CN109711072B - 基于混合群智能算法的地震矢量波场数值模拟方法及系统 - Google Patents

基于混合群智能算法的地震矢量波场数值模拟方法及系统 Download PDF

Info

Publication number
CN109711072B
CN109711072B CN201811635376.4A CN201811635376A CN109711072B CN 109711072 B CN109711072 B CN 109711072B CN 201811635376 A CN201811635376 A CN 201811635376A CN 109711072 B CN109711072 B CN 109711072B
Authority
CN
China
Prior art keywords
algorithm
finite difference
module
local
particle
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
Application number
CN201811635376.4A
Other languages
English (en)
Other versions
CN109711072A (zh
Inventor
王之洋
白文磊
俞度立
冯海新
刘洪�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201811635376.4A priority Critical patent/CN109711072B/zh
Publication of CN109711072A publication Critical patent/CN109711072A/zh
Application granted granted Critical
Publication of CN109711072B publication Critical patent/CN109711072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于混合群智能算法的地震矢量波场数值模拟方法、系统、计算机设备以及计算机可读存储介质，涉及地震勘探技术领域。该方法包括：构建改进PSO‑BFO混合群智能算法；根据所述改进PSO‑BFO混合群智能算法，对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数；根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟。本发明通过设计一种改进PSO‑BFO混合群智能算法，对包含有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场数值模拟，提高了地震矢量波场数值模拟的精度与效率。

Description

基于混合群智能算法的地震矢量波场数值模拟方法及系统
技术领域
本发明关于地震勘探技术领域，特别是关于地震领域的数值的模拟技术，具体的讲是一种基于混合群智能算法的地震矢量波场数值模拟方法、系统、计算机设备以及计算机可读存储介质。
背景技术
有限差分法数值模拟技术始于二十世纪60年代末。现今已经被广泛地应用到地震数值模拟，偏移成像以及地球物理反演中。应用有限差分法进行地震波场数值模拟，优势是可以利用大规模CPU/GPU集群，对海量数据进行处理，缺点是势必会引入数值频散。数值频散的产生是由于使用差分算子来逼近微分算子，截断之后导致了误差，有三种方法解决，一是更细的网格，二是降低子波主频，三是使用各种优化方法优化差分格式，使差分算子尽可能地逼近微分算子。更细的网格会增加计算量，降低子波主频会损失高频成分，降低分辨率。用的最多的方法是优化差分格式。优化差分格式最常用方法是窗函数法和最优化方法，最优化方法的理论本质是在一个最大可容忍的误差范围内，计算有限差分系数，以求得最大的波数覆盖范围。优选窗函数法采用不同的窗函数去截断伪谱法的空间褶积序列推导出优化的有限差分算子。这两种方法本质上是相同的，都是求取有限差分系数，只有一个不同点，最优化方法是通过各种最优化方法“计算”得到有限差分系数，而优选窗函数法是通过“设计”得到有限差分系数。
应用最优化方法计算得到优化的有限差分系数，实际上是一个多参数优化的问题，目前被广泛使用优化有限差分算子的最优化方法有最小二乘法，模拟退火法以及Remez算法等，针对不同的优化方法，需要使用不同的目标函数。通过诸如最小二乘法、Remez算法去搜索解空间内的最优解，以满足误差限的要求，通常面临收敛慢，收敛不到全局最优解或者不收敛的问题。
因此，如何提供一种新的有限差分算法，将其应用于地震矢量波场的数值模拟，以实现地震矢量波场的高精度高效率的数值模拟是本领域亟待解决的技术难题。
发明内容
有鉴于此，本发明实施例提供了一种基于混合群智能算法的地震矢量波场数值模拟方法、系统、计算机设备以及计算机可读存储介质，通过设计一种改进PSO-BFO混合群智能算法，实现了并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰；应用改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场数值模拟，提高了地震矢量波场数值模拟的精度与效率。
本发明的目的之一是，提供一种基于混合群智能算法的地震矢量波场数值模拟方法，包括：
构建改进PSO-BFO混合群智能算法；
根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数；
根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟。
优选的，所述构建改进PSO-BFO混合群智能算法包括：
构建改进的粒子群算法；
将改进的粒子群算法与细菌觅食算法相结合。
优选的，所述构建改进的粒子群算法包括：
构建局部学习模式；
构建全局学习模式；
使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置。
优选的，所述构建局部学习模式包括：
选择M个局部较优解的粒子位置；
求取M个局部较优解粒子位置的平均位置；
与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置。
优选的，所述构建全局学习模式包括：
获取预先设置的最优解的阈值范围；
遍历所有粒子；
当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
在P这个种群中，随机选取粒子位置作为学习对象。
优选的，将改进粒子群算法与细菌觅食算法相结合包括：
使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
本发明的目的之一是，提供一种基于混合群智能算法的地震矢量波场数值模拟系统，包括：
混合群智能算法构建模块，用于构建改进PSO-BFO混合群智能算法；
优化系数求解模块，用于根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数；
地震矢量波场数值模拟模块，用于根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟。
优选的，所述混合群智能算法构建模块包括：
算法构建模块，用于构建改进的粒子群算法；
算法结合模块，用于将改进的粒子群算法与细菌觅食算法相结合，形成改进PSO-BFO混合群智能算法。
优选的，所述算法构建模块包括：
局部模式构建模块，用于构建局部学习模式；
全局模式构建模块，用于构建全局学习模式；
粒子更新模块，用于使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置。
优选的，所述局部模式构建模块包括：
粒子位置选择模块，用于选择M个局部较优解的粒子位置；
平均位置求取模块，用于求取M个局部较优解粒子位置的平均位置；
位置线性组合模块，用于与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置。
优选的，所述全局模式构建模块包括：
阈值范围获取模块，用于获取预先设置的最优解的阈值范围；
粒子遍历模块，用于遍历所有粒子；
计数模块，用于当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
学习对象选取模块，用于在P这个种群中，随机选取粒子位置作为学习对象。
优选的，所述算法结合模块包括：趋向方向确定模块，用于使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
本发明的目的之一是，提供一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种基于混合群智能算法的地震矢量波场数值模拟方法。
本发明的目的之一是，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种基于混合群智能算法的地震矢量波场数值模拟方法。
本发明的有益效果在于，提供了一种基于混合群智能算法的地震矢量波场数值模拟方法、系统、计算机设备以及计算机可读存储介质，通过设计一种改进PSO-BFO混合群智能算法，实现了并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰；应用改进PSO-BFO混合群智能算法，对包含有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场数值模拟，提高了地震矢量波场数值模拟的精度与效率。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统的结构示意图；
图2为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统中混合群智能算法构建模块的结构示意图；
图3为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统中算法构建模块的结构示意图；
图4为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统中局部模式构建模块的结构示意图；
图5为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统中全局模式构建模块的结构示意图；
图6为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟方法的流程图；
图7为图6中的步骤S101的具体流程图；
图8为图7中的步骤S201的具体流程图；
图9为图8中的步骤S301的具体流程图；
图10为图8中的步骤S302的具体流程图；
图11为基于改进PSO-BFO混合群智能算法优化的一阶常规网格有限差分算子的频散曲线；
图12为基于改进PSO-BFO混合群智能算法优化的一阶常规网格有限差分算子的放大1000倍后的精度误差曲线；
图13为基于改进PSO-BFO混合群智能算法优化的一阶交错网格有限差分算子的频散曲线；
图14为基于改进PSO-BFO混合群智能算法优化的一阶交错网格有限差分算子的放大1000倍后的精度误差曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此，本发明公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
群体智能优化算法作为一种Metaheuristics算法，是基于概率计算的随机搜索算法，稳定性较强，问题依赖度低，算法容易实现，具有全局搜索和局部搜索最优解的性能，收敛速度快，计算精度高，应用于优化有限差分算子，是一个值得深入研究的方向。粒子群算法(PSO)和细菌觅食算法(BFO)是两种广泛使用的群体智能算法，其中粒子群算法收敛速度快，计算简便，但在实际使用过程中并不能保证一定收敛到全局最优点，容易陷入局部最优的概念，出现算法的早熟现象。而细菌觅食算法能够并行收缩，不容不容易陷入局部最优陷阱，但其收敛速度慢，在最优值附近容易发生震荡。因此，将PSO算法和BFO算法结合，可以利用PSO算法改进BFO算法收敛速度慢的问题，利用BFO算法改进PSO算法容易陷入局部最优陷阱的问题，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰。
本发明在应用有限差分算子对地震矢量波场进行数值模拟的过程中使用了一种新的算法去优化有限差分算子，即改进PSO-BFO混合群智能算法。该算法是一种混合智能算法，能够并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰。具体的，将BFO算法与一种改进的PSO算法结合，形成一种改进PSO-BFO混合群智能算法，该算法能实现并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰；应用改进PSO-BFO混合群智能算法对对包含有限差分系数的目标函数进行优化求解有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场地震波场数值模拟，提高了地震矢量波场波场数值模拟的精度与效率。
图1为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟系统的结构示意图，请参见图1，所述基于混合群智能算法的地震矢量波场数值模拟系统包括：
混合群智能算法构建模块100，用于构建改进PSO-BFO混合群智能算法。
图2为混合群智能算法构建模块100的实施方式一的结构示意图，请参阅图2，混合群智能算法构建模块100包括：
算法构建模块21，用于构建改进的粒子群算法。
粒子群算法是由Kennedy和Eberhart于1995年提出的一种基于群体智能的随机优化方法。算法概念简单，收敛速度快，参数调整便捷，容易实现。群体中每个粒子的位置代表搜索空间中的一个可行解。粒子在搜索空间中以给定的速度进行搜索，通过将粒子的位置数据代入给定的目标函数，可以衡量是否是最优位置(最优解)。粒子的搜索速度可以用自身历史最优位置以及全体粒子历史最优位置来进行调整，以通过多次迭代寻找搜索空间内的最优解。
标准粒子群算法的公式如公式(1)，(2)
Figure BDA0001929914210000061
Figure BDA0001929914210000062
其中，ω是惯性系数，加强最优解的搜索能力以及对搜索防范的控制。
Figure BDA0001929914210000063
表示第t次迭代时，第i个粒子在第j维度的搜索速度。
Figure BDA0001929914210000071
表示第t次迭代时，第i个粒子在第j维度的空间位置。
Figure BDA0001929914210000072
和gbestj(t)分别表示截止到第t次迭代，粒子i的历史局部最优位置和所有粒子的全局最优位置，其中，
Figure BDA0001929914210000073
为粒子的总数。c1,c2为加速因子，影响最优化算法的收敛性。r1,r2∈[0,1]为符合均匀分布的随机小数。
公式(1)为速度更新公式，可分为三个部分，第一部分代表粒子进行新区域搜索的初始值，ω为惯性系数，惯性系数可以经过调节，平衡局部和全局搜索。第二部分代表局部区域深入搜索能力，第三部分代表全局搜索能力。
粒子群算法容易陷入过早收敛的问题，无法找到全局最优解，因此，本申请创造性的设计出一种改进的粒子群算法，具体的，图3为算法构建模块21的结构示意图，请参阅图3，算法构建模块21包括：
局部模式构建模块211，用于构建局部学习模式。
全局模式构建模块212，用于构建全局学习模式；
粒子更新模块213，用于使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置。
也即，本申请将粒子群算法分为两个部分，在求解最优解的过程中按照一定的迭代周期对粒子的位置进行更新，可以提高算法在不同问题上的全局搜索能力和局部搜索能力。
图4为局部模式构建模块的结构示意图，请参阅图4，局部模式构建模块211包括：
粒子位置选择模块2111，用于选择M个局部较优解的粒子位置；
平均位置求取模块2112，用于求取M个局部较优解粒子位置的平均位置；
位置线性组合模块2113，用于与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置。见公式(3)：
Figure BDA0001929914210000074
其中，N代表粒子的数量，λ1,λ2代表权重系数。
图5为全局模式构建模块212的结构示意图，请参阅图5，全局模式构建模块包括：
阈值范围获取模块2121，用于获取预先设置的最优解的阈值范围。
在本发明的一种实施方式中，设定一个可能收敛的最优解的阈值范围，在一具体的实施例中诸如设置阈值为±10％的范围，具体做法是采用最小二乘法对目标函数进行优化，得到迭代10次的最优解的值，设置为可能收敛的最优解，并设置一个±10％的范围。
粒子遍历模块2122，用于遍历所有粒子；
计数模块2123，用于当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
学习对象选取模块2124，用于在P这个种群中，随机选取粒子位置作为学习对象。
也即，随机搜索粒子，当其适应度值在可能收敛的最优解的阈值范围内，进行计数加一，所有满足条件的粒子数量记为P，在P这个种群中，随机选取粒子作为当前粒子i的学习对象，见公式(4)：
Figure BDA0001929914210000081
其中，γi(j)为粒子i在第j维度要学习的随机某个粒子对应的编号。
也即，本申请将粒子群算法分为两个部分，第一个部分是选择M个局部较优解的粒子位置，然后求取M个局部较优解粒子位置的平均位置，并与M个局部最优解的粒子位置之中的最优位置，进行线性组合，提高PSO算法的局部搜索能力。第二部分是设定一个可能收敛的最优解的范围，随机搜索粒子，当其适应度在可能收敛的最优解的阈值范围内，进行计数，记为P，在P这个种群中，随机选取粒子作为当前粒子i的学习对象，提高PSO算法的全局搜索能力。在求解最优解的过程中按照一定的迭代周期对粒子的位置进行更新，可以提高算法在不同问题上的全局搜索能力和局部搜索能力。
请参阅图2，混合群智能算法构建模块100还包括：
算法结合模块22，用于将改进的粒子群算法与细菌觅食算法相结合，形成改进PSO-BFO混合群智能算法。
BFO算法由K.M.Passino于2002年基于Ecoli大肠杆菌在人体肠道内吞噬食物的行为，提出的一种算法。该算法具有并行搜索、易于跳出局部极小值等优点，但其收敛速度慢，在最优值附近容易发生震荡。
BFO算法主要包括趋向，复制和迁徙三个步骤，趋向指的是模拟大肠杆菌利用鞭毛趋向一个方向运动或者翻转。复制指的是健康的细菌无性分裂成两个细菌，放置在原来的位置，原来的健康细菌死亡，保持细菌群体大小不变。迁徙指的是环境突变以及其他原因，一个区域内的细菌被杀死或者扩散到一个新的区域，主要可以使细菌的搜索空间可以以一定的小概率被初始化。
在本发明的一种实施方式中，所述算法结合模块22包括：趋向方向确定模块，用于使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
本发明应用改进的粒子群算法(PSO)以及细菌觅食算法(BFO)两种算法的优势，形成改进PSO-BFO混合群智能算法，能够实现并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰。具体做法是在BFO算法中应用改进的PSO算法，更新细菌的趋向方向，缩小搜索空间范围，提高收敛速度，使改进的算法能够更快地收敛到最优解的位置。
在本发明的一种优选实施例中，形成一种改进PSO-BFO算法，在该实施例中，该算法的详细步骤如下：
S1：初始化参数并定义细菌的适应值函数，所述参数包括n,S,Nc,Ns,Nre,Ned,Ped，其中，n为搜索空间维数，S为群体中细菌的总数，Nc为趋向步骤的步数，Ns为细菌游动的长度，Nre为复制步骤的次数，Ned为迁徙事件的次数，Ped为迁徙事件的概率，细菌以i计数，迁徙事件以j计数，复制事件以k计数，趋向事件以l计数，趋向过程中，每一个细菌的运动方向为：
Figure BDA0001929914210000091
C(i)是指细菌i翻转过程中，指定的随机方向的步长大小，Δ代表随机方向上的一个单位向量；
细菌i的适应值函数J(i,j,k,l)为：
J(i,j,k,l)＝J(i,j,k,l)+Jcc(θi(j,k,l),P(j,k,l)),
Jcc为细胞间斥引力来模拟聚集行为；
S2：计算所述细菌i的适应值函数J(i,j,k,l)，令Jlast＝J(i,j,k,l)，存储为细菌i的最优适应值；
S3：更新细菌i的运动方向：
Figure BDA0001929914210000101
重复S2，计算细菌i的适应值函数J(i,j+1,k,l)；
令m为游动步长，当m＜Ns，若J(i,j+1,k,l)＜Jlast，则继续更新运动方向和适应值函数，若J(i,j+1,k,l)＞Jlast，则保留当前值至Jlast；
返回S2，处理下一个细菌i+1。
S4：选择M个局部较优解的细菌位置，求取M个局部较优解细菌位置的平均位置，并与M个局部最优解的细菌位置之中的最优位置进行线性组合，作为当前最优位置E；
S5：设定一个可能收敛的最优解的阈值范围，遍历细菌i,i＝1,2,...，当其适应度在所述最优解的阈值范围内时进行计数，记为P，在P这个种群中，随机选取细菌位置作为学习对象，随机选取的细菌编号记为γz＝rand()％P；
S6：应用改进PSO算法，计算每个细菌i新的方向：
θi(j,k,l)＝θi(j+1,k,l)+c1r1(E-P)+c2r2(PYz-P),
S7：进行下一次趋向性操作；
S8：对k,l及每个i＝1,2,...S，将细菌能量Jhealth按从小到大的顺序排列，将排列后的前S/2个细菌淘汰，选择剩余的细菌进行复制，每个细菌分裂成两个完全相同的细菌，若k＜Nre，返回S6；
S9：细菌经过若干代复制之后，每个细菌以概率Ped被重新分布到寻优空间中，直至循环结束。
上述的实施例提供了一种具体的构建改进PSO-BFO混合群智能算法的过程模块，形成了改进PSO-BFO混合群智能算法，实现了并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰。
请参见图1，所述基于混合群智能算法的地震矢量波场数值模拟系统还包括：
优化系数求解模块200，用于根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数。
将改进PSO-BFO混合群智能算法应用于有限差分系数的求解，即求解目标函数公式(5)、(6)、(7)，以获得优化的有限差分系数。
常规二阶导数：
Figure BDA0001929914210000111
常规一阶导数：
Figure BDA0001929914210000112
交错网格：
Figure BDA0001929914210000113
地震矢量波场数值模拟模块300，用于根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟。利用优化的有限差分系数所构成的有限差分算子进行地震矢量波场数值模拟，能够提高地震矢量波场数值模拟的精度与效率。
如上即为本发明提供的一种基于混合群智能算法的地震矢量波场数值模拟系统，结合改进的粒子群算法(PSO)以及细菌觅食算法(BFO)两种算法的优势，形成一种改进PSO-BFO混合群智能算法，该算法能实现并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰；应用改进PSO-BFO混合群智能算法对对包含有限差分系数的目标函数进行优化求解有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场地震波场数值模拟，提高了地震矢量波场波场数值模拟的精度与效率。
此外，尽管在上文详细描述中提及了系统的若干单元模块，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在介绍了本发明示例性实施方式的基于混合群智能算法的地震矢量波场数值模拟系统之后，接下来，参考附图对本发明示例性实施方式的方法进行介绍。该方法的实施可以参见上述整体的实施，重复之处不再赘述。
图6为本发明实施例提供的一种基于混合群智能算法的地震矢量波场数值模拟方法的流程示意图，请参见6，所述基于混合群智能算法的地震矢量波场数值模拟方法包括：
S101：构建改进PSO-BFO混合群智能算法。
图7为步骤S101的流程示意图，请参阅图7，该步骤包括：
S201：构建改进的粒子群算法。
粒子群算法是由Kennedy和Eberhart于1995年提出的一种基于群体智能的随机优化方法。算法概念简单，收敛速度快，参数调整便捷，容易实现。群体中每个粒子的位置代表搜索空间中的一个可行解。粒子在搜索空间中以给定的速度进行搜索，通过将粒子的位置数据代入给定的目标函数，可以衡量是否是最优位置(最优解)。粒子的搜索速度可以用自身历史最优位置以及全体粒子历史最优位置来进行调整，以通过多次迭代寻找搜索空间内的最优解。标准粒子群算法的公式如公式(1)，(2)，公式(1)为速度更新公式，可分为三个部分，第一部分代表粒子进行新区域搜索的初始值，ω为惯性系数，惯性系数可以经过调节，平衡局部和全局搜索。第二部分代表局部区域深入搜索能力，第三部分代表全局搜索能力。
粒子群算法容易陷入过早收敛的问题，无法找到全局最优解，因此，本申请创造性的设计出一种改进的粒子群算法，具体的，图8为步骤S201的流程示意图，请参阅图8，该步骤包括：
S301：构建局部学习模式。
S302：构建全局学习模式。
S303：使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置。
也即，本申请将粒子群算法分为两个部分，在求解最优解的过程中按照一定的迭代周期对粒子的位置进行更新，可以提高算法在不同问题上的全局搜索能力和局部搜索能力。
图9为步骤S301的具体流程图，请参阅图9，步骤S301包括：
S401：选择M个局部较优解的粒子位置；
S402：求取M个局部较优解粒子位置的平均位置；
S403：与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置，见公式(3)。
图10为步骤S302的具体流程图，请参阅图10，步骤S302包括：
S501：获取预先设置的最优解的阈值范围。
在本发明的一种实施方式中，设定一个可能收敛的最优解的阈值范围，在一具体的实施例中诸如设置阈值为±10％的范围，具体做法是采用最小二乘法对目标函数进行优化，得到迭代10次的最优解的值，设置为可能收敛的最优解，并设置一个±10％的范围。
S502：遍历所有粒子；
S503：当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
S504：在P这个种群中，随机选取粒子位置作为学习对象。
也即，随机搜索粒子，当其适应度值在可能收敛的最优解的阈值范围内，进行计数加一，所有满足条件的粒子数量记为P，在P这个种群中，随机选取粒子作为当前粒子i的学习对象，见公式(4)。
也即，本申请将粒子群算法分为两个部分，第一个部分是选择M个局部较优解的粒子位置，然后求取M个局部较优解粒子位置的平均位置，并与M个局部最优解的粒子位置之中的最优位置，进行线性组合，提高PSO算法的局部搜索能力。第二部分是设定一个可能收敛的最优解的范围，随机搜索粒子，当其适应度在可能收敛的最优解的阈值范围内，进行计数，记为P，在P这个种群中，随机选取粒子作为当前粒子i的学习对象，提高PSO算法的全局搜索能力。在求解最优解的过程中按照一定的迭代周期对粒子的位置进行更新，可以提高算法在不同问题上的全局搜索能力和局部搜索能力。
请参阅图7，步骤S101还包括：
S202：将改进的粒子群算法与细菌觅食算法相结合，形成改进PSO-BFO混合群智能算法。
BFO算法由K.M.Passino于2002年基于Ecoli大肠杆菌在人体肠道内吞噬食物的行为，提出的一种算法。该算法具有并行搜索、易于跳出局部极小值等优点，但其收敛速度慢，在最优值附近容易发生震荡。
BFO算法主要包括趋向，复制和迁徙三个步骤，趋向指的是模拟大肠杆菌利用鞭毛趋向一个方向运动或者翻转。复制指的是健康的细菌无性分裂成两个细菌，放置在原来的位置，原来的健康细菌死亡，保持细菌群体大小不变。迁徙指的是环境突变以及其他原因，一个区域内的细菌被杀死或者扩散到一个新的区域，主要可以使细菌的搜索空间可以以一定的小概率被初始化。
在本发明的一种实施方式中，步骤S202使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
本发明应用改进的粒子群算法(PSO)以及细菌觅食算法(BFO)两种算法的优势，形成改进PSO-BFO混合群智能算法，能够实现并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰。具体做法是在BFO算法中应用改进的PSO算法，更新细菌的趋向方向，缩小搜索空间范围，提高收敛速度，使改进的算法能够更快地收敛到最优解的位置。
请参见图6，所述基于混合群智能算法的地震矢量波场数值模拟方法还包括：
S102：根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数。
将改进PSO-BFO混合群智能算法应用于有限差分系数的求解，即求解目标函数公式(5)、(6)、(7)，以获得优化的有限差分系数。
S103：根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟。利用优化的有限差分系数所构成的有限差分算子进行地震矢量波场数值模拟，能够提高波场数值模拟的精度与效率。
本发明还提供了一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种基于混合群智能算法的地震矢量波场数值模拟方法。
本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种基于混合群智能算法的地震矢量波场数值模拟方法。
下面结合具体的实施例，详细介绍本发明的技术方案。本实施例中采用改进PSO-BFO混合群智能算法优化的有限差分算子，得到算子的频散曲线(图例Improved PSO-BFO)，与常规有限差分算子(图例Conventional)以及最小二乘优化有限差分算子(图例LSFD)进行对比。其中，图11、图12中，横坐标是奈奎斯特波数百分比，纵坐标是绝对误差，点横线代表经过改进PSO-BFO混合群智能算法优化的有限差分算子的频散曲线，点线代表最小二乘法优化的有限差分算子的频散曲线。图13、图14中，横坐标是奈奎斯特波数百分比，纵坐标是绝对误差，点横线代表经过改进PSO-BFO混合群智能算法优化的交错网格有限差分算子的频散曲线，点线代表最小二乘法优化的交错网格有限差分算子的频散曲线。可以发现，点横线代表的经过改进PSO-BFO混合群智能算法优化的有限差分算子(包括常规网格和交错网格)的频散曲线都具有较好的覆盖范围和精度误差稳定性，有较好的谱的覆盖范围，指的是该优化的有限差分算子，其低阶算子的精度可以达到高阶算子的精度，谱的覆盖范围越大，这种差距越明显。精度误差稳定性可以从放大1000倍后的频散曲线图中看出，代表有限差分算子在长时间模拟的稳定性。从频散曲线对比可以看出，该改进PSO-BFO混合群智能算法优化的有限差分算子的有效性。
综上所述，本发明提供了一种基于混合群智能算法的地震矢量波场数值模拟方法、系统、计算机设备以及计算机可读存储介质，通过设计一种改进PSO-BFO混合群智能算法，实现了并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值的对最终结果的干扰；应用改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，获得优化的有限差分系数，再利用该有限差分系数所构成的有限差分算子，进行地震矢量波场数值模拟，提高了地震矢量波场数值模拟的精度与效率。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持系统或便携式系统、平板型系统、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子系统、网络PC、小型计算机、大型计算机、包括以上任何系统或系统的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理系统来执行任务。在分布式计算环境中，程序模块可以位于包括存储系统在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (4)

1.一种基于混合群智能算法的地震矢量波场数值模拟方法，其特征在于，所述方法包括：
构建改进PSO-BFO混合群智能算法；
根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数；
根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟；
所述构建改进PSO-BFO混合群智能算法包括：
构建改进的粒子群算法；
将改进的粒子群算法与细菌觅食算法相结合；
所述构建改进的粒子群算法包括：
构建局部学习模式；
构建全局学习模式；
使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置；
所述构建局部学习模式包括：
选择M个局部较优解的粒子位置；
求取M个局部较优解粒子位置的平均位置；
与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置；
所述构建全局学习模式包括：
获取预先设置的最优解的阈值范围；
遍历所有粒子；
当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
在P这个种群中，随机选取粒子位置作为学习对象；
所述将改进的粒子群算法与细菌觅食算法相结合包括：
使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
2.一种基于混合群智能算法的地震矢量波场数值模拟系统，其特征在于，所述系统包括：
混合群智能算法构建模块，用于构建改进PSO-BFO混合群智能算法；
优化系数求解模块，用于根据所述改进PSO-BFO混合群智能算法对包含有限差分系数的目标函数进行优化求解，得到优化的有限差分系数；
地震矢量波场数值模拟模块，用于根据所述优化的有限差分系数所构成的有限差分算子，对地震矢量波场进行数值模拟；
所述混合群智能算法构建模块包括：
算法构建模块，用于构建改进的粒子群算法；
算法结合模块，用于将改进的粒子群算法与细菌觅食算法相结合；
所述算法构建模块包括：
局部模式构建模块，用于构建局部学习模式；
全局模式构建模块，用于构建全局学习模式；
粒子更新模块，用于使用所述局部学习模式和所述全局学习模式更新每个粒子的速度和位置；
所述局部模式构建模块包括：
粒子位置选择模块，用于选择M个局部较优解的粒子位置；
平均位置求取模块，用于求取M个局部较优解粒子位置的平均位置；
位置线性组合模块，用于将所述M个局部较优解粒子位置的平均位置与M个局部最优解的粒子位置之中的最优位置进行线性组合，作为当前最优位置；
所述全局模式构建模块包括：
阈值范围获取模块，用于获取预先设置的最优解的阈值范围；
粒子遍历模块，用于遍历所有粒子；
计数模块，用于当适应度在收敛的最优解的阈值范围内时，进行计数，记为P；
学习对象选取模块，用于在P这个种群中，随机选取粒子位置作为学习对象；
所述算法结合模块包括：趋向方向确定模块，用于使用所述改进的粒子群算法在细菌觅食算法的趋向循环中确定每一个细菌新的趋向方向。
3.一种计算机设备，其特征在于，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行如权利要求1所述的一种基于混合群智能算法的地震矢量波场数值模拟方法。
4.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序用于执行如权利要求1所述的一种基于混合群智能算法的地震矢量波场数值模拟方法。
CN201811635376.4A 2018-12-29 2018-12-29 基于混合群智能算法的地震矢量波场数值模拟方法及系统 Active CN109711072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811635376.4A CN109711072B (zh) 2018-12-29 2018-12-29 基于混合群智能算法的地震矢量波场数值模拟方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811635376.4A CN109711072B (zh) 2018-12-29 2018-12-29 基于混合群智能算法的地震矢量波场数值模拟方法及系统

Publications (2)

Publication Number Publication Date
CN109711072A CN109711072A (zh) 2019-05-03
CN109711072B true CN109711072B (zh) 2023-04-07

Family

ID=66259550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811635376.4A Active CN109711072B (zh) 2018-12-29 2018-12-29 基于混合群智能算法的地震矢量波场数值模拟方法及系统

Country Status (1)

Country Link
CN (1) CN109711072B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780344A (zh) * 2019-11-04 2020-02-11 北京化工大学 浅地表构造成像方法及装置
CN110941012B (zh) * 2019-11-29 2021-03-12 北京化工大学 基于混合智能算法的弹性矢量波场分离方法及装置
CN110953837B (zh) * 2019-12-12 2021-09-28 中国移动通信集团内蒙古有限公司 水冷机柜控制方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842306A (zh) * 2017-04-18 2017-06-13 中国科学院地质与地球物理研究所 一种全局优化的交错网格有限差分正演模拟方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842306A (zh) * 2017-04-18 2017-06-13 中国科学院地质与地球物理研究所 一种全局优化的交错网格有限差分正演模拟方法和装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A hybrid PSO–BFO evolutionary algorithm for optimization of fused deposition modelling process parameters;Maraboina Raju,et al.;《Journal of Intelligent Manufacturing》;20180404;全文 *
Advances in Swarm Intelligence;Ying Tan,et al.;《4th International Conference》;20130615;全文 *
Application of an improved PSO algorithm mixed BFO algorithm in optimal scheduling of hydropower station;Yibo Zou,et al.;《MATEC Web of Conferences》;20181207(第1期);全文 *
Globally optimal finite-difference schemes based on least squares;Yang Liu;《GEOPHYSICS》;20130831;第78卷(第4期);全文 *
Optimal staggered-grid finite-difference schemes based on the minimax approximation method with the Remez algorithm;Lei Yang,et al.;《GEOPHYSICS》;20170228;第82卷(第1期);全文 *
Optimal staggered-grid finite-difference schemes by combining Taylor-series expansion and sampling approximation for wave equation modeling;Hongyong Yan,et al.;《Journal of Computational Physics》;20161231;全文 *
Optimized finite-difference operator for broadband seismic wave modeling;JinHai Zhang,et al.;《GEOPHYSICS》;20130228;第78卷(第1期);全文 *
基于细菌觅食与粒子群的改进混合算法;梁樱馨等;《电子科技》;20170415;第30卷(第4期);全文 *
粒子群-梯度算法在频率域地震波形反演中的应用;朱童等;《地球物理学进展》;20130215(第01期);全文 *

Also Published As

Publication number Publication date
CN109711072A (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
CN109711072B (zh) 基于混合群智能算法的地震矢量波场数值模拟方法及系统
Pfaff et al. Learning mesh-based simulation with graph networks
US20180165400A1 (en) Method and Computer Program for Determining a Placement of at least one Circuit for a Reconfigurable Logic Device
Guillet et al. A simple multigrid scheme for solving the Poisson equation with arbitrary domain boundaries
Keppens et al. Parallel, grid-adaptive approaches for relativistic hydro and magnetohydrodynamics
Harris et al. A flux-form version of the conservative semi-Lagrangian multi-tracer transport scheme (CSLAM) on the cubed sphere grid
KR20150087266A (ko) 구분적 선형 뉴런 모델링
Rietmann et al. Load-balanced local time stepping for large-scale wave propagation
Kaiser et al. An adaptive local time-stepping scheme for multiresolution simulations of hyperbolic conservation laws
Hanson Techniques in computational stochastic dynamic programming
Aoshima et al. Deep discrete-time Lagrangian mechanics
Platt Constraint methods for neural networks and computer graphics
Eichelsdörfer et al. Physics-enhanced neural networks in the small data regime
CN106570201A (zh) 粘弹介质数值模拟方法及系统
Wolff et al. Asynchronous collision integrators: Explicit treatment of unilateral contact with friction and nodal restraints
US10606966B2 (en) Method and apparatus for modeling deformable body including particles
Feng et al. A finite volume MHD code in spherical coordinates for background solar wind
Fox et al. Optimal nonlinear filtering using the finite-volume method
Musikawan et al. Improved convex incremental extreme learning machine based on ridgelet and PSO algorithm
CN109116418B (zh) 三维波动方程混合网格有限差分数值模拟方法及装置
Zhang Parallel anisotropic block-based adaptive mesh refinement finite-volume scheme
Hwang et al. A high resolution numerical method for solving atmospheric models
Utzmann A domain decomposition method for the efficient direct simulation of aeroacoustic problems
Feuerriegel et al. The non-symmetric s-step Lanczos algorithm: Derivation of efficient recurrences and synchronization-reducing variants of BICG and QMR
Mittelman Adaptive Techniques Applied to the Sequentially Optimized Meshfree Approximation

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