本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種地形的模擬退火反演求解方法、裝置、設備及介質(zhì)。

背景技術：

1、parker-oldenburg反演方法在地殼結(jié)構(gòu)研究中占據(jù)核心位置，但其技術上的局限性和不足同樣顯著，主要如下：

2、第一，首要缺陷在于，傳統(tǒng)技術方法在處理反演過程的關鍵參數(shù)——密度差與深度時，采取了簡化的線性化假設，即將這些參數(shù)視為恒定值。這種處理方式忽視了地下介質(zhì)復雜的非線性相互作用，進而限制了反演生成的海底地形數(shù)據(jù)的精確性，難以精準再現(xiàn)真實的地質(zhì)結(jié)構(gòu)細節(jié)。

3、第二，在尋找parker-oldenburg反演的最優(yōu)參數(shù)時，當前主流做法依賴于遺傳算法。然而，這些算法中的交叉與變異機制設計并未完全契合反演問題的獨特性質(zhì)，導致求解過程效率低下，且求解精度在不同情況下波動顯著，難以穩(wěn)定地達到高質(zhì)量的反演效果。

4、第三，從計算效能與自動化操作的角度來看，現(xiàn)有技術方案也面臨嚴峻挑戰(zhàn)。由于整個計算過程涉及龐大的數(shù)據(jù)處理量，且缺乏一個高效集成的執(zhí)行平臺來優(yōu)化和協(xié)調(diào)計算流程，使得地形反演的自動化進程步履維艱。這不僅推高了人工操作的成本，還削弱了反演結(jié)果的精確度和實用性，導致最終生成的地形模型相對粗糙，難以滿足高精度地質(zhì)勘探與研究工作的需求。

技術實現(xiàn)思路

1、本發(fā)明旨在至少在一定程度上解決相關技術局限性問題。為此，本發(fā)明提出一種地形的模擬退火反演求解方法、裝置、設備及介質(zhì)，能夠高效準確進行地形的模擬退火反演求解。

2、一方面，本發(fā)明實施例提供了一種地形的模擬退火反演求解方法，包括：

3、初始化向量集合、第一適應度值和初始溫度；將初始溫度作為退火溫度；其中，向量集合中包括預設數(shù)量的預測向量；

4、遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估，得到每個預測向量用于預測地區(qū)進行反演求解的適應度函數(shù)值；

5、其中，反演求解的結(jié)果為預測地區(qū)的預測地形數(shù)據(jù)；適應度函數(shù)值的數(shù)值大小與預測向量用于預測地區(qū)進行反演求解的適應性程度負相關；

6、當向量集合中存在預測向量對應的適應度函數(shù)值小于迭代最優(yōu)閾值，將相應的預測向量輸出作為最優(yōu)預測向量；否則，

7、根據(jù)適應度函數(shù)值確定每個預測向量的優(yōu)秀程度，基于優(yōu)秀程度，對向量集合中的預測向量進行隨機概率的選擇操作，根據(jù)選擇操作的選擇結(jié)果更新向量集合；進而將向量集合對應的最小的適應度函數(shù)值作為第二適應度值；優(yōu)秀程度與適應度函數(shù)值的數(shù)值大小負相關；

8、當?shù)诙m應度值大于或等于第一適應度值，基于退火溫度，對向量集合中的預測向量進行隨機概率的變異操作，根據(jù)變異操作的變異結(jié)果更新向量集合；否則，通過第二適應度值更新第一適應度值；

9、基于第二適應度值，對向量集合中的預測向量進行隨機概率的交叉操作，根據(jù)交叉操作的交叉結(jié)果更新向量集合；

10、基于預設的溫度衰減率對退火溫度進行溫度衰減處理，根據(jù)溫度衰減處理的衰減結(jié)果更新退火溫度；

11、當退火溫度大于或等于預設的終止溫度，返回執(zhí)行遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估的步驟，直至退火溫度小于終止溫度，根據(jù)最后一次更新的向量集合輸出最優(yōu)預測向量；

12、根據(jù)最優(yōu)預測向量通過反演求解對應得到的預測地形數(shù)據(jù)作為預測地區(qū)的地形求解結(jié)果。

13、在一些實施例中，初始化向量集合，包括以下步驟至少之一：

14、獲得預設的標準向量值，在標準向量值附近隨機生成預設數(shù)量的預測向量；

15、在目標區(qū)間內(nèi)隨機生成預設數(shù)量的預測向量；目標區(qū)間表示預測向量的取值范圍；

16、響應于人工設置指令直接獲得預設數(shù)量的預測向量。

17、在一些實施例中，遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估，得到每個預測向量用于預測地區(qū)進行反演求解的適應度函數(shù)值，包括以下步驟：

18、依次遍歷向量集合中的預測向量，通過parker-oldenburg反演方法求解得到每個預測向量對應反演求解得到的預測地區(qū)的預測地形數(shù)據(jù)；

19、基于預測地形數(shù)據(jù)，結(jié)合預測地區(qū)的地震深度矩陣進行均方根計算，得到均方根值作為對應的預測向量用于預測地區(qū)進行反演求解的適應性程度的適應度函數(shù)值。

20、在一些實施例中，將相應的預測向量輸出作為最優(yōu)預測向量，包括以下步驟：

21、當向量集合中存在一個預測向量對應的適應度函數(shù)值小于迭代最優(yōu)閾值，將預測向量直接輸出作為最優(yōu)預測向量；

22、當向量集合中存在多個預測向量對應的適應度函數(shù)值小于迭代最優(yōu)閾值，將最小的適應度函數(shù)值對應的預測向量輸出作為最優(yōu)預測向量。

23、在一些實施例中，基于優(yōu)秀程度，對向量集合中的預測向量進行隨機概率的選擇操作，包括以下步驟：

24、對向量集合中所有預測向量對應的優(yōu)秀程度進行歸一化處理，得到每個預測向量對應的歸一化優(yōu)秀程度；

25、其中，優(yōu)秀程度的表達式為：

26、

27、式中，e表示自然常數(shù)；rms表示適應度函數(shù)值；miniterdelt表示迭代最優(yōu)閾值；nowtemp表示退火溫度；

28、基于向量集合中所有預測向量對應的歸一化優(yōu)秀程度，整理得到優(yōu)秀程度數(shù)組；

29、其中，優(yōu)秀程度數(shù)組中第n個元素的數(shù)值為向量集合中第一個預測向量到第n個預測向量對應的所有歸一化優(yōu)秀程度的累加和；

30、在第一區(qū)間內(nèi)生成一個隨機數(shù)作為選擇概率；

31、在優(yōu)秀程度數(shù)組中順序遍歷尋找首個大于選擇概率的元素作為目標元素；

32、根據(jù)目標元素的元素編號從向量集合中選擇對應的預測向量作為更新向量，返回執(zhí)行在第一區(qū)間內(nèi)生成一個隨機數(shù)作為選擇概率的步驟，直至從向量集合中選擇了預設數(shù)量的更新向量；

33、將預設數(shù)量的更新向量作為選擇操作的選擇結(jié)果。

34、在一些實施例中，預測向量包括密度差和深度兩類反演參數(shù)；基于退火溫度，對向量集合中的預測向量進行隨機概率的變異操作，包括以下步驟：

35、基于退火溫度，結(jié)合第一適應度值和第二適應度值計算得到變異概率；

36、其中，變異概率的表達式為：

37、

38、式中，mutationrate表示變異概率；e表示自然常數(shù)；rms1表示第一適應度值；rms2表示第二適應度值；nowtemp表示退火溫度；

39、在第二區(qū)間內(nèi)生成一個隨機數(shù)作為變異判定概率；將變異循環(huán)次數(shù)加1；

40、當變異判定概率小于預設的變異概率，從向量集合中隨機取出一個預測向量作為變異預測向量；

41、在目標區(qū)間內(nèi)對變異預測向量中的任一反演參數(shù)進行數(shù)值變異，將數(shù)值變異后的預測向量放回向量集合；目標區(qū)間表示預測向量的取值范圍；

42、返回執(zhí)行在第二區(qū)間內(nèi)生成一個隨機數(shù)作為變異判定概率的步驟，直至變異循環(huán)次數(shù)等于預設數(shù)量，得到變異操作的變異結(jié)果；

43、其中，變異循環(huán)次數(shù)初始化為0。

44、在一些實施例中，預測向量包括密度差和深度兩類反演參數(shù)；基于第二適應度值，對向量集合中的預測向量進行隨機概率的交叉操作，包括以下步驟：

45、基于第二適應度值，結(jié)合迭代最優(yōu)閾值和預設數(shù)量計算得到交叉次數(shù)；

46、其中，交叉次數(shù)的表達式為：

47、

48、式中，crosscnt表示交叉次數(shù)；random(x)表示生成在[0,x]的隨機值；rms2表示第二適應度值；miniterdelt表示迭代最優(yōu)閾值；maxpredcnt表示預設數(shù)量；

49、在第三區(qū)間內(nèi)生成一個隨機數(shù)作為交叉判定概率；將交叉循環(huán)次數(shù)加1；

50、當交叉判定概率小于預設的交叉算子概率，從向量集合中隨機獲取兩個預測向量作為交叉向量；交叉向量包括第一向量和第二向量；

51、對第一向量和第二向量中的至少一類反演參數(shù)進行數(shù)值加權(quán)交叉，將數(shù)值加權(quán)交叉后的預測向量放回向量集合；

52、返回執(zhí)行在第三區(qū)間內(nèi)生成一個隨機數(shù)作為交叉判定概率的步驟，直至交叉循環(huán)次數(shù)等于交叉次數(shù)，得到交叉操作的交叉結(jié)果；

53、其中，交叉循環(huán)次數(shù)初始化為0。

54、另一方面，本發(fā)明實施例提供了一種地形的模擬退火反演求解裝置，包括：

55、第一模塊，用于初始化向量集合、第一適應度值和初始溫度；將初始溫度作為退火溫度；其中，向量集合中包括預設數(shù)量的預測向量；

56、第二模塊，用于遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估，得到每個預測向量用于預測地區(qū)進行反演求解的適應度函數(shù)值；

57、其中，反演求解的結(jié)果為預測地區(qū)的預測地形數(shù)據(jù)；適應度函數(shù)值的數(shù)值大小與預測向量用于預測地區(qū)進行反演求解的適應性程度負相關；

58、第三模塊，用于當向量集合中存在預測向量對應的適應度函數(shù)值小于迭代最優(yōu)閾值，將相應的預測向量輸出作為最優(yōu)預測向量；否則，

59、第四模塊，用于根據(jù)適應度函數(shù)值確定每個預測向量的優(yōu)秀程度，基于優(yōu)秀程度，對向量集合中的預測向量進行隨機概率的選擇操作，根據(jù)選擇操作的選擇結(jié)果更新向量集合；進而將向量集合對應的最小的適應度函數(shù)值作為第二適應度值；優(yōu)秀程度與適應度函數(shù)值的數(shù)值大小負相關；

60、第五模塊，用于當?shù)诙m應度值大于或等于第一適應度值，基于退火溫度，對向量集合中的預測向量進行隨機概率的變異操作，根據(jù)變異操作的變異結(jié)果更新向量集合；否則，通過第二適應度值更新第一適應度值；

61、第六模塊，用于基于第二適應度值，對向量集合中的預測向量進行隨機概率的交叉操作，根據(jù)交叉操作的交叉結(jié)果更新向量集合；

62、第七模塊，用于基于預設的溫度衰減率對退火溫度進行溫度衰減處理，根據(jù)溫度衰減處理的衰減結(jié)果更新退火溫度；

63、第八模塊，用于當退火溫度大于或等于預設的終止溫度，返回執(zhí)行遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估的步驟，直至退火溫度小于終止溫度，根據(jù)最后一次更新的向量集合輸出最優(yōu)預測向量；

64、第九模塊，用于根據(jù)最優(yōu)預測向量通過反演求解對應得到的預測地形數(shù)據(jù)作為預測地區(qū)的地形求解結(jié)果。

65、另一方面，本發(fā)明實施例提供了一種電子設備，包括：處理器以及存儲器；存儲器用于存儲程序；處理器執(zhí)行程序?qū)崿F(xiàn)上述地形的模擬退火反演求解方法。

66、另一方面，本發(fā)明實施例提供了一種計算機存儲介質(zhì)，其中存儲有處理器可執(zhí)行的程序，處理器可執(zhí)行的程序在由處理器執(zhí)行時用于實現(xiàn)上述地形的模擬退火反演求解方法。

67、本發(fā)明實施例初始化向量集合、第一適應度值和初始溫度；將初始溫度作為退火溫度；其中，向量集合中包括預設數(shù)量的預測向量；遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估，得到每個預測向量用于預測地區(qū)進行反演求解的適應度函數(shù)值；其中，反演求解的結(jié)果為預測地區(qū)的預測地形數(shù)據(jù)；適應度函數(shù)值的數(shù)值大小與預測向量用于預測地區(qū)進行反演求解的適應性程度負相關；當向量集合中存在預測向量對應的適應度函數(shù)值小于迭代最優(yōu)閾值，將相應的預測向量輸出作為最優(yōu)預測向量；否則，根據(jù)適應度函數(shù)值確定每個預測向量的優(yōu)秀程度，基于優(yōu)秀程度，對向量集合中的預測向量進行隨機概率的選擇操作，根據(jù)選擇操作的選擇結(jié)果更新向量集合；進而將向量集合對應的最小的適應度函數(shù)值作為第二適應度值；優(yōu)秀程度與適應度函數(shù)值的數(shù)值大小負相關；當?shù)诙m應度值大于或等于第一適應度值，基于退火溫度，對向量集合中的預測向量進行隨機概率的變異操作，根據(jù)變異操作的變異結(jié)果更新向量集合；否則，通過第二適應度值更新第一適應度值；基于第二適應度值，對向量集合中的預測向量進行隨機概率的交叉操作，根據(jù)交叉操作的交叉結(jié)果更新向量集合；基于預設的溫度衰減率對退火溫度進行溫度衰減處理，根據(jù)溫度衰減處理的衰減結(jié)果更新退火溫度；當退火溫度大于或等于預設的終止溫度，返回執(zhí)行遍歷向量集合中所有預測向量進行預測地區(qū)的反演求解和適應度評估的步驟，直至退火溫度小于終止溫度，根據(jù)最后一次更新的向量集合輸出最優(yōu)預測向量；根據(jù)最優(yōu)預測向量通過反演求解對應得到的預測地形數(shù)據(jù)作為預測地區(qū)的地形求解結(jié)果。本發(fā)明實施例通過多維起始搜索與遺傳算法優(yōu)化機制的創(chuàng)新結(jié)合，實現(xiàn)了預測精度與效率的雙重提升，具有顯著的技術先進性和廣泛的應用前景。本發(fā)明包括有益效果如下：預測性能顯著提升：多維起始搜索與遺傳算法優(yōu)化機制的融合，使得本方案在復雜、多變的預測任務中展現(xiàn)出卓越的性能，預測精度與穩(wěn)定性均得到大幅提升。計算效率優(yōu)化：動態(tài)變異概率調(diào)節(jié)機制有效減少了不必要的計算開銷，加速了收斂過程，使得本方案在保持高精度預測的同時，也具備較高的計算效率。本發(fā)明實施例能夠高效準確進行地形的模擬退火反演求解。