本發(fā)明涉及地球物理電法反演領(lǐng)域，特別涉及一種基于加權(quán)多策略蛙跳算法的超高密度電法并行反演方法。
背景技術(shù)：
：超高密度電法是在高密度電法基礎(chǔ)上發(fā)展起來的一種勘探方法，它利用多通道陣列電極系測(cè)量系統(tǒng)，在地表或井-地布設(shè)陣列電極系，采集任意電極間關(guān)于地下電阻率信息的大量實(shí)測(cè)數(shù)據(jù)，并利用先進(jìn)的正反演方法重建精確的電阻率圖像。超高密度電法是一種成本低、采集效率高、信息豐富和解釋精度高的新型勘探方法，能夠滿足對(duì)地質(zhì)體進(jìn)行高精度定位的工程需求。然而，超高密度電法反演是一個(gè)復(fù)雜的非線性函數(shù)尋優(yōu)過程，具有高維和非凸的特性。目前針對(duì)超高密度電法資料處理和解釋的方法多采用2.5維線性或擬線性反演方法，存在著依賴初始模型、易陷入局部極值、偏導(dǎo)數(shù)矩陣求解困難等問題。非線性反演方法能夠較好地解決以上問題，因此利用遺傳算法、粒子群算法和進(jìn)化算法等非線性優(yōu)化算法進(jìn)行非線性反演已經(jīng)成為了對(duì)地質(zhì)資料進(jìn)行高精度解釋的重要途徑。但是，超高密度電法的采集數(shù)據(jù)量大，反演參數(shù)多，模型搜索空間大，采用非線性反演方法的收斂速度慢，計(jì)算效率低。蛙跳算法是一種新型的群體進(jìn)化算法，兼具文化基因算法和粒子群算法的優(yōu)點(diǎn)，全局搜索和局部搜索同時(shí)進(jìn)行，收斂快且易于并行實(shí)現(xiàn)，是解決非線性反演方法計(jì)算效率問題的一種新的途徑。因此，結(jié)合超高密度電法的特點(diǎn)，對(duì)蛙跳算法進(jìn)行改進(jìn)，增強(qiáng)算法跳出局部極值的能力，提高反演算法的計(jì)算效率，快速地求解超高密度電法的反問題，獲得高質(zhì)量的解釋結(jié)果，具有重要的理論意義和廣泛的應(yīng)用前景。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種基于加權(quán)多策略蛙跳算法的超高密度電法并行反演方法，該方法通過在局部搜索中加入權(quán)重系數(shù)來增強(qiáng)算法跳出局部極值的能力，通過將最小二乘搜索策略引入到蛙跳算法的局部搜索中來實(shí)現(xiàn)多策略的局部搜索，提高算法的局部收斂速度，最后采用cuda技術(shù)并行計(jì)算各青蛙的適應(yīng)度和各模因組的局部搜索過程，提高算法的總體計(jì)算效率。為實(shí)現(xiàn)上述目標(biāo)，本發(fā)明所采用的技術(shù)方案如下：一種基于加權(quán)多策略蛙跳算法的超高密度電法并行反演方法，包括以下步驟：（1）根據(jù)反演的規(guī)模初始化蛙跳算法中青蛙的種群規(guī)模p，模因組個(gè)數(shù)m和組內(nèi)迭代次數(shù)iterl，隨機(jī)初始化蛙群，其中，每只青蛙采用實(shí)數(shù)編碼，值由勘探區(qū)域的模型參數(shù)組成；（2）根據(jù)下式計(jì)算蛙群中各個(gè)青蛙的適應(yīng)度：式中φd為數(shù)據(jù)擬合誤差，φm為正則化項(xiàng)，dpre為預(yù)測(cè)數(shù)據(jù)矢量，dobs為觀測(cè)數(shù)據(jù)矢量，λ為正則化系數(shù)，c為粗糙度矩陣，m為各青蛙代表的模型參數(shù)矢量；（3）將蛙群內(nèi)青蛙按照個(gè)體適應(yīng)度降序排列，并保存全局適應(yīng)度最優(yōu)的青蛙xg；（4）將整個(gè)蛙群分成m個(gè)模因組，每個(gè)模因組含n只青蛙，滿足關(guān)系p=m×n，具體的分組方式如下式：其中g(shù)i為第i個(gè)模因組，每個(gè)模因組內(nèi)具有最優(yōu)和最差適應(yīng)度的青蛙分別保存為xb和xw；（5）蛙群分組后分別對(duì)各模因組內(nèi)最差青蛙xw進(jìn)行局部搜索，其局部搜索的策略為：式中f為權(quán)重系數(shù)，rand為[0,1]間的獨(dú)立隨機(jī)數(shù)，t為當(dāng)前迭代次數(shù)，a為雅克比矩陣；當(dāng)進(jìn)行局部搜索時(shí)，首先采用策略1向模因組內(nèi)最優(yōu)解xb(t)的方向更新青蛙，如果得到的xw(t+1)優(yōu)于xw(t)，則取代模因組內(nèi)xw(t)，否則采用策略2向全局最優(yōu)解xg(t)的方向更新青蛙，如果得到的xw(t+1)優(yōu)于xw(t)，則取代模因組內(nèi)xw(t)，否則計(jì)算雅克比矩陣a，并采用策略3向最小二乘解的方向更新青蛙，步驟（5）反復(fù)迭代直至達(dá)到組內(nèi)迭代次數(shù)iterl；（6）當(dāng)各模因組完成局部搜索后，將所有模因組內(nèi)的青蛙進(jìn)行全局混洗，即重新混合排序，并更新全局最優(yōu)青蛙xg；（7）判斷是否滿足算法的終止條件，如果為否，則跳轉(zhuǎn)至步驟（4），如果為是，則跳轉(zhuǎn)至步驟（8）；（8）將算法此時(shí)的全局最優(yōu)青蛙xg作為反演結(jié)果輸出。本發(fā)明的方法采用基于cuda技術(shù)的gpu并行計(jì)算實(shí)現(xiàn)，其中蛙跳算法的整體反演過程為主函數(shù)，在cpu中采用串行計(jì)算的方式實(shí)現(xiàn)；各個(gè)青蛙的適應(yīng)度計(jì)算過程（步驟2）和各個(gè)模因組的局部搜索過程（步驟5）計(jì)算量大且具備并行性，因此在gpu中采用并行計(jì)算的方式實(shí)現(xiàn)。通過上述過程，本發(fā)明的方法顯著提高了超高密度電法反演的質(zhì)量和效率，具體表現(xiàn)在：（1）超高密度電法的采集數(shù)據(jù)量大，解空間復(fù)雜，傳統(tǒng)反演方法極易陷入局部極值。采用權(quán)重系數(shù)改進(jìn)蛙跳算法的局部搜索過程，能夠擴(kuò)大xw在進(jìn)化時(shí)的搜索范圍，促使反演算法跳出局部極值，搜索到高質(zhì)量的全局解，得到更準(zhǔn)確的反演結(jié)果；（2）超高密度電法反演的計(jì)算規(guī)模大，收斂緩慢和計(jì)算效率低。通過引入最小二乘搜索策略來優(yōu)化算法的收斂過程。最小二乘搜索是一種高效率的定向搜索，取代蛙跳算法中的隨機(jī)搜索后，能夠提高局部搜索的收斂速度，促使算法快速收斂；（3）利用蛙跳算法的并行特征，采用cuda技術(shù)進(jìn)行g(shù)pu并行加速，能夠高效地進(jìn)行細(xì)粒度并行計(jì)算，使得算法的計(jì)算效率整體顯著提高。附圖說明圖1是本發(fā)明基于加權(quán)多策略蛙跳算法的超高密度電法并行反演方法的流程圖。圖2是本發(fā)明適應(yīng)度計(jì)算的流程圖。圖3是本發(fā)明多策略局部搜索的流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)闡述，附圖作為本發(fā)明的一部分，表示了本發(fā)明的一種具體實(shí)現(xiàn)。如圖1所示，本發(fā)明提供了一種基于加權(quán)多策略蛙跳算法的超高密度電法并行反演方法，具體包括以下步驟：（1）根據(jù)反演的規(guī)模初始化蛙跳算法中青蛙的維數(shù)d，種群規(guī)模p，模因組個(gè)數(shù)m和組內(nèi)迭代次數(shù)iterl，隨機(jī)初始化蛙群，其中，每只青蛙采用實(shí)數(shù)編碼，值由勘探區(qū)域的模型參數(shù)組成；（2）根據(jù)下式計(jì)算蛙群中各個(gè)青蛙的適應(yīng)度：式中φd為數(shù)據(jù)擬合誤差，φm為正則化項(xiàng)，dpre為預(yù)測(cè)數(shù)據(jù)矢量，dobs為觀測(cè)數(shù)據(jù)矢量，λ為正則化系數(shù)，c為粗糙度矩陣，m為各青蛙代表的模型參數(shù)矢量；具體的適應(yīng)度計(jì)算過程如圖2所示，首先根據(jù)青蛙的模型參數(shù)矢量m調(diào)用有限體積法正演得到各電極的電位矩陣，然后根據(jù)超高密度電法的電極排列方式計(jì)算預(yù)測(cè)數(shù)據(jù)矢量dpre，并根據(jù)數(shù)據(jù)預(yù)測(cè)矢量dpre和已知的觀測(cè)數(shù)據(jù)矢量dobs計(jì)算數(shù)據(jù)擬合誤差，然后根據(jù)粗糙度矩陣c和模型參數(shù)矢量m計(jì)算正則化項(xiàng)，最后根據(jù)數(shù)據(jù)擬合誤差φd和正則化項(xiàng)φm結(jié)合正則化系數(shù)λ計(jì)算青蛙的適應(yīng)度；（3）將蛙群內(nèi)青蛙按照個(gè)體適應(yīng)度降序排列，并保存全局適應(yīng)度最優(yōu)的青蛙xg；（4）將整個(gè)蛙群分成m個(gè)模因組，每個(gè)模因組含n只青蛙，滿足關(guān)系p=m×n，具體的分組方式如下式：其中g(shù)i為第i個(gè)模因組，每個(gè)模因組內(nèi)具有最優(yōu)和最差適應(yīng)度的青蛙分別保存為xb和xw；（5）蛙群分組后分別對(duì)各模因組內(nèi)最差青蛙xw進(jìn)行局部搜索，其局部搜索的策略為：式中f為權(quán)重系數(shù)，用于擴(kuò)大xw的搜索空間，增強(qiáng)算法跳出局部極值的能力，rand為[0,1]間的獨(dú)立隨機(jī)數(shù)，t為當(dāng)前迭代次數(shù)，a為雅克比矩陣；如圖3所示，當(dāng)進(jìn)行模因組內(nèi)局部搜索時(shí)，首先采用策略1向模因組內(nèi)最優(yōu)解xb(t)的方向更新青蛙，如果得到的xw(t+1)優(yōu)于xw(t)，則取代模因組內(nèi)xw(t)，否則采用策略2向全局最優(yōu)解xg(t)的方向更新青蛙，如果得到的xw(t+1)優(yōu)于xw(t)，則取代模因組內(nèi)xw(t)，否則計(jì)算雅克比矩陣a，并采用策略3向最小二乘解的方向更新青蛙，結(jié)束本次模因組內(nèi)局部搜索；最后判斷是否達(dá)到組內(nèi)局部搜索迭代次數(shù)iterl，如果為否，則繼續(xù)執(zhí)行步驟（5），如果為是，則跳轉(zhuǎn)至步驟（6）；（6）當(dāng)各模因組完成局部搜索后，將所有模因組內(nèi)的青蛙進(jìn)行全局混洗，即重新混合排序，并更新全局最優(yōu)青蛙xg；（7）判斷是否滿足算法的終止條件，如果為否，則跳轉(zhuǎn)至步驟（4），如果為是，則跳轉(zhuǎn)至步驟（8）；（8）將算法此時(shí)的全局最優(yōu)青蛙xg作為反演結(jié)果輸出。本發(fā)明的方法采用基于cuda技術(shù)的gpu并行計(jì)算實(shí)現(xiàn)，其中蛙跳算法的整體反演過程為主函數(shù)，在cpu中采用串行計(jì)算的方式實(shí)現(xiàn)；各個(gè)青蛙的適應(yīng)度計(jì)算過程（步驟2）和各個(gè)模因組的局部搜索過程（步驟5）計(jì)算量大且具備獨(dú)立并行性，因此在gpu中采用并行計(jì)算的方式實(shí)現(xiàn)。其中g(shù)pu計(jì)算部分已在圖1中標(biāo)出。圖2描述了適應(yīng)度計(jì)算時(shí)的cuda并行線程劃分，其中每個(gè)青蛙啟用一個(gè)獨(dú)立的線程，一共劃分p個(gè)并行線程；圖3描述了多策略局部搜索時(shí)的cuda并行線程劃分，其中每個(gè)模因組啟用一個(gè)獨(dú)立的線程，一共劃分m個(gè)并行線程。本實(shí)施例采用一個(gè)經(jīng)典模型來驗(yàn)證加權(quán)多策略蛙跳算法的反演有效性。所選用的模型包含2個(gè)100ωm的高阻異常體，大小均為2m×4m，異常體位于勘探區(qū)域的中間，頂部埋深分別為1m和5m，背景電阻率為10ωm。超高密度電法的電極個(gè)數(shù)為30，電極距為1m。蛙跳算法的反演參數(shù)為：p=30，m=6，n=5，iterl=10，f=1.3。本實(shí)施例的具體執(zhí)行過程如下：首先放置好電極，設(shè)定電極距，并設(shè)定超高密度電法的電極矩陣，采集觀測(cè)數(shù)據(jù)。然后將觀測(cè)數(shù)據(jù)讀取至計(jì)算機(jī)中。計(jì)算機(jī)開始在cpu中執(zhí)行本發(fā)明提出的加權(quán)多策略蛙跳算法，當(dāng)進(jìn)行適應(yīng)度計(jì)算和局部搜索時(shí)，cpu調(diào)用對(duì)應(yīng)的gpu并行計(jì)算模塊來實(shí)現(xiàn)高效計(jì)算。以上適應(yīng)度計(jì)算和局部搜索的并行計(jì)算模塊均可通過調(diào)用或修改gpu廠商提供的cuda函數(shù)庫中已封裝好的函數(shù)實(shí)現(xiàn)。算法反復(fù)迭代直到滿足算法終止條件時(shí)，輸出反演結(jié)果。本實(shí)施例中用于反演的計(jì)算環(huán)境如下:cpu為i7-6500u,內(nèi)存為8gb，gpu為gtx960m，操作系統(tǒng)為windows8.1。在上述環(huán)境中，標(biāo)準(zhǔn)蛙跳算法和加權(quán)多策略蛙跳算法的反演性能比較如表１所示：算法名稱反演數(shù)據(jù)誤差計(jì)算時(shí)間（分鐘）并行計(jì)算時(shí)間（分鐘）標(biāo)準(zhǔn)蛙跳算法3.23633105加權(quán)多策略蛙跳算法1.8447549表1表1中采用均方誤差mse（meansquareerror）來衡量反演的數(shù)據(jù)誤差。由表１可知，加權(quán)多策略蛙跳算法的反演數(shù)據(jù)誤差小于標(biāo)準(zhǔn)蛙跳算法，這是因?yàn)闄?quán)重系數(shù)f的加入，提高了加權(quán)多策略蛙跳算法模因組內(nèi)最差青蛙xw的搜索范圍，增強(qiáng)了算法跳出局部極值的能力。同時(shí)加權(quán)多策略蛙跳算法的計(jì)算時(shí)間小于標(biāo)準(zhǔn)蛙跳算法的計(jì)算時(shí)間，說明最小二乘策略的加入提高了算法的收斂速度。最后，對(duì)于兩種蛙跳算法，采用并行計(jì)算后的計(jì)算時(shí)間均遠(yuǎn)小于未采用并行計(jì)算的計(jì)算時(shí)間，尤其是加權(quán)多策略蛙跳算法，采用并行計(jì)算優(yōu)化后僅耗時(shí)49分鐘，說明本發(fā)明的cuda并行計(jì)算方法顯著提高了反演過程的計(jì)算效率，具有很好的加速效果。以上所述僅為本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的技術(shù)人員，在不脫離本發(fā)明原理的前提下，可對(duì)上述技術(shù)內(nèi)容做出若干修改或修飾，但凡未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施方式所做的任何簡(jiǎn)單修改或修飾，均仍屬于本發(fā)明的保護(hù)范圍。當(dāng)前第1頁12