基于时域激电的层状大地视谱参数测深曲线反演

基于时间域Cole-Cole模型及视充电率的观测方式,推导出层状大地时域激电测深正演计算方法,运用最小二乘法对电测深曲线进行反演,得出视相关系数cs、视充电率ms、视时间常数τs等视谱参数测深曲线。对几种层状介质模型视谱测深曲线反演计算表明,基于时域激电数据计算得到的视谱参数测深曲线能够反映出各地层频谱参数特征,可以为时域激电测深提供更为丰富的信息,为激电异常及极化体性质评价和分类提供有利的参考。     

激电测深数据一维自动迭代反演进行拟二维反演解释

为提高野外激电测深数据的处理效率和初步解释的精度,提出了激电测深数据一维自动迭代反演进行拟二维反演解释方法。本文所述的激电测深一维自动迭代反演解释,与以往的激电测深曲线自动解释方法不同,其主要特点是不用人工给定初始模型参数,即对实测电阻率曲线以采样间隔(如(lg10)/6)数字化后的点数作为层数,并且使其在整个反演过程中保持不变;以数字化后的相邻电极距的差作为层厚;以对应点的视电阻率值作为层阻,采用阻尼最小二乘法对同一断面的多条电测深曲线进行一维自动迭代反演。然后把反演结果绘制成断面图,对其进行二维地质推断解释。最后通过模型试算,结果表明其处理速度快,解释直观,对于作为野外激电测深数据的初步反演解释是可行的。     

利用改进模拟退火算法反演甘肃兰州地区地幔转换带导电模型

地磁测深一维反演可以获得地磁台站下方地球深部电导率结构。将改进模拟退火算法应用于地磁测深数据的反演,并将基于反演过程中的所有优质解进行统计分析得到的期望值作为模型最优解。地磁测深合成数据的一维反演测试结果表明:对于无噪声的理论数据,传统模拟退火算法可以恢复出真实的电导率剖面; 存在噪声时,相较传统模拟退火算法,改进模拟退火算法可以有效克服噪声影响,并在噪声低于可接受的水平时,得到非惟一模型参数的可靠估计结果。对兰州台站的实际数据反演结果表明:在地磁测深敏感的深度范围内获得了与前人一致的电导率剖面; 但是在地幔转换带下层,反演得到的电导率偏低。结合岩石物理实验结果,推测兰州地区地幔转换带下层可能是干冷的,周围地区深部地幔柱可能影响不到兰州地区深部热状态。     

岩体渗透系数反演的混合优化算法

采用反演的方法确定岩土介质的渗透系数,通过优化模型对渗透系数反演问题进行建模.在具有全局搜索能力的遗传算法的基础上,采用Powell局部搜索算法对遗传算法的变异算子进行改进.基于遗传算法和Powell局部搜索算法的基础上,构造混合优化方法,所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优能性和快速收敛性.     

基于新型模拟退火算法的PSS参数优化方法

提出一种基于单纯形-模拟退火算法的电力系统稳定器(PSS)参数优化方法.以弱阻尼机电模式阻尼比构建目标函数,将单纯形法搜寻机理嵌入到模拟退火算法的基本步骤中,综合模拟退火算法全局搜索能力强、单纯形算法局部收敛速度快的优点.在新英格兰典型系统上的特征值分析表明,该方法是一种有效的PSS优化方法,所得的参数对系统运行方式的变化具有良好的鲁棒性.     

遗传模拟退火算法在结构优化设计中的应用

遗传算法、模拟退火算法都是随机搜索方法,在处理全局优化、离散变量、多连通可行区等困难问题中,具有传统结构优化算法不可比拟的优势.笔者针对遗传算法和模拟退火算法的特点,取长补短,结合成一种混合遗传算法—遗传模拟退火混合算法.经改进后的混合算法既发挥了遗传算法全局搜索能力强的特点,又保留了模拟退火算法局部寻优效果好的优点.     

基于快速模拟退火算法的叠前三参数同步反演

地震叠前弹性参数反演可以为解释人员提供丰富的岩性和流体的信息。针对上述典型的非线性反演问题,模拟退火法在解空间进行全局寻优,克服了线性算法容易陷入局部极值的缺陷,但其计算速率较低。为此,本文首先详细地介绍了一种快速模拟退火算法,并将其应用到叠前三参数同步反演,主要是采用似Cauchy分布产生初始模型,广义Gibbs分布作为接受准则,并对由叠前数据求得的目标函数快速搜索全局最优解。通过模型试验表明,基于本文的快速模拟退火算法反演得到的三参数不仅精度高,而且计算效率得到了一定的提高。     

可极化大地上CSAMT激发极化效应的研究

采用Cole-Cole模型来模拟大地可极化,对三层水平地层且中间层为极化层的可控源音频大地电磁激电测深的视电阻率进行理论计算,分析极化参数对视电阻率曲线的影响规律．采用广义逆方法对三层水平地层且中间层为极化层的模型进行了理论的反演,初步得出：提取极化大地上可控源音频大地电磁测深数据中的激电效应是可能的。     

模拟退火法与阻尼最小二乘法联合反演岩石激电谱参数

Cole—Cole模型是一种定量描述激电响应谱特性的方法,即可以用4个参数来定量描述岩石激电响应特性,这4个参数是岩矿石激电响应特征的基本参数。由于不同岩矿石具有不同的激电谱特征,因而存在着利用这4个Cole—Cole参数来识别它们的可能性。阻尼最小二乘法是应用地球物理学中常用的一种最优化反演技术,广泛地用在谱激电反演之中,具有很快的收敛速度。然而阻尼最小二乘法对初始值很依赖,非线性模拟退火反演方法能够很好地消除这种影响。因此联合这两种方法反演岩石激电谱参数,经理论和实测数据计算表明,反演能较好地拟合实测曲线,取得了一定的效果。     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

基于遗传模拟退火算法的水库优化调度

采用遗传模拟退火算法研究了水电站单一水库的优化调度问题.根据水库优化调度的数学模型,提出了基于遗传模拟退火算法的优化调度的基本步骤.通过实例计算并与简单遗传算法相比较,表明该算法具有极强的局部搜索能力和较好的收敛性能     

矩形件排样的模拟退火算法求解

讨论了用模拟退火算法求解矩形件排样问题。在这问题数学模型分析的基础上,给出了模拟退火算法求解的关键步骤和方法,并通过算例讨论了模拟退火算法中三个主要参数初始温度、冷却系数以及终止温度对排样结果的影响。实验结果表明：采用模拟退火算法求解排样问题是适合的。     

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法（CAGSAH）,对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

A Hybrid Artificial Neural Network-based Scheduling Knowledge Acquisition Algorithm

It is a key issue that constructing successful knowledge base to satisfy an efficient adaptive scheduling for the com- plex manufacturing system.Therefore,a hybrid artificial neural network (ANN)-based scheduling knowledge acquisition algo- rithm is presented in this paper.We combined genetic algorithm (GA) with simulated annealing (SA) to develop a hybrid opti- mization method,in which GA was introduced to present parallel search architecture and SA was introduced to increase escaping probability from local optima and ability to neighbor search.The hybrid method was utilized to resolve the optimal attributes subset of manufacturing system and determine the optimal topology and parameters of ANN under different scheduling objectives;ANN was used to evaluate the fitness of chromosome in the method and generate the scheduling knowledge after obtaining the optimal at- tributes subset,optimal ANN's topology and parameters.The experimental results demonstrate that the proposed algorithm pro- duces significant performance improvements over other machine learning-based algorithms.     

基于柯尔—柯尔模型的一维视复电阻率真参数反演

在求取多层极化介质模型的真柯尔—柯尔参数时,需要以多层极化介质为正演模型,以视复电阻率的振幅或相位为响应进行反演。若直接对振幅谱或相位谱反演计算,反演参数过多将导致反演失败。本文利用振幅与极距相关的曲线(本文称为"振幅测深曲线")可以确定多层极化介质层数和层厚的特点,将真参数的求取过程分为两步。第一步采用一维自动迭代法反演振幅测深曲线,求取层状介质的层数和层厚;第二步采用郭涛演化算法反演振幅谱或相位谱,求取层状介质的其他参数(零频电阻率、极化率、时间常数和频率相关系数)。整体反演结果较好,求取的真参数与理论值相同,证明两步法的可行性。并得出了两个结论:一是振幅测深曲线含有多层极化介质模型的分层信息;二是振幅谱比相位谱包含更多零频电阻率的信息。     

Performance evaluation for intelligent optimization algorithms in self-potential data inversion

The self-potential method is widely used in environmental and engineering geophysics. Four intelligent optimization algorithms are adopted to design the inversion to interpret self-potential data more accurately and efficiently: simulated annealing, genetic, particle swarm optimization, and ant colony optimization. Using both noise-free and noise-added synthetic data, it is demonstrated that all four intelligent algorithms can perform self-potential data inversion effectively. During the numerical experiments, the model distribution in search space, the relative errors of model parameters, and the elapsed time are recorded to evaluate the performance of the inversion. The results indicate that all the intelligent algorithms have good precision and tolerance to noise. Particle swarm optimization has the fastest convergence during iteration because of its good balanced searching capability between global and local minimisation.