利用自适应混沌遗传粒子群算法反演瑞雷面波频散曲线

发布时间：2024-05-13 20:00

　　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。

【文章页数】：12 页

【部分图文】：

图1Rastrigin函数(a)和Griewank函数(b)的曲面

通过上述对比,证明综合改进后的ACGPSO算法克服了PSO算法疏于开发、易陷入局部最优解的缺陷,增强了其全局和局部搜索能力,提升了对全局最优解的收敛速度,且显著提高了最终解的精度。因此,在面对多参数、多极值的复杂问题时,ACG-PSO算法比常规PSO或GA算法具有更强寻优能力和更....

图2三种算法对Rastrigin函数的寻优迭代对比

表1三种算法寻优结果对比优化算法Rastrigin函数Griewank函数最优解最劣解平均解10次求解用时/s最优解最劣解平均解10次求解用时/sGA5.17×10-21.034.71×10-11.901.06×10-21.43×10-14....

图3模型A、B不含噪声数据的反演结果

式中:M为某一反演模型;N为实测频散点个数;Vobs、Vcal分别为实测的与反演模型M的基阶频散曲线。采用该目标函数的ACGPSO算法反演结果如图3和表3所示。从模型A和模型B计算得到的无噪声频散曲线的反演结果(图3)可见:在预设的较大搜索范围内(图3b和图3d中短划线),....

图4模型A、B含噪声数据的反演结果

对于类似模型A和模型B的含异常夹层的地层,在利用瑞雷面波法勘探时所获频散曲线常呈现呈现“之”字形回折现象[3,25],该频散曲线随着频率增大,高阶模式的面波能量相对于基阶模式的面波渐渐占据主导优势。另外,通过对一些模型的测试可知,不同阶次的频散曲线对同一层的敏感度会有所不同,同....

本文编号：3972636