、深度、走向、倾向、走滑量、倾滑量和张裂量。
4.如权利要求1所述的权重动态调整的地质断层参数粒子群搜索算法,其特征在于,所述的整体惯性权值ωi的计算公式为:
ωi=λ×ω00+(1-λ)×ωii
其中,λ∈[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940151.3A CN109255426B (zh) | 2018-08-17 | 2018-08-17 | 一种权重动态调整的地质断层参数粒子群优化搜索算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940151.3A CN109255426B (zh) | 2018-08-17 | 2018-08-17 | 一种权重动态调整的地质断层参数粒子群优化搜索算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255426A CN109255426A (zh) | 2019-01-22 |
CN109255426B true CN109255426B (zh) | 2020-12-29 |
Family
ID=65050259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810940151.3A Active CN109255426B (zh) | 2018-08-17 | 2018-08-17 | 一种权重动态调整的地质断层参数粒子群优化搜索算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255426B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886588B (zh) * | 2019-02-28 | 2024-01-02 | 长安大学 | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 |
CN111339611A (zh) * | 2020-02-13 | 2020-06-26 | 南京航空航天大学 | 一种非线性动力吸振器的参数优化方法 |
CN113159265B (zh) * | 2021-03-24 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 基于svm-蚁群算法的牵引负荷参数辨识方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
CN106447027A (zh) * | 2016-10-13 | 2017-02-22 | 河海大学 | 一种矢量高斯学习的粒子群优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274408B (zh) * | 2017-06-16 | 2019-11-19 | 厦门大学 | 一种基于新型粒子滤波算法的图像分割方法 |
CN107450563B (zh) * | 2017-09-21 | 2020-08-25 | 景德镇陶瓷大学 | 基于多子群的自适应信息反馈粒子群机器人路径选择方法 |
-
2018
- 2018-08-17 CN CN201810940151.3A patent/CN109255426B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604258A (zh) * | 2009-07-10 | 2009-12-16 | 杭州电子科技大学 | 一种嵌入式异构多处理器系统的任务调度方法 |
CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
CN106447027A (zh) * | 2016-10-13 | 2017-02-22 | 河海大学 | 一种矢量高斯学习的粒子群优化方法 |
Non-Patent Citations (2)
Title |
---|
《惯性权重动态调整的混沌粒子群算法》;赵乃刚;《软件》;20160331;第37卷(第3期);第1页左栏第1行至第3页右栏第2行 * |
《维多样性的动态权重粒子群算法反演断层滑动速率》;王帅 等;《地球物理学进展》;20140831;第29卷(第4期);第1766页左栏第1行至第1766页左栏第13行、图1-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN109255426A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255426B (zh) | 一种权重动态调整的地质断层参数粒子群优化搜索算法 | |
Ch et al. | Particle swarm optimization trained neural network for aquifer parameter estimation | |
CN108064047B (zh) | 一种基于粒子群的水质传感器网络优化部署方法 | |
Srivas et al. | Wildfire spread prediction and assimilation for FARSITE using ensemble Kalman filtering | |
CN106483559B (zh) | 一种地下速度模型的构建方法 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN111914444A (zh) | 基于粒子群优化和蒙特卡罗模拟的滑坡有限元区间分析法 | |
CN110569477A (zh) | 一种基于粒子群优化算法的滑坡区间稳定性分析方法 | |
Zhang et al. | Parameter fitting of variogram based on hybrid algorithm of particle swarm and artificial fish swarm | |
CN116050007A (zh) | 基于混合自适应采样代理模型的复杂装备优化设计方法 | |
CN113343504A (zh) | 一种三维滑坡运动危险性概率评价方法 | |
CN113486591B (zh) | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 | |
CN114722731A (zh) | 一种拖体粘滞拖曳阻力预测方法及系统 | |
CN113515891A (zh) | 一种乳化炸药质量预测和优化方法 | |
CN110598914B (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 | |
CN112801364A (zh) | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 | |
CN111914465A (zh) | 基于聚类及粒子群优化的无资料地区水文参数率定方法 | |
CN105095960A (zh) | 一种梯度粒子群混合优化方法 | |
CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
CN116738334A (zh) | 一种基于dbn和topsis法的空中多目标威胁评估方法 | |
CN116183868A (zh) | 一种复杂生态系统土壤有机碳遥感估算方法及系统 | |
CN111199304A (zh) | 基于数据驱动融合策略的多目标燃烧优化方法 | |
CN115545316A (zh) | 基于深度学习混合模型的大气臭氧预测方法 | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
CN110967761A (zh) | 基于量子退火算法的地质统计学随机反演方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |