群智能算法在地球物理中的應(yīng)用

目錄
第1章 緒論 1
1.1 生物種群行為與群智能算法 2
1.1.1 生物種群行為 2
1.1.2 群智能算法 3
1.2 群智能算法的分類及工程應(yīng)用 5
1.2.1 粒子群算法 5
1.2.2 蟻群算法 7
1.2.3 魚(yú)群算法 8
1.2.4 其他算法 9
1.3 群智能算法在地球物理中的應(yīng)用研究進(jìn)展 10
1.3.1 地球物理反演問(wèn)題研究進(jìn)展 11
1.3.2 其他地球物理問(wèn)題研究進(jìn)展 12
1.4 地球物理化反演理論 12
1.4.1 多元函數(shù)泰勒展開(kāi)及化條件 13
1.4.2 化方法 14
第2章 粒子群算法理論 19
2.1 粒子群算法的起源和發(fā)展 20
2.1.1 粒子群算法的起源 20
2.1.2 粒子群算法的發(fā)展 20
2.2 粒子群算法的數(shù)學(xué)模型 22
2.2.1 基本粒子群算法 22
2.2.2 標(biāo)準(zhǔn)粒子群算法 24
2.2.3 粒子群算法化步驟 25
2.2.4 粒子群算法的改進(jìn) 26
第3章 粒子群算法在地球物理中的應(yīng)用 29
3.1 粒子群算法在重磁反演中的應(yīng)用 30
3.1.1 位場(chǎng)反演 30
3.1.2 理論模型建立及參數(shù)分析 35
3.1.3 算法改進(jìn)及理論模擬分析 41
3.1.4 粒子群算法應(yīng)用實(shí)例 49
3.2 粒子群算法在電磁反演的應(yīng)用 58
3.2.1 一維層狀介質(zhì)大地電磁反演 58
3.2.2 大地電磁粒子群算法反演 59
3.3 粒子群算法在地震資料反演中的應(yīng)用 61
3.3.1 地震波阻抗粒子群算法反演 61
3.3.2 粒子群非線性AVO反演方法 63
3.3.3 智能化時(shí)變盲反褶積 64
3.3.4 粒子群頻變AVAF 反演方法 72
3.3.5 地質(zhì)模型與實(shí)際數(shù)據(jù)測(cè)試 82
3.4 算法收斂性與不確定性分析 86
3.4.1 算法收斂性分析 86
3.4.2 不確定性分析 91
第4章 蟻群算法理論 111
4.1 蟻群算法的起源和發(fā)展 112
4.1.1 蟻群算法的起源 112
4.1.2 蟻群算法的發(fā)展 113
4.2 蟻群算法的數(shù)學(xué)模型與搜索流程 115
4.2.1 基本蟻群算法 115
4.2.2 蟻群算法的目標(biāo)函數(shù)優(yōu)化模型 116
4.2.3 蟻群算法的搜索流程 117
第5章 蟻群算法在地球物理中的應(yīng)用 119
5.1 蟻群算法在重磁反演中的應(yīng)用 120
5.1.1 重力數(shù)據(jù)蟻群算法反演 120
5.1.2 蟻群算法改進(jìn)及優(yōu)化 121
5.1.3 參數(shù)分析 127
5.1.4 磁測(cè)數(shù)據(jù)理論模型反演 130
5.1.5 蟻群算法應(yīng)用實(shí)例 137
5.2 蟻群算法在電法中的應(yīng)用 149
5.3 蟻群算法在地震資料反演中的應(yīng)用 150
5.3.1 地震波阻抗蟻群算法反演 150
5.3.2 蟻群算法AVO 反演方法 150
5.3.3 基于蟻群算法的地震子波估計(jì) 151
5.4 算法收斂性與不確定性分析 162
5.4.1 算法收斂性分析 162
5.4.2 不確定性分析 163
第6章 魚(yú)群算法理論及其在地球物理中的應(yīng)用 167
6.1 魚(yú)群算法的起源和發(fā)展 168
6.1.1 魚(yú)群算法的起源 168
6.1.2 魚(yú)群算法的發(fā)展 169
6.2 魚(yú)群算法的數(shù)學(xué)模型 170
6.2.1 基本魚(yú)群算法 170
6.2.2 算法中參數(shù)對(duì)收斂性能的影響 172
6.3 魚(yú)群算法在重磁反演中的應(yīng)用 173
6.3.1 位場(chǎng)反演 173
6.3.2 理論模型反演試驗(yàn) 175
6.3.3 魚(yú)群算法應(yīng)用實(shí)例 178
參考文獻(xiàn) 181