论文部分内容阅读
基于量子理论和遗传算法的量子遗传算法(Quantum Genetic Algorithm，简称QGA)，用量子概率幅编码代替常规遗传算法的二进制等编码，使得种群规模缩小，但种群多样性增加，同时利用量子逻辑门实现染色体的演化，实现了比常规遗传算法更好的效果。本文在应用量子遗传算法进行大地电磁反演过程中，发现常规量子遗传算法一定程度上仍然存在陷入局部极值的缺点，因此，本文在对常规量子遗传算法深入研究的基础上，对其进行了改进。引进模拟退火算法中退火温度的思想改进量子搜索步长，借鉴生物界中绝大多数生物体一定概率上产生“多胞胎”后代的演化规律，在一定概率范围内增加量子染色体后代的数量，“多胞胎”内采取“优胜劣汰”竞争法则，保留最优个体，同时引进搜索空间的“弹性机制”，使得量子染色体在一个自动调整的搜索空间内演化，很大程度上降低了量子遗传算法陷入局部极值的概率。将改进后的量子遗传算法应用于MT一维两层D型模型的反演，通过与常规量子遗传算法在最优值和平均值的比较，证明了改进后的量子遗传算法具有更好的寻优性能。
MT的二维反演比一维反演更复杂，计算量更大，它是对多个测点在二维尺度内的同时反演。为了减小反演的难度，本文引进滑动子空间思想，一列网格对应一个测点，每次子空间只滑动一列网格，于是子空间的大小转化为测点个数的多少。最常见的滑动子空间方法就是用单个测点进行一维反演，也就是常见的拟二维反演，如果子空间长度与模型长度相同，就成为全空间二维反演。在反演中只拟合子空间内中间测点的视电阻率观测数据，得到中间测点准确的反演结果，同时保留其它测点准确性较差的结果，于是最终的反演结果包括两部分：一部分作为子空间中心时反演得到的比较准确的结果，另一部分作为子空间边缘网格时准确性较差的结果。这两部分结果按照一定的比例进行叠加，提高了结果的准确性和合理性。按照滑动子空间思路，本文对一个整体区域为20×16矩形网格剖分、异常体区域为6×4网格范围的低阻二维模型进行了数值试验。基于对TE和TM模式视电阻率等值线的分析以及实际应用中确定异常体的横向范围重于其纵向范围的考虑，确定子空间大小分别为五个测点和七个测点，TE和TM两种极化模式的视电阻率误差比重分别为0.1和0.9，0.2和0.8，0.3和0.7，0.4和0.6，0.5和0.5。为了减少直接二维反演的盲目性，首先对TE和TM模式的视电阻率数据进行一维反演，得到异常体的大致横向和纵向范围，再进行精确的二维反演。结果表明，当子空间大小为五个测点，权重比为0.4和0.6时效果最佳，数据误差小于0.4％。本文在CPU为Intel(R)Core(TM)2CPUT5500，主频1.66GHz，内存为1GB的计算机环境下，应用MATLAB7.1进行编程，每次反演大约需要10-20个小时。
在此基础上，应用基于子空间的量子遗传算法对几个简单的二维地电模型(低阻+高阻横向排列、低阻+高阻纵向排列、高阻+低阻纵向排列)进行了反演，得到了异常体比较准确的电阻率值和空间范围，进一步说明了将改进的量子遗传算法应用于基于子空间的二维大地电磁反演的可行性和有效性。
总结本文的工作，成功将量子遗传算法应用于基于子空间的二维大地电磁的反演，充分说明了量子遗传算法的高效性和较好的全局收敛性，以及不依赖于初值的优点，是一种值得推广应用的最优化反演方法。
本文的二维滑动子空间QGA反演，相对于模型整体来说还只是进行了一次完全反演，由于时间有限，还未进行二次甚至多次反演。另外，一次整体反演的时间较长，因此需要大力发展并行算法，并对算法进行优化改进，以提高算法的实用性。