地球物理资料非线性反演方法讲座四遗传算法

《地球物理资料非线性反演方法讲座四遗传算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据第5卷第2期2008年4月工程灿球物评告旅CHINESEJOURNALOFENGINEERINGGEOPHYSICSV01．5。NO．2Apr．．2008文章编号：1672—7940(2008)02一0129—12地球物理资料非线性反演方法讲座(四)遗传算法师学明，王家映(中国地质大学地球物理与空间信息学院，武汉430074)摘要：遗传算法是一种通过模拟自然进化过程来搜索最优解的非线性优化算法．它模拟达尔文的进化论，即生物的进化总是遵循适者生存、优生劣汰的规则。遗传算法用于地球物理反演的基本思想是从模型群体开始搜索，把模型参数用二进制进行编码，将模型空间的点映射到染

2、色体空间的染色体，然后通过选择、交换和变异等遗传操作对模型群体进行繁殖，逐次迭代，在模型参数空间进行群体搜索，最后求取非线性反演问题整体极值所对应的最优解或近似最优解：遗传反演算法利用了生物进化过程和地球物理反演问题求解过程的相似性，开辟了地球物理反演的新途径，是非线性反演算法中一种最常用的算法。遗传算法是一种非线性的全局优化算法，它可避免目标函数梯度类方法的缺点，同时也可明显提高模型参数空间随机搜索的效率。本讲座概要地介绍了遗传算法的基本原理，遗传操作的基本步骤及实现方法，并给出了遗传算法在地球物理资料反演中的实例，最后总结和归纳了遗传算法的特点以及该方法的局限性。关键词

3、：遗传算法#非线性；反演；地球物理中图分类号：P631文献标识码：A收稿日期：2008一03一02Lectureonnon—linearinversemethodsingeophysics(4)GeneticAlgorithmMethodShiXueming，WangJiaying(InstituteofGeophysicsandGeomatics，ChinaUniversityofGeosciences，Wuhan430074，China)Abstract：GeneticalgorithmisoriginatedfromtheDarwiniantheoryofevolut

4、ionbynaturalselection，whichsimulatestheprogressofbiologicalevolutionfromlowertohigheranimal．Theideaofthisbiologicalprocesscanbeusedtodevelopanewnonlinearoptimizationmethod．Themodelparametercanbeencodedaschromosomerepresentation．Thegeneticoperationssuchasselection，crossoverandmutationofgene

5、areusedfortheevolutionofinitialmodels．Theinitialmodelsareupdatedbythenewmodelsofnextgeneration．Theas—senceofgeneticalgorithmisaheuristicMonteCarlomethodwithhigherefficiencyandef—fectiveness．Thispapernotonlyintroducedtheprinciple，classification，diagram，applica—tion，advantagesanddisadvantage

6、softhegeneticalgorithmmethod，butalsopointedoutthenecessityoftheresearchoftheimprovedgeneticalgorithmmethod．基金项目：湖北省杰出青年基金项目(编号：2007ABB037)和国家自然科学基金(编号：40204007)资助。作者简介：师学明(1971一)，男．博士后，副教授，1999年毕业于中国地质大学(武汉)应用地球物理系获博士学位，主要从事地球物理反演理论与方法研究、大地电磁测深数据处理与解释、海洋地球物理等方面的研究。E—mail：xmshi@eug．edu．cn；x

7、mshi666@163．tom万方数据130工程地球物理学报(ChineseJournalofEngineeringGeophysics)第5卷Keywords：geneticalgorithm(GA)；non--linear；inversion；geophysics1引言地球物理的反演问题，大多数是一个非线性的反演问题，即观测数据是模型参数的高度非线性函数[1’2]。解这类非线性反演问题有两大类方法：第一类是利用目标函数梯度信息的线性化迭代方法；另一类是不进行线性化的随机搜索迭代方法。依赖于目标函数梯度的方法一般