CN113327322A - 面波频散曲线的反演方法、装置及计算机可读存储介质 - Google Patents
面波频散曲线的反演方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113327322A CN113327322A CN202110580744.5A CN202110580744A CN113327322A CN 113327322 A CN113327322 A CN 113327322A CN 202110580744 A CN202110580744 A CN 202110580744A CN 113327322 A CN113327322 A CN 113327322A
- Authority
- CN
- China
- Prior art keywords
- geological model
- geological
- weight
- surface wave
- dispersion curve
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种面波频散曲线的反演方法、装置及计算机可读存储介质,本发明可在每次迭代计算拟合误差前,通过确定每个蜻蜓个体的所属群体来调整对应蜻蜓个体所属群体的行为权重,以实现各个蜻蜓个体在搜索空间中运动轨迹的调整,即通过在每次迭代过程中调整每个蜻蜓个体所属群体的聚集权重、避撞权重以及和结队权重,以提高其对搜索空间的探索能力,进而增加其在迭代过程中寻找全局极小值的效率,以减少反演时间,提高反演效率。
Description
技术领域
本发明属于地下空间勘探技术领域,具体涉及一种面波频散曲线的反演方法、装置及计 算机可读存储介质。
背景技术
瑞雷面波勘探技术是近年来发展迅速的地球内部成像技术,与常规浅层勘探技术相比, 该技术具有易于施工、非侵入性、检测速度快以及浅层分辨率高等优点,在城市地下空间开 发以及预防自然地质灾害方面具有广阔的应用前景;瑞雷面波勘探技术由数据预处理、频散 曲线提取以及横波速度结构反演三个步骤组成,其中,对频散曲线进行反演,获得地层的横 波速度结构是该技术的关键环节。
目前,对地层的面波频散曲线进行反演,通常采用蜻蜓算法,其是一种非线性反演算法, 具有非线性算法的典型优点,即不同迭代阶段任务清晰明确,也就是前期重探索,后期重开 发;相比于其它非线性算法,它大幅增强了个体之间的联系,强化了群体的概念,显著提高 了寻找全局极小值的成功率;蜻蜓算法中每个蜻蜓个体具有避撞、结队、聚集、觅食和避敌 五种行为,不同行为具有独立的功能,功能模块化,针对性强且易于改进。
蜻蜓算法是将各个地层模型作为独立的蜻蜓个体,从而不断对每个蜻蜓个体的适应度进 行迭代计算,从而从多个蜻蜓个体中找出最优的个体,以作为反演结果;但是,目前使用蜻 蜓算法对面波频散曲线进行反演的迭代计算过程中,存在如下问题:所有蜻蜓的同种行为权 重被赋予相同的数值,这种无差别赋值方式会降低反演过程中寻找全局极小值的效率,进而 导致反演时间增长,大大的降低了反演效率;因此,如何减少反演时间,以提高反演效率, 成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种面波频散曲线的反演方法、装置及计算机可读存储介质,以解 决现有的频散面波曲线在反演过程中全局极小值寻找效率低,所导致的反演时间长以及效率 低的问题。
为了实现上述目的,本发明采用以下技术方案:
本发明提供了一种面波频散曲线的反演方法,包括:
获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与待反演的面波频散 曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散曲线与所述待反演 的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大,适合度越低;
b.判断是否存在有任一拟合误差满足预设条件;
c.若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个 第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半 径是根据对应第二地质模型的搜索空间的半径得到的,且所述第二地质模型集为剔除了拟合 误差最大以及最小的第一地质模型后的第一地质模型集;
d.对每个第二地质模型的所属群体,进行行为权重的调整,以通过调整后的行为权重, 更新每个第二地质模型在搜索空间中的飞行速度以及位置,其中,所述行为权重用于表征对 对应第二地质模型在搜索空间中运动轨迹的影响程度,且所述行为权重包括聚集权重、避撞 权重以及和结队权重;
计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待反演的 面波频散曲线的拟合误差,并重复前述步骤b~d,直至有任一拟合误差满足预设条件为止;
将满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散曲 线最匹配的地质模型。
基于上述公开的内容,本发明在利用蜻蜓算法得到每个第一地质模型与待反演的面波频 散曲线的拟合误差后,会剔除拟合误差最小以及最大对应的第一地质模型(即适应度最大以 及最小的第一地质模型),以得到第二地质模型集,从而可通过确定每个第二地质模型的所 属群体,来调整每个第二地质模型所属群体的的行为权重(即调整聚集权重、避撞权重以及 和结队权重),进而改变每个第二地质模型在搜索空间中的运动轨迹,以重新确定第二地质 模型在搜索空间的位置以及飞行速度;上述步骤的实质为:通过在每次迭代过程中调整每个 第二地质模型所属群体的聚集权重、避撞权重以及和结队权重,以提高其对搜索空间的探索 能力,进而增加其在迭代过程中寻找全局极小值(也就是满足预设条件的拟合误差对应的第 二地质模型)的效率。
通过上述设计,本发明对蜻蜓算法进行了改进,通过确定每个蜻蜓(即每个第二地质模 型)的所属群体来调整每个蜻蜓所属群体的行为权重,进而实现了每个蜻蜓运动轨迹的调整, 即本发明通过增加每个蜻蜓个体对搜索空间的探索能力,从而来提高对全局极小值的找寻效 率,以减少反演时间,提高反演效率。
在一个可能的设计中,对每个第二地质模型的所属群体,进行行为权重的调整,包括:
按照如下公式,调整每个第二地质模型所属群体的行为权重;
式中,和分别表示第i个第二地质模型的所属群体调整后的聚集权重、避撞权 重以及结队权重,ci、si以及ai分别表示第i个第二地质模型的所属群体的初始聚集权重、 初始避撞权重以及初始结队权重,b1和b2分别为常数;m为第i个第二地质模型的所属群体 中包含的第二地质模型的个数,n为第二地质模型的总数量,rankfit1(i)表示将第i个第二地 质模型的所属群体内所有第二地质模型的拟合误差从大到小进行排序后,第i个第二地质模 型在其中的排名,rankfit2(i)表示在当前步骤中,将所有第二地质模型的拟合误差从大到小 进行排序后,第i个第二地质模型在其中的排名。
基于上述公开的内容,本发明公开了每个第二地质模型(即每个蜻蜓个体)的行为权重 的调整方式,从上述公式可知,对于每个第二地质模型,本发明会根据拟合误差的大小,来 调整行为权重,其中,拟合误差小的个体(即适应度大的第二地质模型),其会分配到较小 的聚集权重、避撞权重以及结队权重;而拟合误差大的个体(即适应度小的第二地质模型), 其会分配到较大的聚集权重、避撞权重以及结队权重;因此,调整行为权重所起的实质性作 用为:对适应度比较大的蜻蜓个体,赋予较小行为权重,使它们以小间隔,低速度的状态对 周围进行细致的开发,而对适应度较小的蜻蜓,赋予较大的行为权重,使它们以大间距,高 速度的状态对搜索空间进行广泛的探索,以增加其寻找到全局极小值的效率。
在一个可能的设计中,通过调整后的行为权重,更新每个第二地质模型在搜索空间中的 飞行速度以及位置,包括:
按照如下公式更新第二地质模型在搜索空间中的飞行速度;
式中,为第i个第二地质模型更新后的飞行速度,t代表迭代次数,Si、Ai、Ci、Fi以及Ei分别为第i个第二地质模型的避撞行为向量、结队行为向量、聚集行为向量、觅食行为向量以及避敌行为向量;fi和ei分别为第i个第二地质模型的觅食行为权重以及避敌行为权重,Vi t代表第i个第二地质模型在第t次迭代时的飞行速度,wi为第i个第二地质模型的飞行速度的权重;
按照如下公式更新第二地质模型在搜索空间中的位置;
在一个可能的设计中,在第二地质模型集中,确定每个第二地质模型的所属群体前,所 述方法还包括:
标记拟合误差最小的第一地质模型以及拟合误差最大的第一地质模型在搜索空间中的 位置;
判断拟合误差最小的第一地质模型的位置在连续k次迭代中是否未发生变化,其中,k 为正整数;
若是,则对所述第一地质模型集进行群体划分,以便在群体划分后,调整群体的避撞权 重。
基于上述公开的内容,本发明还通过判断拟合误差最小的第一地质模型在连续k次迭代 过程中的位置是否发生变化,来决定是否对当前第二地质模型进行群体划分,从而通过调整 群体的避撞权重来改变群体的运动轨迹,从而增加对搜索空间的搜索范围,以利于对全局最 小值的寻找。
在一个可能的设计中,对所述第一地质模型集进行群体划分,以便在群体划分后,调整 群体的避撞权重,包括:
获取剩余第一地质模型集中每个第一地质模型与拟合误差最小的第一地质模型的距离, 其中,所述剩余第一地质模型集为剔除了拟合误差最小的第一地质模型后的第一地质模型 集;
将距离从小到大进行排序,得到排序顺序;
按照排序顺序将剩余第一地质模型集中的第一地质模型分为数量相等的两部分,分别作 为第一群体以及第二群体,其中,所述第一群体中排序最后一位对应的第一地质模型与拟合 误差最小的第一地质模型的距离,小于第二群体中排序第一对应的第一地质模型与拟合误差 最小的第一地质模型的距离;
增加所述第二群体的避撞行为权重,以及保持所述第一群体的避撞行为权重不变。
基于上述公开的内容,本发明公开了调整群体避撞权重的具体过程,即除去拟合误差最 小的第一地质模型外,将剩余的第一地质模型与拟合误差最小的第一地质模型的距离,从小 到大进行排序,从而根据排序顺序,将剩余的第一地质模型分为数量相等的两部分(例如, 排序共10位,则前五位为第一群体,后五位为第二群体);最后,增加第二群体的避撞权 重,并保持第一群体的避撞权重不变,即可在增加对搜索空间的搜索范围。
前述步骤的实质为:增加距离食物(即拟合误差最小对应的第一地质模型)较远的蜻蜓 群体(即第二群体)的避撞权重,并使距离食物较近的蜻蜓群体(即第一群体)的避撞权重 保持不变,其目的为:使距离食物较远的蜻蜓群体远离当前的食物,扩大对搜索空间的搜索 范围,但又不影响距离食物较近的蜻蜓群体对当前区域的开发,从而可降低在反演迭代过程 中陷入局部极小值的可能性,有利于全局极小值的查找。
在一个可能的设计中,在第二地质模型集中,确定每个第二地质模型的所属群体,包括:
获取所述每个第二地质模型对应的搜索空间的半径;
利用每个第二地质模型对应的搜索空间的半径,得到每个第二地质模型的相邻半径;
判断每个第二地质模型的相邻半径内,是否存在其余第二地质模型;
若是,则将每个第二地质模型的相邻半径内的其余第二地质模型,作为对应第二地质模 型的所属群体。
基于上述公开的内容,本发明的公开了确定第二地质模型的所属群体的具体方法,即将 在每个第二地质模型的相邻半径内的其余第二地质模型,作为该第二地质模型的所属群体。
在一个可能的设计中,若否,则按照如下公式更新每个第二地质模型在搜索空间中的飞 行速度以及位置;
计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待反演的 面波频散曲线的拟合误差,并重复所述步骤b~d,直至有任一拟合误差满足预设条件为止;
其中,所述如下公式为:
其中:
上述式中,r1和r2均为分布于[0,1]的D维空间的随机数向量,β为常数,且D为第二地 质模型搜索空间的维度。
基于上述公开的内容,若每个第二地质模型的相邻半径内,不存在其余第二地质模型, 那么则按照前述公式更新第二地质模型在搜索空间中的位置以及飞行速度,以便进行下一次 迭代,最终完成全局极小值的寻找,得到最终的反演结果。
第二方面,本发明提供了一种面波频散曲线的反演装置,包括:获取单元、第一判断单 元、群体确定单元、更新单元、计算单元以及反演单元;
所述获取单元,用于获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与 待反演的面波频散曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散 曲线与所述待反演的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大, 适合度越低;
所述第一判断单元,用于执行步骤b,其中,所述步骤b为:判断是否存在有任一拟合 误差满足预设条件;
所述群体确定单元,用于执行步骤c,其中,所述步骤c为:若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半径是根据对应第二地质模型的搜 索空间的半径得到的,且所述第二地质模型集为剔除了拟合误差最大以及最小的第一地质模 型后的第一地质模型集;
所述更新单元,用于执行步骤d,其中,所述步骤d为:对每个第二地质模型的所属群 体,进行行为权重的调整,以通过调整后的行为权重,更新每个第二地质模型在搜索空间中 的飞行速度以及位置,其中,所述行为权重用于表征对对应第二地质模型在搜索空间中运动 轨迹的影响程度,且所述行为权重包括聚集权重、避撞权重以及和结队权重;
所述计算单元,用于计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲 线与所述待反演的面波频散曲线的拟合误差;
所述反演单元,用于重复所述步骤b~d,直至有任一拟合误差满足预设条件为止,并将 满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散曲线最匹 配的地质模型。
第三方面,本发明提供了另一种面波频散曲线的反演装置,以装置为计算机主设备为例, 包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序, 所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方 面中任意一种可能设计的所述面波频散曲线的反演方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有 指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所 述面波频散曲线的反演方法。
第五方面,本发明供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时, 使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述面波频散曲线的反演 方法。
附图说明
图1是本发明提供的面波频散曲线的反演方法的步骤流程示意图。
图2是本发明提供的蜻蜓运动情况的对比效果示意图。
图3是本发明提供的强制扩距机制的示意图。
图4是本发明提供的加入了强制扩距机制后的面波频散曲线的反演方法的流程图。
图5是本发明提供的测试函数的示意图。
图6是本发明提供的测试算法对Griewank函数寻找全局极小值过程中的个体历史位置 分布图。
图7是本发明提供的带有强制扩距机制的AWDA2算法的Griewank函数结果示意图。
图8为是本发明提供的面波频散曲线的反演装置的结构示意图。
图9是本发明提供的计算机主设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于这些实 施例方式的说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定 结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明, 并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应 当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元 称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例 的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联 关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同 时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关 系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种 情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例
如图1所示,本实施例第一方面所提供的面波频散曲线的反演方法,其是利用蜻蜓算法, 将每一个地质模型当做一个蜻蜓个体,从而通过不断迭代计算每一个蜻蜓个体的拟合误差, 来从多次迭代计算出的拟合误差中选择出满足预设条件的拟合误差对应的地质模型作为反 演结果,即作为与待反演的面波频散曲线最匹配的地质模型;且本实施例所提供的反演方法, 可在每次迭代计算拟合误差前,通过确定每个蜻蜓个体的所属群体来调整对应蜻蜓个体所属 群体的行为权重,以实现各个蜻蜓个体在搜索空间中运动轨迹的调整,即通过在每次迭代过 程中调整每个蜻蜓个体所属群体的聚集权重、避撞权重以及和结队权重,以提高其对搜索空 间的探索能力,进而增加其在迭代过程中寻找全局极小值的效率,以减少反演时间,提高反 演效率。
本实施例第一方面所提供的面波频散曲线的反演方法,可以但不限于包括如下步骤a~ f。
a.获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与待反演的面波频 散曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散曲线与所述待反 演的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大,适合度越低。
步骤a则是利用蜻蜓算法计算构建的每个第一地质模型的面波频散曲线与待反演的面波 频散曲线的拟合误差,也就是计算每个第一地质模型与待反演的面波频散曲线的适合度。
在本实施例中,举例获取每个第一地质模型的面波频散曲线与待反演的面波频散曲线的 拟合误差,可以但不限于包括如下步骤a1~a3。
a1.获取待反演的面波频散曲线。
a2.构建第一地质模型集,其中,第一地质模型集中的每个第一地质模型的最大深度以 及层数相同。
a3.利用蜻蜓算法计算每个第一地质模型的面波频散曲线与待反演的面波频散曲线的 拟合误差。
在本实施例中,步骤a2中构建第一地质模型具体为:在保证每个第一地质模型的最大 深度以及层数相同的情况下,通过设置模型的最大速度以及最小速度,来得到不同的第一地 质模型。
而在计算拟合误差时,即可将每一个第一地质模型视为一个蜻蜓个体,那么每个蜻蜓个 体在搜索空间中即可得出其初始位置以及初始飞行速度(可以但不限于通过随机函数随机给 出),因此,对每一个蜻蜓个体进行正演,即可得到每个蜻蜓个体的面波频散曲线,即每个 第一地质模型的面波频散曲线。
在本实施例中,正演的实质为:地质模型结构一般由纵波速度P、横波速度S、层厚H以及密度ρ进行表征;基于上述地层参数,利用频散方程,可求得地质模型的面波速度频散曲线。
而每个蜻蜓(即第一地质模型)的搜索空间则是根据模型的最大速度、最小速度、最大 深度以及层数得来的。
例如,假设第一地质模型的层数为L,那么模型参数空间的维度D则为:D=2*L-1。
同时,在给定了第一地质模型的最大深度、最小速度以及最大速度后,即可得到每个第 一地质模型每一层的上边界、下边界、地层厚度上边界以及地层厚度下边界;因此,通过每 一层的前述4个边界,即可构成对应第一地质模型的搜索空间。
其中,上述4个边界的表达式分别如下:
Sbl=Smax-300/l
Sal=Smin+200/l
上述式中,l表示地层序号,由上至下l=1,2,...L;Sbl、Sal、Hbl和Hal分别表示第l层 的上边界、下边界、地层厚度上边界以及地层厚度下边界。
由上可知,通过前述4个边界,即可得出任一第一地质模型中每一层的搜索空间,进而 得出所有层的搜索空间,而所有层的搜索空间则构成了反演的搜索空间。
通过前述得出搜索空间以及通过正演得出每个第一地质模型的面波频散曲线后,即可计 算每个第一地质模型与待反演的面波频散曲线的拟合误差;其中,举例拟合误差的计算可以 但不限于采用如下公式:
式中,ε是拟合误差,其中,拟合误差越小,说明该第一地质模型与待反演的面波频散 曲线的适合度越高(即与待反演的面波频散曲线越匹配),反之则越小;VRobsj为待反演的面 波频散曲线中面波的相速度信息;VRcalj为第一地质模型的面波频散曲线中面波的相速度信 息;而M则为待反演的面波频散曲线中频率点的总数量。
由此通过前述阐述,即可通过蜻蜓算法计算出每个第一地质模型与待反演的面波频散曲 线的拟合误差。
前述a步骤则是第一次迭代过程,即第一次计算各个第一地质模型与待反演的面波频散 曲线的拟合误差,此时,则会判断计算出的拟合误差是否满足预设条件,即如步骤b所示。
b.判断是否存在有任一拟合误差满足预设条件。
在本实施例中,举例预设条件可以但不限于为:拟合误差是否小于0.001;即在每一次 迭代过程中,计算出的多个拟合误差中,有任一拟合误差的值小于0.001,那么则结束反演 过程,将小于拟合误差小于0.001对应的第一地质模型或第二地址模型作为反演结果,即作 为与待反演的面波频散曲线最匹配的地质模型。
在本实施例中,为了避免传统蜻蜓算法将所有蜻蜓个体(即第一地质模型)的行为权重 (即避撞行为权重、结队行为权重、聚集行为权重、觅食行为权重以及避敌行为权重)赋予 相同的值,从而导致寻找全局最小值的效率降低,造成反演时间增长以及效率降低的问题; 还设置有如下步骤c,以通过确定每个蜻蜓个体的所属群体来调整对应蜻蜓个体所属群体的 行为权重,从而提高其对搜索空间的探索能力,进而增加其在迭代过程中寻找全局极小值的 效率,以减少反演时间,提高反演效率。
c.若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个 第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半 径是根据对应第二地质模型的搜索空间的半径得到的,且所述第二地质模型集为剔除了拟合 误差最大以及最小的第一地质模型后的第一地质模型集。
步骤c则是确定每个蜻蜓个体所属群体的过程,其实质是:确定除拟合误差最小以及最 大的第一地质模型以外,剩余的所有第一地质模型的所属群体,即第二地质模型集为剔除了 拟合误差最大以及最小的第一地质模型后的第一地质模型集。
在蜻蜓算法中规定,适应度最大的蜻蜓个体被作为食物,即拟合误差最小的蜻蜓个体作 为食物;而适应度最小的蜻蜓个体作为天敌,即拟合误差最大的蜻蜓个体作为天敌;因此, 步骤c则是去除了食物和天敌后,确定剩余的蜻蜓个体的所属群体的过程。
在本实施例中,举例在第二地质模型集中,确定每个第二地质模型的所属群体,可以但 不限于包括如下步骤c1~c4。
c1.获取所述每个第二地质模型对应的搜索空间的半径。
c2.利用每个第二地质模型对应的搜索空间的半径,得到每个第二地质模型的相邻半 径。
在本实施例中,任一第二地质模型的搜索空间的半径是根据其每一层的最大速度以及最 小速度得来的,即每一层的搜索半径为:最大速度与最小速度之间差值的四分之一,而第二 地质模型对应的搜索空间的半径则为每一层的搜索半径之和。
在本实施例中,举例相邻半径的计算公式如下:
上述式中,dt代表相邻半径;R为搜索空间的半径;t代表迭代次数,而N为最大迭代次数(通常为预设值,取100)。
在得出每个第二地质模型的相邻半径后,即可根据相邻半径确定出每个第二地质模型的 所属群体,即如以下步骤c3和c4所示。
c3.判断每个第二地质模型的相邻半径内,是否存在其余第二地质模型。
c4.若是,则将每个第二地质模型的相邻半径内的其余第二地质模型,作为对应第二地 质模型的所属群体。
在本实施例中,确定每个第二地质模型的所属群体,则是通过其相邻半径得到的,即在 相邻半径内的其余第二地质群体,则作为该第二地质模型的所属群体。
例如,假设第二地质模型A的相邻半径内存在第二地质模型B、第二地址模型C以及第 二地质模型D;那么,第二地质模型A的所属群体则为第二地质模型B、第二地址模型C以及第二地质模型D;又如,第二地质模型B的相邻半径内存在第二地质模型D以及第二地质模型C,那么第二地质模型B的所属群体则为第二地质模型D以及第二地质模型C;再如, 第二地质模型C的相邻半径内存在第二地质模型A以及第二地质模型B,那么第二地质模型 C的所属群体为第二地质模型A和第二地质模型B。
在本实施例中,只有当每个第二地质模型的相邻半径内,均存在有其余第二地质模型时, 才能进行步骤d,即调整每个第二地质模型所属群体的行为权重,如以下步骤d所示。
d.对每个第二地质模型的所属群体,进行行为权重的调整,以通过调整后的行为权重, 更新每个第二地质模型在搜索空间中的飞行速度以及位置,其中,所述行为权重用于表征对 对应第二地质模型在搜索空间中运动轨迹的影响程度,且所述行为权重包括聚集权重、避撞 权重以及和结队权重。
在本实施例中,步骤d的原理为:当蜻蜓存在相邻个体时(即第二地址模型的相邻半径 内存在其余第二地质模型时),行为向量可对蜻蜓的运动行为进行模拟,得出其运动轨迹, 而行为权重则代表则对运动轨迹的影响程度;因此,通过调整行为权重,可调整各个蜻蜓个 体在搜索空间中的运行轨迹;而本实施例则是基于此,来进行行为权重的调整。
在本实施例中,举例是对行为权重中的聚集权重、避撞权重以及结队权重进行调整,而 调整可以但不限于根据如下公式:
式中,和分别表示第i个第二地质模型的所属群体调整后的聚集权重、避撞权 重以及结队权重,ci、si以及ai分别表示第i个第二地质模型的所属群体的初始聚集权重、 初始避撞权重以及初始结队权重(通常均为为0.1)。
b1和b2分别为常数;m为第i个第二地质模型的所属群体中包含的第二地质模型的个数 (例如,在前述举例的基础上,对于第二地质模型A,其对应的m=3),n为第二地质模型的总数量,rankfit1(i)表示将第i个第二地质模型的所属群体内所有第二地质模型的拟合误差 从大到小进行排序后,第i个第二地质模型在其中的排名,rankfit2(i)表示在当前步骤中, 将所有第二地质模型的拟合误差从大到小进行排序后,第i个第二地质模型在其中的排名。
由此通过前述公式,即可得出对聚集权重、避撞权重以及结队权重的具体调整值,以便 根据调整后的聚集权重、避撞权重以及结队权重,更新对应第二地质模型在搜索空间中的位 置以及飞行速度。
通过前述公式可知:由于公式中含有第二地质模型在其所属群体内的拟合误差的排名, 以及在所有第二地质模型中拟合误差的排名;因此,在本实施例中,对于每个第二地质模型, 会根据拟合误差的大小,来调整行为权重,其中,拟合误差小的个体(即适应度大的第二地 质模型),其会分配到较小的聚集权重、避撞权重以及结队权重;而拟合误差大的个体(即 适应度小的第二地质模型),其会分配到较大的聚集权重、避撞权重以及结队权重;因此, 调整行为权重所起的实质性作用为:对于适应度比较大的蜻蜓个体(即第二地质模型),赋 予较小行为权重,使它们以小间隔,低速度的状态对周围进行细致的开发,而对于适应度较 小的蜻蜓,赋予较大的行为权重,使它们以大间距,高速度的状态对搜索空间进行广泛的探 索,以增加其寻找到全局极小值的效率。
如图2所示,下述以蜻蜓运动情况对比示意图来阐述进行行为权重调整后的运动轨迹:
图2中,图(a)为未进行行为权重调整的运动示意图;而图2中的图(b)则为进行行为权重调整后的运动轨迹。
从图2中的(a)图可知,图2(a)中有两个子群体(相当于前述公开的第二地质模型的所属群体),其中一个距离食物(也就是前述公开的拟合误差最小的第一地质模型)较近,另一个距离食物较远;这两个子群体距离食物距离不同,各自所承担的任务也应该有不同的 侧重,距离食物较远的子群体应以探索为主,而距离食物较近的子群体应该对附近区域进行 细致的开发;然而在蜻蜓算法中,对于这两个子群体而言,它们的行为权重均被赋予相同的 数值,这就导致这两个子群体的区域覆盖范围以及移动速度都是一样的,这显然与“不同群 体不同分工”的假设不符,即其会降低寻找全局极小值的效率。
而从图2中的(b)图可知,将行为权重进行调整后,距离食物较近的子群体,内部蜻蜓个体之间的间距变小,而距离食物较远的子群体,内部蜻蜓个体之间的间距变大;因此,图2(b)也正好应证了前述提出的:对适应度比较大的蜻蜓个体(即第二地质模型),赋予 较小的行为权重,从而使它们以小间隔,低速度的状态对周围进行细致的开发;而对于适应度较小的蜻蜓个体,赋予较大的行为权重,使它们以大间距,高速度的状态对搜索空间进行广泛的探索,以增加其寻找到全局极小值的效率这一理论。
由此通过前述阐述,本实施例即可通过调整行为权重,来提高全局极小值的效率,进而 达到减少反演时间以及提高反演效率的目的。
在本实施例中,对第二地质模型进行行为权重的调整后,即可进行第二地质模型在搜索 空间位置以及飞行速度的更新,其计算公式可以但不限于如下:
按照如下公式更新第二地质模型在搜索空间中的飞行速度;
式中,为第i个第二地质模型更新后的飞行速度,t代表迭代次数,Si、Ai、Ci、Fi以及Ei分别为第i个第二地质模型的避撞行为向量、结队行为向量、聚集行为向量、觅食行为向量以及避敌行为向量;fi和ei分别为第i个第二地质模型的觅食行为权重以及避敌行为权重,Vi t代表第i个第二地质模型在第t次迭代时的飞行速度,wi为第i个第二地质模型的飞行速度的权重(通常为常数,为0.8)。
在本实施例中,当蜻蜓(第二地质模型)存在相邻个体时,第二地质模型的避撞行为向 量、结队行为向量、聚集行为向量、觅食行为向量以及避敌行为向量,可以但不限于通过如 下公式表达:
Fi=X+-Xi
Ei=X-+Xi
上述式中,Xj为与当前第二地质模型相邻的第j个第二地质模型的位置;Vj为与当前第 二地质模型相邻的第j个第二地质模型的飞行速度;X+代表食物的位置(即拟合误差最小的 第一地质模型的位置);X-代表天敌的位置(即拟合误差最大的第一地质模型的位置);Xi为第i个第二地质模型的位置;m在前述就已说明,即为第i个第二地质模型的所属群体中包 含的第二地质模型的个数。
在更新了第二地质模型在搜索空间中的飞行速度后,即可根据飞行速度更新其在搜索空 间中的位置,其中,公式如下:
在更新了各个第二地质模型的飞速速度以及位置后,即可再次计算各个第二地质模型与 待反演的面波频散曲线的拟合误差,以便再次判断,在计算得出的多个拟合误差中,是否存 在有任一拟合误差满足预设条件,即如以下步骤e和f所示。
e.计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待反演 的面波频散曲线的拟合误差,并重复前述步骤b~d,直至有任一拟合误差满足预设条件为止。
f.将满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散 曲线最匹配的地质模型。
在步骤e中,计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与待 反演的面波频散曲线的拟合误差,其计算原理为前述步骤a中相同,均是对更新了飞行速度 以及位置后的第二地质模型进行正演,以得到其对应的面波频散曲线,然后再利用前述步骤 a中的拟合误差公式进行计算即可。
而在本实施例中,若步骤e中计算出的多个拟合误差中,仍然没有一个满足预设条件, 那么则会重复步骤b~d,进行不断的迭代计算,直到计算出的拟合误差中,有任一拟合误差 满足预设条件为止;而满足预设条件的拟合误差对应的第二地质模型,则作为最优的蜻蜓个 体进行输出,即作为与待反演的面波频散曲线最匹配的第二地质模型。
另外,在前述步骤c3中,若判断出每个第二地质模型的相邻半径内,不存在其余第二 地质模型,那么则按照如下公式更新每个第二地质模型在搜索空间中的飞行速度以及位置:
其中:
Γ(x)=(x-1)!
Γ(x)=(x-1)!
前述式中,Γ(x)为gamma函数。
在本实施例中,前述公式中的β为常数(可以但不限于取1.5),且D为第二地质模型搜索空间的维度(其计算公式为前述公开的D=2*L-1)。
即通过前述阐述,在第二地质模型的相邻半径内不存在其余第二地质模型是,即可利用 前述公式进行位置以及飞行速度的更新;更新后,即可直接执行步骤e和f,直至计算出的 拟合误差中有任一拟合误差满足预设条件为止。
由此通过前述对面波频散曲线的详细阐述,本发明对蜻蜓算法进行了改进,通过确定每 个蜻蜓(即每个第二地质模型)的所属群体来调整每个蜻蜓所属群体的行为权重,进而实现 了每个蜻蜓运动轨迹的调整,即本发明通过增加每个蜻蜓个体对搜索空间的探索能力,从而 来提高对全局极小值的找寻效率,以减少反演时间,提高反演效率。
如图3和图4所示,本实施例第二方面在第一方面所提供的方案上进行进一步的优化, 以针对复杂地质情况,引入“强制扩距”机制来降低在迭代计算过程后期,陷入局部极小值 的可能性,从而进一步的提高对全局极小值的找寻效率。
下述说明引入“强制扩距”机制的必要性:
在复杂地质条件下准确求解面波频散曲线反演问题存在着数量庞大的局部极小值,而且 这些局部极小值在搜索空间中往往距离全局极小值非常接近,因此个体常常被这些局部极小 值所吸引,这在迭代后期是非常危险的;由于需要确保反演的收敛性,几乎所有个体在迭代 后期会收敛到一个非常狭小的范围,且仅在该范围内移动,并对它们所认为的“全局极小值” 进行开发,但事实可能是这些个体极容易陷入局部极小值中,从而导致全局极小值找寻时间 增长,甚至丢失全局极小值;因此,引入“强制扩距机制”是非常必要的。
如图3中图3(a)可知,圆点3代表全局极小值(也就是满足预设条件的拟合误差对应 的第二地质模型),圆点5代表蜻蜓个体(即第二地质模型),而圆点4则代表举例全局极小值很近的局部极小值;在未引入“强制扩距机制”前,蜻蜓个体会将圆点4作为全局极小值(即食物),而并未发现旁边的全局极小值(即圆点3),并且在此后的数次迭代后,仍 未找寻到拟合误差更小的食物,因此,会大大增加全局极小值的找寻时间。
因此,本实施例是在迭代计算后期,且在确定每个第二地质模型的所属群体前,通过判 断食物的位置是否连续未更新,从而来决定是否引入“强制扩距”机制。
在本实施例中,举例引入“强制扩距”机制可以但不限于采用如下步骤A~C。
A.标记拟合误差最小的第一地质模型以及拟合误差最大的第一地质模型在搜索空间中 的位置。
步骤A则是表示食物以及天敌位置的过程,即拟合误差最小,代表适应度最大的个体, 即在蜻蜓算法中表示为食物;同理,拟合误差最大,则表示适应度最小的个体,也就是天敌。
B.判断拟合误差最小的第一地质模型的位置在连续k次迭代中是否未发生变化,其中, k为正整数。
步骤B则是判断食物的位置在连续k次迭代过程中是否发生变化;若未发生变化,则会 引入“强制扩距”机制,从而来降低在迭代计算过程后期,陷入局部极小值的可能性。
在本实施例中,举例k可以但不限于取10,即连续10次迭代后,食物的位置是否发生 变化。
C.若是,则对所述第一地质模型集进行群体划分,以便在群体划分后,调整群体的避撞 权重。
步骤C则是通过对当前第二地质模型进行群体划分,从而通过调整群体的避撞权重来改 变群体的运动轨迹,从而增加对搜索空间的搜索范围,以利于对全局最小值的寻找。
在本实施例中,调整了群体的避撞权重后,则会返回至步骤b,重新计算各个第二地质 模型的拟合误差,以执行后续的步骤c~f,得到最终的反演结果。
在本实施例中,举例步骤C中进行避撞权重的调整,可以但不限于包括如下步骤C1~C4。
C1.获取剩余第一地质模型集中每个第一地质模型与拟合误差最小的第一地质模型的 距离,其中,所述剩余第一地质模型集为剔除了拟合误差最小的第一地质模型后的第一地质 模型集。
C2.将距离从小到大进行排序,得到排序顺序。
C3.按照排序顺序将剩余第一地质模型集中的第一地质模型分为数量相等的两部分,分 别作为第一群体以及第二群体,其中,所述第一群体中排序最后一位对应的第一地质模型与 拟合误差最小的第一地质模型的距离,小于第二群体中排序第一对应的第一地质模型与拟合 误差最小的第一地质模型的距离。
C4.增加所述第二群体的避撞行为权重,以及保持所述第一群体的避撞行为权重不变。
步骤C1~C4的原理为:先将除去食物以外的所有第一地质模型,按照与食物距离从近 到远的顺序进行排序;然后按照排序顺序将剩余的第一地质模型分为数量相等的两部分,即 第一群体以及第二群体;其中,第一群体则是距离食物较近的群体,而第二群体则是距离食 物较远的群体;最后,增加距离食物较远的蜻蜓群体(即第二群体)的避撞权重,并使距离 食物较近的蜻蜓群体(即第一群体)的避撞权重保持不变,即可降低陷入局部极小值的可能; 即相当于使距离食物较远的蜻蜓群体远离当前的食物,扩大对搜索空间的搜索范围,但又不 影响距离食物较近的蜻蜓群体对当前区域的开发,从而可降低在反演迭代过程中陷入局部极 小值的可能性,有利于全局极小值的查找。
在本实施例中,剩余第一地质模型集中的每个第一地质模型与拟合误差最小的第一地质 模型之间的距离是指在二者在搜索空间中的距离,而剩余第一地质模型集中的每个第一地质 模型与拟合误差最小的第一地质模型之间的距离可以但不限于利用欧式距离计算公式计算 得到。
下述结合图3(b)、图3(c)以及图3(d)来阐述前述步骤C1~C4:
从图3中可看出,在较小虚线圆圈内的个体(圆点3)距离食物(即未引入强制扩距机 制时,蜻蜓个体认为局部极小值为食物)较近,在较小虚线圆圈外并在较大虚线圆圈内的个 体距离食物较远;在引入“强制扩距机制”后,从图3(b)可知,群体外围的个体向食物四 周散开,其中有部分个体逐渐靠近全局极小值(即圆点4),当这些个体发现全局极小值周 围区域的适应度要比当前食物更高,它们就会发出指令,吸引其它个体向该区域进行移动, 如图3(c)所示;随后,越来越多的蜻蜓被吸引过来,对该区域进行细致的开发并最终寻找 到全局极小值,如图3(d)所示。
由此通过对前述步骤A~C以及步骤C1~C4的详细描述,本发明可降低在反演迭代过程 中陷入局部极小值的可能性,有利于全局极小值的查找。
如图4所示,下述对给出前述引入了强制扩距机制的面波频散曲线的反演方法的具体步 骤,如以下步骤所示:
S101.获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与待反演的面 波频散曲线的拟合误差。
S102.判断是否存在有任一拟合误差满足预设条件。
S103.若否,则标记拟合误差最小的第一地质模型以及拟合误差最大的第一地质模型在 搜索空间中的位置。
S104.判断拟合误差最小的第一地质模型的位置在连续k次迭代中是否未发生变化,其 中,k为正整数。
S105.若是,则启动强制扩距机制,并重新计算第一地质模型的面波频散曲线与待反演 的面波频散曲线的拟合误差,然后返回值步骤S102;
若否,则在第二地质模型集中,确定每个第二地质模型的所属群体。
S106.对每个第二地质模型的所属群体,进行行为权重的调整,以通过调整后的行为权 重,更新每个第二地质模型在搜索空间中的飞行速度以及位置。
S107.计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待 反演的面波频散曲线的拟合误差,并重复前述步骤S102~S106,直至有任一拟合误差满足预 设条件为止。
S108.将满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波 频散曲线最匹配的地质模型。
如图5、图6和图7所示,实施例第三方面提供前述第一方面以及第二方面的反演方法 的验证数据集,以表明本发明所提供的反演方法具有前述所公开的技术效果。
本实施例将AWDA与IDA(Improved Dragonfly Algorithm,蜻蜓算法)、IEPSO(Improved Particle Swarm Optimization Algorithm,改进的粒子群算法)以及NIAGA(New Improved Adaptive Genetic Algorithm,改进的自适应遗传算法)进行测试,对 比分析;为了进一步验证“强制扩距”机制对本申请反演方法求解能力的提升效果,本文将 本申请反演方法(即前述的AWDA)分为两种类型,未加入“强制扩距”机制的AWDA1,和加 入“强制扩距”机制的AWDA2;并利用以下测试函数对这五个算法进行测试。
当完成一种算法的程序编写后,通常使用若干个算法测试函数对该算法进行测试,这种 测试不仅能够衡量算法的收敛性、探索能力以及开发能力,还能够将该算法与其他算法进行 对比,以证明新算法的优势所在;本实施例选用了四个常用的算法测试函数,其中Shpere 和Schwefel 2.22为单极值函数,该类函数仅含有一个极小值,主要测试算法的收敛性和开 发能力;Griewank和Ackley为多极值函数,它们包含了一个全局极小值和多个局部极小值, 检测算法的全局探索能力。四个算法测试函数的二维示意图如图5所示,它们的表达式以及 搜索区间如表1所示,搜索空间的维度D均为2。
参数设置方面,所有算法的个体总数均为50,最大迭代次数均为200。
其中,图5中(a)代表Sphere函数;(b)代表Schwefel 2.22函数;(c)代表Griewank函数,而(d)代表Ackley函数。
表1为前述4个函数的表达式以及搜索区间表格。
首先以各算法对Griewank测试函数的运算结果(搜索区间[-600,600]2,最优解[0,0]) 为例,统计所有个体在迭代过程中的位置分布,这能够使我们更加清晰、直观地分析算法对 空间的探索与开发情况。
其中,IEPSO、NIAGA、IDA、AWDA1以及AWDA2求得的最小误差分别为0.0038、0.0364、0.0071、0.0007和0.0003。如图6所示,图6中的(a)图表示IEPSO算法对Griewank函 数寻找全局极小值过程中的个体历史位置分布图;(b)图表示NIAGA算法对Griewank函数 寻找全局极小值过程中的个体历史位置分布图;(c)图表示IDA算法对Griewank函数寻找 全局极小值过程中的个体历史位置分布图;(d)图表示AWDA1算法对Griewank函数寻找全 局极小值过程中的个体历史位置分布图;(e)图表示AWDA2算法对Griewank函数寻找全局 极小值过程中的个体历史位置分布图。
通过图6可知,IEPSO算法在迭代前期无法对空间进行充分探索,有相当多的区域仅分 布零星个体甚至没有个体,这可能会使算法最终无法寻找到全局极小值;NIAGA算法大概从
因此,根据前述实验数据可知,本申请所提供的反演方法(即AWDA1和AWDA2)能够大 大提高全局极小值的找寻效率,进而提高反演效率以及减少反演时间。
此外,对于AWDA2算法,本实施例绘制了该算法结果的误差随迭代的变化情况,如图7 中的(a)图所示:图中被黑色粗线标注的部分代表截止到当前迭代步数时,食物已至少连 续10次迭代未获得更新,也就意味着“强制扩距”机制在这些阶段被触发;本实施例还统计了该结果在每次迭代中,所有蜻蜓距离当前食物的平均距离,并用搜索空间的上下限作归 一化,如图7中的(b)图所示,其中被黑色粗线标注的部分所表达的含义与图7中的(a)图中一致;由此可见当“强制扩距”被触发后,蜻蜓距食物的平均距离明显增大,这说明该机制发挥了作用,蜻蜓群体扩大了对空间的搜索范围。
另外,本实施例还考虑到求解的稳定性因素,因此使用前述5种算法对测试函数均进行 100次独立运算,并统计其误差的均值和标准差,结果如表2所示。
表2为前述5种算法对应误差的均值和标准差的表格。
从表2可知,NIAGA算法计算得到的误差均值在所有算法结果中是最大的,IEPSO算法 的求解能力优于IDA算法;相较以上三种算法,AWDA1算法和AWDA2算法得到了更小的误差 均值和标准差,而且AWDA2算法的误差均值小于AWDA1算法。
另外,为进一步验证“强制扩距”机制对算法求解能力的提升效果,本实施例对AWDA1 算法和AWDA2算法对Griewank测试函数的100次独立运算结果进行另外两方面统计,首先 统计两算法所有独立运算结果中食物获得更新次数的平均值,该平均值越高说明食物更新的 越频繁,算法陷入局部极小值的可能性就越小;统计结果显示,AWDA1算法和AWDA2算法的 平均值分别为56和66,说明AWDA2算法探寻食物的能力更强,即降低了陷入局部极小值的 可能性。
同时,本实施例对两算法最终寻找到测试函数全局极小值的平均成功率进行统计,在 Griewank测试函数中,最小的局部极小值为0.0074,故规定当最终结果小于0.0074时,算 法就寻找到了全局极小值;统计结果显示,在100次独立反演结果中,AWDA1算法和AWDA2 算法分别有60次和70次寻找到了全局极小值;因此,以上结果说明,与本实施例中其他算 法相比,AWDA算法具有更出色的搜寻全局极小值的能力,而且将“强制扩距”机制引入该算 法后将进一步增强算法的求解能力。
通过前述实验数据,本发明所提供的反演方法,可提高对全局极小值的找寻效率,进而 达到减少反演时间以及提高反演效率的目的;同时,将“强制扩距”机制引入该方法后,可 降低在迭代过程中陷入局部极小值的可能性,进而有利于全局极小值的找寻,以进一步的提 高找寻效率。
如图8所示,本实施例第二方面提供了一种实现实施例第一方面中所述的基于面波频散 曲线的反演方法的硬件装置,包括:获取单元、第一判断单元、群体确定单元、更新单元、 计算单元以及反演单元。
所述获取单元,用于获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与 待反演的面波频散曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散 曲线与所述待反演的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大, 适合度越低。
所述第一判断单元,用于执行步骤b,其中,所述步骤b为:判断是否存在有任一拟合 误差满足预设条件。
所述群体确定单元,用于执行步骤c,其中,所述步骤c为:若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半径是根据对应第二地质模型的搜 索空间的半径得到的,且所述第二地质模型集为剔除了拟合误差最大以及最小的第一地质模 型后的第一地质模型集。
所述更新单元,用于执行步骤d,其中,所述步骤d为:对每个第二地质模型的所属群 体,进行行为权重的调整,以通过调整后的行为权重,更新每个第二地质模型在搜索空间中 的飞行速度以及位置,其中,所述行为权重用于表征对对应第二地质模型在搜索空间中运动 轨迹的影响程度,且所述行为权重包括聚集权重、避撞权重以及和结队权重。
所述计算单元,用于计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲 线与所述待反演的面波频散曲线的拟合误差。
所述反演单元,用于重复所述步骤b~d,直至有任一拟合误差满足预设条件为止,并将 满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散曲线最匹 配的地质模型。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面, 于此不再赘述。
如图9所示,本实施例第三方面提供另一种面波频散曲线的反演装置,以装置为计算机 主设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储 计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施 例第一方面所述的面波频散曲线的反演方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory, RAM)、只读存储器(Read Only Memory image,ROM)、闪存(Flash Memory)、先进先出 存储器(First Input First Output,FIFO)和/或先进后出存储器(First In LastOut, FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计 算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入 式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以 但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗 局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述 设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于 此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面和第二方面所述的面波频散 曲线的反演方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上 运行时,执行如第一方面所述的面波频散曲线的反演方法。其中,所述存储介质是指存储数 据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(MemoryStick) 等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面, 于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行 时,使所述计算机执行如实施例第一方面和第二方面所述的面波频散曲线的反演方法,其中, 所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护 范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本 发明的保护范围之内。
Claims (10)
1.一种面波频散曲线的反演方法,其特征在于,包括:
获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与待反演的面波频散曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散曲线与所述待反演的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大,适合度越低;
b.判断是否存在有任一拟合误差满足预设条件;
c.若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半径是根据对应第二地质模型的搜索空间的半径得到的,且所述第二地质模型集为剔除了拟合误差最大以及最小的第一地质模型后的第一地质模型集;
d.对每个第二地质模型的所属群体,进行行为权重的调整,以通过调整后的行为权重,更新每个第二地质模型在搜索空间中的飞行速度以及位置,其中,所述行为权重用于表征对对应第二地质模型在搜索空间中运动轨迹的影响程度,且所述行为权重包括聚集权重、避撞权重以及和结队权重;
计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待反演的面波频散曲线的拟合误差,并重复前述步骤b~d,直至有任一拟合误差满足预设条件为止;
将满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散曲线最匹配的地质模型。
2.如权利要求1所述的方法,其特征在于,对每个第二地质模型的所属群体,进行行为权重的调整,包括:
按照如下公式,调整每个第二地质模型所属群体的行为权重;
3.如权利要求2所述的方法,其特征在于,通过调整后的行为权重,更新每个第二地质模型在搜索空间中的飞行速度以及位置,包括:
按照如下公式更新第二地质模型在搜索空间中的飞行速度;
式中,Vi t+1为第i个第二地质模型更新后的飞行速度,t代表迭代次数,Si、Ai、Ci、Fi以及Ei分别为第i个第二地质模型的避撞行为向量、结队行为向量、聚集行为向量、觅食行为向量以及避敌行为向量;fi和ei分别为第i个第二地质模型的觅食行为权重以及避敌行为权重,Vi t代表第i个第二地质模型在第t次迭代时的飞行速度,wi为第i个第二地质模型的飞行速度的权重;
按照如下公式更新第二地质模型在搜索空间中的位置;
4.如权利要求1所述的方法,其特征在于,在第二地质模型集中,确定每个第二地质模型的所属群体前,所述方法还包括:
标记拟合误差最小的第一地质模型以及拟合误差最大的第一地质模型在搜索空间中的位置;
判断拟合误差最小的第一地质模型的位置在连续k次迭代中是否未发生变化,其中,k为正整数;
若是,则对所述第一地质模型集进行群体划分,以便在群体划分后,调整群体的避撞权重。
5.如权利要求4所述的方法,其特征在于,对所述第一地质模型集进行群体划分,以便在群体划分后,调整群体的避撞权重,包括:
获取剩余第一地质模型集中每个第一地质模型与拟合误差最小的第一地质模型的距离,其中,所述剩余第一地质模型集为剔除了拟合误差最小的第一地质模型后的第一地质模型集;
将距离从小到大进行排序,得到排序顺序;
按照排序顺序将剩余第一地质模型集中的第一地质模型分为数量相等的两部分,分别作为第一群体以及第二群体,其中,所述第一群体中排序最后一位对应的第一地质模型与拟合误差最小的第一地质模型的距离,小于第二群体中排序第一对应的第一地质模型与拟合误差最小的第一地质模型的距离;
增加所述第二群体的避撞行为权重,以及保持所述第一群体的避撞行为权重不变。
6.如权利要求1所述的方法,其特征在于,在第二地质模型集中,确定每个第二地质模型的所属群体,包括:
获取所述每个第二地质模型对应的搜索空间的半径;
利用每个第二地质模型对应的搜索空间的半径,得到每个第二地质模型的相邻半径;
判断每个第二地质模型的相邻半径内,是否存在其余第二地质模型;
若是,则将每个第二地质模型的相邻半径内的其余第二地质模型,作为对应第二地质模型的所属群体。
8.一种面波频散曲线的反演装置,其特征在于,包括:获取单元、第一判断单元、群体确定单元、更新单元、计算单元以及反演单元;
所述获取单元,用于获取构建的第一地质模型集中每个第一地质模型的面波频散曲线与待反演的面波频散曲线的拟合误差,其中,所述拟合误差用于表征第一地质模型的面波频散曲线与所述待反演的面波频散曲线的适合度,且拟合误差越小,适合度越高,拟合误差越大,适合度越低;
所述第一判断单元,用于执行步骤b,其中,所述步骤b为:判断是否存在有任一拟合误差满足预设条件;
所述群体确定单元,用于执行步骤c,其中,所述步骤c为:若否,则在第二地质模型集中,确定每个第二地质模型的所属群体,其中,所述每个第二地质模型的所属群体包括在对应第二地质模型相邻半径内的第二地质模型,所述相邻半径是根据对应第二地质模型的搜索空间的半径得到的,且所述第二地质模型集为剔除了拟合误差最大以及最小的第一地质模型后的第一地质模型集;
所述更新单元,用于执行步骤d,其中,所述步骤d为:对每个第二地质模型的所属群体,进行行为权重的调整,以通过调整后的行为权重,更新每个第二地质模型在搜索空间中的飞行速度以及位置,其中,所述行为权重用于表征对对应第二地质模型在搜索空间中运动轨迹的影响程度,且所述行为权重包括聚集权重、避撞权重以及和结队权重;
所述计算单元,用于计算更新了飞行速度以及位置后的每个第二地质模型的面波频散曲线与所述待反演的面波频散曲线的拟合误差;
所述反演单元,用于重复所述步骤b~d,直至有任一拟合误差满足预设条件为止,并将满足预设条件的任一拟合误差对应的第二地质模型,作为与所述待反演的面波频散曲线最匹配的地质模型。
9.一种面波频散曲线的反演装置,其特征在于,包括:依次相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的面波频散曲线的反演方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的面波频散曲线的反演方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580744.5A CN113327322B (zh) | 2021-05-26 | 2021-05-26 | 面波频散曲线的反演方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580744.5A CN113327322B (zh) | 2021-05-26 | 2021-05-26 | 面波频散曲线的反演方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327322A true CN113327322A (zh) | 2021-08-31 |
CN113327322B CN113327322B (zh) | 2022-02-18 |
Family
ID=77421469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110580744.5A Active CN113327322B (zh) | 2021-05-26 | 2021-05-26 | 面波频散曲线的反演方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327322B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233753A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于面波频散曲线的路基病害体和地下病害体深度检测方法 |
CN117631029A (zh) * | 2024-01-26 | 2024-03-01 | 中国铁路设计集团有限公司 | 基于联合算法的瑞雷面波频散曲线反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109087698A (zh) * | 2018-07-16 | 2018-12-25 | 合肥工业大学 | 加权完成时间最小情况下基于蜻蜓算法的手术室调度方法 |
CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
-
2021
- 2021-05-26 CN CN202110580744.5A patent/CN113327322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109087698A (zh) * | 2018-07-16 | 2018-12-25 | 合肥工业大学 | 加权完成时间最小情况下基于蜻蜓算法的手术室调度方法 |
CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
FATMA A. HASHIM等: "Henry gas solubility optimization: A novel physics-based algorithm", 《FUTURE GENERATION COMPUTER SYSTEMS》 * |
JAZA MAHMOOD ABDULLAH等: "Fitness Dependent Optimizer: Inspired by the Bee Swarming Reproductive Process", 《IEEE ACCESS》 * |
PRAMOD P. JADHAV等: "WOADF: Whale Optimization Integrated Adaptive Dragon°y Algorithm Enabled with the TDD Properties for Model Transformation", 《INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE AND APPLICATIONS》 * |
RAKOTH KANDAN SAMBANDAM等: "Self-adaptive dragonfly based optimal thresholding for multilevel segmentation of digital images", 《JOURNAL OF KING SAUD UNIVERSITY–COMPUTER AND INFORMATION SCIENCES》 * |
宋萍等: "基于改进蜻蜓算法的多基地天波雷达定位模型", 《激光与光电子学进展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233753A (zh) * | 2023-11-08 | 2023-12-15 | 江苏筑升土木工程科技有限公司 | 基于面波频散曲线的路基病害体和地下病害体深度检测方法 |
CN117233753B (zh) * | 2023-11-08 | 2024-01-30 | 江苏筑升土木工程科技有限公司 | 基于面波频散曲线的路基害体和地下病害体深度检测方法 |
CN117631029A (zh) * | 2024-01-26 | 2024-03-01 | 中国铁路设计集团有限公司 | 基于联合算法的瑞雷面波频散曲线反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113327322B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327322B (zh) | 面波频散曲线的反演方法、装置及计算机可读存储介质 | |
KR102236046B1 (ko) | 얼굴 검출 훈련 방법, 장치 및 전자 장치 | |
Xu et al. | Classification by nonlinear integral projections | |
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN110062390B (zh) | 基于改进狼群算法的无线传感器网络节点优化部署方法 | |
CN106126807B (zh) | 一种基于大数据挖掘的无线信道建模方法 | |
CN105930688B (zh) | 基于改进pso算法的蛋白质功能模块检测方法 | |
CN110132282B (zh) | 无人机路径规划方法及装置 | |
CN106647744A (zh) | 一种机器人路径规划方法及装置 | |
CN111368936A (zh) | 基于改进svm-rfe的特征选择方法 | |
CN108647571A (zh) | 视频动作分类模型训练方法、装置及视频动作分类方法 | |
CN106780058A (zh) | 动态网络的社团划分方法及装置 | |
CN102831432A (zh) | 一种适用于支持向量机训练的冗余数据约减方法 | |
CN110909773A (zh) | 基于自适应粒子群的客户分类方法及系统 | |
CN110809066A (zh) | IPv6地址生成模型创建方法、装置及地址生成方法 | |
CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
CN115297484A (zh) | 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法 | |
CN104318271A (zh) | 一种基于适应性编码和几何平滑汇合的图像分类方法 | |
CN114386466B (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
CN110084355B (zh) | 大量相互作用粒子运动仿真系统的网格尺度寻优方法 | |
CN114417095A (zh) | 一种数据集划分方法及装置 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
CN110309424A (zh) | 一种基于粗糙聚类的社会化推荐方法 | |
US20220284261A1 (en) | Training-support-based machine learning classification and regression augmentation | |
CN114740858A (zh) | 一种采用人工鱼群模型的机器人路径规划方法 |
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 |