留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比

王乐洋 许冉冉 靳锡波 丁锐

王乐洋, 许冉冉, 靳锡波, 丁锐. 模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200217
引用本文: 王乐洋, 许冉冉, 靳锡波, 丁锐. 模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200217
WANG Leyang, XU Ranran, JIN Xibo, DING Rui. Comprehensive evaluation and comparison of nonlinear inversion about simulated annealing, genetic algorithm and neural network algorithm[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200217
Citation: WANG Leyang, XU Ranran, JIN Xibo, DING Rui. Comprehensive evaluation and comparison of nonlinear inversion about simulated annealing, genetic algorithm and neural network algorithm[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200217

模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比

doi: 10.13203/j.whugis20200217
基金项目: 

国家自然科学基金(41874001,41664001)。

详细信息
    作者简介:

    王乐洋,博士,副教授,主要研究方向为大地测量反演及大地测量数据处理。wleyang@163.com

Comprehensive evaluation and comparison of nonlinear inversion about simulated annealing, genetic algorithm and neural network algorithm

Funds: 

National Natural Science Foundation of China (41874001, 41664001).

  • 摘要: 本文结合了蒙特卡罗方法的精度评定特点,提出了一种将偏差和中误差作为评价指标的综合评价公式,并将该公式用于模拟退火算法、基因遗传算法和神经网络算法在火山复式位错模型(CompoundDislocation Model,CDM)模型和地震Okada模型反演的精度评定中。实验结果表明:无论是基于CDM模型还是基于Okada模型,以上三种方法的参数估值差距较小,但不同方法的精度差别较大。使用蒙特卡罗方法对模拟退火、基因遗传和神经网络算法进行精度计算,本文发现:在火山CDM模型中,模拟退火和基因遗传算法计算所得部分参数中误差较大,且模拟退火和基因遗传算法综合评价值11.3988和3.9820均大于神经网络算法综合评价值3.6131。在Okada模型中,模拟退火算法所得中误差相对基因遗传算法和神经网络算法较高,且在芦山地震中,模拟退火算法的综合评价值11.6562远远大于基因遗传算法和神经网络算法的综合评价值4.0604和3.6254。通过实验可知,在本文方法下,神经网络算法的精度信息较高,结果更具有说服性,基因遗传算法次之,模拟退火算法精度较低。
  • [1] . Steketee J A. On Olterra's Dislocations in A Semi-infinite Elastic Medium[J]. Canadian Journal of Physics, 1958, 36(2), 192-205.
    [2] . Okada Y. Surface Deformation Due to Shear and Tensile Faults in a Half-space[J]. Bulletin of the Seismological Society of America, 1985, 75(4):1135-1154.
    [3] . Okada Y. Internal Deformation Due to Shear and Tensile Faults in A Half-space[J]. Bulletin of the Seismological Society of America, 1992, 82(2), 1018-1040.
    [4] . Bürgmann R, et al. Deformation During the 12 November 1999 Düzce, Turkey, Earthquake, from GPS and InSAR Data[J]. Bulletin of the Seismological Society of America, 2002, 92(1), 161-171.
    [5] . Meza J C. Steepest Descent[J]. Wiley Interdiplinary Reviews Computational Stats, 2010, 2(6), 719-722.
    [6] . Nazareth J L. Conjugate Gradient Method[J]. Wiley Interdiplinary Reviews:Computational Stats, 2009, 1(3), 348-353.
    [7] . Marquardt D W. An Algorithm for Least-squares Estimation of Nonlinear Parameters[J], Journal of the Society for Industrial and Applied Mathematics, 1963, 11(2), 431-441.
    [8] . Nelder J A and Mead R. A Simplex Method for Function Minimization[J], The Computer Journal, 1965, 7(4), 308-313.
    [9] . Jie X and Tao Z. Multi-objective Particle Swarm Inversion Algorithm for Two-dimensional Magnetic Data[J], Applied Geophysics, 2015, 12(2), 127-136.
    [10] . Zhang L, Poulton M M and Wang T. Borehole Electrical Resistivity Modeling Using Neural Networks[J], Geophysics, 2002, 67(6), 1790-1797.
    [11] . Shibutani T, Sambridge M and Kennett B. Genetic Algorithm Inversion for Receiver Functions with Application to Crust and Uppermost Mantle Structure Beneath Eastern Australia[J] Geophysical Research Letters, 2013, 23(14), 1829-1832.
    [12] . Beaty K S, Schmitt D R and Sacchi M. Simulated Annealing Inversion of Multimode Rayleigh Wave Dispersion Curves for Geological Structure[J]. Geophysical Journal International, 2002, 151(2), 622-631.
    [13] . Parker R L. Understanding Inverse Theory[J]. Annual Review of Earth and Planetary Sciences, 1977, 5(1), 35-64.
    [14] . Kumar S, Singh O P. Numerical Inversion of the Abel Integral Equation Using Homotopy Perturbation Method[J]. Ztschrift Für Naturforschung A, 2010, 65(8-9):677-682.
    [15] . Wang L Y, Ding R. Inversion and Precision Estimation of Earthquake Fault Parameters Based on Scaled Unscented Transformation and Hybrid PSO/Simplex Algorithm with GPS Measurement Data[J]. Measurement, 2020, 153:107422.
    [16] . Wang L Y, Zou C Y. Accuracy Estimation of Earthquake Source Geometry Parameters by the Sterling Interpolation Method in the Nonlinear Inversion[J]. Journal of Surveying Engineering, 2021, 147(1):04020019.
    [17] . Sadollah A, Sayyaadi H, Yadav A. A Dynamic Metaheuristic Optimization Model Inspired by Biological Nervous Systems:Neural Network Algorithm[J]. Applied Soft Computing, 2018, 71:747-782.
    [18] . Topping B H, Bahreininejad A. Neural Computing for Structural Mechanics[M]. Saxe-Coburg Publications, 1997.
    [19] . Topping B H, Khan A I, Bahreininejad A, et al. Parallel Training of Neural Networks for Finite Element Mesh Decomposition[J]. Computers & Structures, 1997, 63(4):693-707.
    [20] . Holland J H. Adaptation in Natural and Artificial Systems[M]. Michigan:University of Michigan Press, 1975.
    [21] . Stoffa P L, Sen M K. Nonlinear Multiparameter Optimization Using Genetic Algorithms:Inversion of Plane-wave Seismograms[J]. Geophysics, 1991, 56(11):1794-1810.
    [22] . Metropolis N. Equation of State Calculations by Fast Computing Machines[J]. Journal of Chemical Physics, 1953, 21:1087-1092.
    [23] . Kirkpatrick S, Gelatt C D, Vecchi M P. Optimization by Simulated Annealing[J]. Science, 1983, 220:671-681.
    [24] . Rothman D H. Nonlinear Inversion, Statistical Mechanics, and Residual Statics Estimation[J]. Geophysics, 1985, 50(12):2784-2796.
    [25] . Segall P. Earthquake and Volcano Deformation[M]. Princeton:Princeton University Press, 2010.
    [26] . Nikkhoo M, Walter T R, Lundgren P R, et al. Compound Dislocation Models (CDMs) for Volcano Deformation Analyses[J]. Geophysical Journal International, 2016, 208(2):877-894.
    [27] . Zhao Y W, Xu C J. Adaptive Multistart Gauss-Newton Approach for Geodetic Data Inversion of Earthquake Source Parameters[J]. Journal of Geodesy, 2020, 94(2), 1-18.
    [28] . Jiang Z, Wang M, Wang Y, et al. GPS Constrained Coseismic Source and Slip Distribution of the 2013 Mw6.6 Lushan, China, Earthquake and its Tectonic Implications[J]. Geophysical Research Letters, 2014, 41(2):407-413.
  • [1] 张志伟, 暴景阳, 肖付民, 辛键.  利用模拟退火算法反演多波束测量声速剖面 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160304
    [2] 冯长强, 华一新, 孙晨, 王玉晶, 张晶, 王培.  基于并行模拟退火算法的陆地划界线自动生成方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150151
    [3] 高为广, 陈谷仓.  结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法 . 武汉大学学报 ● 信息科学版,
    [4] 刘耀林, 夏寅, 刘殿锋, 洪晓峰.  基于目标规划与模拟退火算法的土地利用分区优化方法 . 武汉大学学报 ● 信息科学版,
    [5] 林雪原, 鞠建波.  利用神经网络预测的GPS/SINS组合导航系统算法研究 . 武汉大学学报 ● 信息科学版,
    [6] 刘耀林, 洪晓峰, 刘殿锋, 夏寅.  利用模拟退火算法的村镇土地利用空间优化调控模型 . 武汉大学学报 ● 信息科学版,
    [7] 聂建亮, 高为广, 张双成.  利用BP神经网络的动态精密单点定位故障诊断算法 . 武汉大学学报 ● 信息科学版,
    [8] 鲁敏, 张金芳.  栅格地形的最优路径分析 . 武汉大学学报 ● 信息科学版,
    [9] 王殊伟, 李斐, 柯宝贵, 王文睿.  基于BP神经网络算法的GPS水准高程转换 . 武汉大学学报 ● 信息科学版,
    [10] 王伟, 沈振中.  大坝统计预警模型的改进粒子群耦合方法 . 武汉大学学报 ● 信息科学版,
    [11] 高为广, 杨元喜, 张婷.  一种提高神经网络泛化能力的自适应UKF滤波算法 . 武汉大学学报 ● 信息科学版,
    [12] 桂岚, 龚健雅.  基于路径和模拟退火的交通网络优化算法研究 . 武汉大学学报 ● 信息科学版,
    [13] 舒万能, 郑世珏, 王雄.  一种基于线性变换遗传算法的VOD集群负载均衡方法 . 武汉大学学报 ● 信息科学版,
    [14] 邓红艳, 武芳, 翟仁健, 刘薇薇.  基于遗传算法的道路网综合模型 . 武汉大学学报 ● 信息科学版,
    [15] 王建梅, 覃文忠.  基于L-M算法的BP神经网络分类器 . 武汉大学学报 ● 信息科学版,
    [16] 王家耀, 邓红艳.  基于遗传算法的制图综合模型研究 . 武汉大学学报 ● 信息科学版,
    [17] 柯小平, 王勇, 许厚泽.  用遗传算法反演地壳的变密度模型 . 武汉大学学报 ● 信息科学版,
    [18] 祝国瑞, 唐旭, 王平.  模拟退火算法在动态建立基准地价模型中的应用 . 武汉大学学报 ● 信息科学版,
    [19] 杨杰, 廖明生, 江万寿, 杨文.  从单幅雷达影像提取地面高程信息 . 武汉大学学报 ● 信息科学版,
    [20] 沈未名, 张祖勋, 张剑清.  基于神经网络的影像匹配概率松弛算法 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  40
  • HTML全文浏览量:  6
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-04

模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比

doi: 10.13203/j.whugis20200217
    基金项目:

    国家自然科学基金(41874001,41664001)。

    作者简介:

    王乐洋,博士,副教授,主要研究方向为大地测量反演及大地测量数据处理。wleyang@163.com

摘要: 本文结合了蒙特卡罗方法的精度评定特点,提出了一种将偏差和中误差作为评价指标的综合评价公式,并将该公式用于模拟退火算法、基因遗传算法和神经网络算法在火山复式位错模型(CompoundDislocation Model,CDM)模型和地震Okada模型反演的精度评定中。实验结果表明:无论是基于CDM模型还是基于Okada模型,以上三种方法的参数估值差距较小,但不同方法的精度差别较大。使用蒙特卡罗方法对模拟退火、基因遗传和神经网络算法进行精度计算,本文发现:在火山CDM模型中,模拟退火和基因遗传算法计算所得部分参数中误差较大,且模拟退火和基因遗传算法综合评价值11.3988和3.9820均大于神经网络算法综合评价值3.6131。在Okada模型中,模拟退火算法所得中误差相对基因遗传算法和神经网络算法较高,且在芦山地震中,模拟退火算法的综合评价值11.6562远远大于基因遗传算法和神经网络算法的综合评价值4.0604和3.6254。通过实验可知,在本文方法下,神经网络算法的精度信息较高,结果更具有说服性,基因遗传算法次之,模拟退火算法精度较低。

English Abstract

王乐洋, 许冉冉, 靳锡波, 丁锐. 模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200217
引用本文: 王乐洋, 许冉冉, 靳锡波, 丁锐. 模拟退火算法、基因遗传算法与神经网络算法的非线性反演综合评价对比[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200217
WANG Leyang, XU Ranran, JIN Xibo, DING Rui. Comprehensive evaluation and comparison of nonlinear inversion about simulated annealing, genetic algorithm and neural network algorithm[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200217
Citation: WANG Leyang, XU Ranran, JIN Xibo, DING Rui. Comprehensive evaluation and comparison of nonlinear inversion about simulated annealing, genetic algorithm and neural network algorithm[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200217
参考文献 (28)

目录

    /

    返回文章
    返回