论文部分内容阅读
[摘 要]针对目前射线追踪法的局限与不足，本文尝试以一种新的方法模拟两点间射线追踪，并以层状介质为模型编制程序。
[关键词]射线追踪；遗传算法；层状介质
中图分类号：O434.1
1前言
射线追踪作为一种快速高效的波场近似计算方法，是波速反演的基础，在正演模拟、层析成像及其他诸多领域都扮演了重要角色。传统的两点射线追踪方法主要是试射法和弯曲法。试射法是将射线追踪子程序放入迭代循环内，通过确定源和接收点位置来获得射线。弯曲法则先猜测初始的射线路径，然后反复扰动，直到满足合适的微分方程。以上两种方法各有优点，但都存在着计算效率低，阴影区域射线覆盖不足的缺点。对于横向不均匀介质和多值走时问题，两种方法均难以很好解决。为了弥补现有方法的不足，本文尝试探讨遗传算法在两点射线追踪中的应用。
2 遗传算法运行机制
遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。
遗传算法从从代表问题潜在解的一个初始种群开始，将种群中每个个体进行二进制编码，仿照生物学的遗传算子思想，将个体之间进行组合交叉和变异，然后根据个体的适应度挑选优胜个体，产生新的种群。按照优胜劣汰的原则，逐代进化出越来越好的近似解。
3算法的设计与实现
我们以三层层状介质为例建立模型进行两点射线追踪。设三层的层速度分别
为：v1=2000m/s，v2=2300m/s，v3=2700m/s. 波从震源点出发，经过两个层界面，
交点分别为A、B，到达检波器。根据遗传算法的思想我们设A点坐标为
[var（0） ，var（1） ，var（2）]，B点坐标为[var（3） ，var（4） ，var（5）]，求最小旅行时。
编制程序的主要流程可概括为：数据结构和遗传算法参数设置、参数初始化并产生初始种群、设计适应度函数并解码、遗传操作设计（选择、交叉、变异）、编制主程序。在运行遗传算法程序时，需要对一些参数做事先选择。对于具体问题而言，衡量参数设置恰当与否，要依据多次运行的收敛情况和解的质量来判断。根据本例的实际情况，我们设置了如下的参数：种群大小（popsize）=100； 变量个数（nvars）=6； 最大进化代数（maxgens）=300 交叉率（pxover）=0.8； 变异率（pmutation）=0.1.
4 模拟结果分析
程序运行结果如下
generation
number
best
value
average
fitness
standard
deviation
1
4.588
4.534
0.037
2
4.588
4.540
0.036
3
4.588
4.538
0.036
4
4.589
4.535
0.036
5
4.589
4.538
0.036
6
4.591
4.536
0.037
7
4.591
4.543
0.033
…
…
…
…
128
4.592
4.557
0.022
129
4.592
4.555
0.025
130
4.592
4.556
0.025
…
…
…
…
299
4.592
4.551
0.031
从average fitness（平均适应度）的演变中，可以看出种群总体上向着最优值进化，在运行到128代时获得最佳个体。
Best member： var（0） = 74.255；var（1） = 65.285；var（2） = 295.830；var（3） = 175.616；var（4） = 169.935；var（5） = 595.330；Best fitness = 4.592.
上述问问题中A、B坐标的最优解为：
A（74.255，65.285，295.830）， B（175.616，169.935，595.330）。
5结论
经过调试，程序得以正常运行，并快速得到最优解，最优解与实际相符，符合预期效果。该程序以其占用空间小、高效、精确的特点，有效弥补了当前方法的不足，证明遗传算法可成功应用于两点间的射线追踪，有着广泛的应用前景。
参考文献
[1] 王小平，曹立明.《遗传算法-理论、应用与软件实现》[M].西安：西安交通大学
出版社，2002.
[2] 穆艳玲.遗传算法程序设计与探讨[J].计算机与信息技术.2008，04.
[3] 董世泰，高红霞.微地震监测技术及其在油田开发中的应用[J].石油仪器.2004.05
[关键词]射线追踪；遗传算法；层状介质
中图分类号：O434.1
1前言
射线追踪作为一种快速高效的波场近似计算方法，是波速反演的基础，在正演模拟、层析成像及其他诸多领域都扮演了重要角色。传统的两点射线追踪方法主要是试射法和弯曲法。试射法是将射线追踪子程序放入迭代循环内，通过确定源和接收点位置来获得射线。弯曲法则先猜测初始的射线路径，然后反复扰动，直到满足合适的微分方程。以上两种方法各有优点，但都存在着计算效率低，阴影区域射线覆盖不足的缺点。对于横向不均匀介质和多值走时问题，两种方法均难以很好解决。为了弥补现有方法的不足，本文尝试探讨遗传算法在两点射线追踪中的应用。
2 遗传算法运行机制
遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。
遗传算法从从代表问题潜在解的一个初始种群开始，将种群中每个个体进行二进制编码，仿照生物学的遗传算子思想，将个体之间进行组合交叉和变异，然后根据个体的适应度挑选优胜个体，产生新的种群。按照优胜劣汰的原则，逐代进化出越来越好的近似解。
3算法的设计与实现
我们以三层层状介质为例建立模型进行两点射线追踪。设三层的层速度分别
为：v1=2000m/s，v2=2300m/s，v3=2700m/s. 波从震源点出发，经过两个层界面，
交点分别为A、B，到达检波器。根据遗传算法的思想我们设A点坐标为
[var（0） ，var（1） ，var（2）]，B点坐标为[var（3） ，var（4） ，var（5）]，求最小旅行时。
编制程序的主要流程可概括为：数据结构和遗传算法参数设置、参数初始化并产生初始种群、设计适应度函数并解码、遗传操作设计（选择、交叉、变异）、编制主程序。在运行遗传算法程序时，需要对一些参数做事先选择。对于具体问题而言，衡量参数设置恰当与否，要依据多次运行的收敛情况和解的质量来判断。根据本例的实际情况，我们设置了如下的参数：种群大小（popsize）=100； 变量个数（nvars）=6； 最大进化代数（maxgens）=300 交叉率（pxover）=0.8； 变异率（pmutation）=0.1.
4 模拟结果分析
程序运行结果如下
generation
number
best
value
average
fitness
standard
deviation
1
4.588
4.534
0.037
2
4.588
4.540
0.036
3
4.588
4.538
0.036
4
4.589
4.535
0.036
5
4.589
4.538
0.036
6
4.591
4.536
0.037
7
4.591
4.543
0.033
…
…
…
…
128
4.592
4.557
0.022
129
4.592
4.555
0.025
130
4.592
4.556
0.025
…
…
…
…
299
4.592
4.551
0.031
从average fitness（平均适应度）的演变中，可以看出种群总体上向着最优值进化，在运行到128代时获得最佳个体。
Best member： var（0） = 74.255；var（1） = 65.285；var（2） = 295.830；var（3） = 175.616；var（4） = 169.935；var（5） = 595.330；Best fitness = 4.592.
上述问问题中A、B坐标的最优解为：
A（74.255，65.285，295.830）， B（175.616，169.935，595.330）。
5结论
经过调试，程序得以正常运行，并快速得到最优解，最优解与实际相符，符合预期效果。该程序以其占用空间小、高效、精确的特点，有效弥补了当前方法的不足，证明遗传算法可成功应用于两点间的射线追踪，有着广泛的应用前景。
参考文献
[1] 王小平，曹立明.《遗传算法-理论、应用与软件实现》[M].西安：西安交通大学
出版社，2002.
[2] 穆艳玲.遗传算法程序设计与探讨[J].计算机与信息技术.2008，04.
[3] 董世泰，高红霞.微地震监测技术及其在油田开发中的应用[J].石油仪器.2004.05