Отправлено: 18.08.19 08:01. Заголовок: Тамбовский волк товарищ в глобальном поиске? ;-))

Grey wolf optimisation for inversion of layered earth geophysical datasetsNormal access
Authors: A. Chandra, A. Agarwal, S. Shalivahan and R.K. Singh
Journal name: Near Surface Geophysics
Issue: Vol 15, No 5, October 2017 pp. 499 - 513
DOI: 10.3997/1873-0604.2017017
Language: English

Geophysical observables using optimisation algorithms are interpreted in terms of physical properties defining the Earth. The field of optimisation is a dynamic field as no single algorithm can solve all optimisation problems. We implement the grey wolf algorithm, an apex predator-based method, in optimizing geophysical datasets over layered earth. The grey wolf optimiser is a swarm-based metaheuristic algorithm and has two extremely interesting social practices, viz., social leadership hierarchy and hunting behaviour. The leadership hierarchy is simulated by employing different types of grey wolves where hunting strategies are implemented as optimisation methods. Global minimum from the grey wolf optimiser has been obtained with a pack of 7 wolves and 1500 iterations. To evaluate the efficacy of the grey wolf optimiser, we performed inversion on noise-contaminated vertical electrical sounding (apparent resistivity), induced polarisation sounding (apparent chargeability), and magnetotelluric apparent resistivity data. Subsequently, we implemented grey wolf optimisation on field apparent resistivity, apparent chargeability, and magnetotelluric apparent resistivity data adapted from published literature. Both the noise-contaminated synthetic and field data have been compared with popular population-based algorithms, i.e., particle swarm optimisation and ant colony optimisation and with a local optimisation algorithm—ridge regression. The sensitivity analysis was performed by inverting the noise-contaminated datasets using the grey wolf optimiser, particle swarm optimisation and ant colony optimisation with six different search space. It is observed that the grey wolf optimiser is least sensitive to varied search space. The results obtained from the grey wolf optimiser as compared with other techniques are relatively more stable and the obtained normalised RMS is either less or equal with ridge regression, particle swarm optimisation, or ant colony optimisation. This is due to the fact that the grey wolf optimiser does not converge prematurely and avoids getting trapped in local minimum as a balance between exploration and exploitation is maintained. We also compared the grey wolf optimiser using L1-norm and L2-norm as misfit functions for field data examples. The grey wolf optimiser using L1-norm resulted in a more stable solution. The execution time of the grey wolf optimiser is least as compared with other population optimisation techniques. Grey wolf optimisation could be applied for routine interpretation of geophysical dataset

================
Перевод от Google
Геофизические наблюдаемые с использованием алгоритмов оптимизации интерпретируются в терминах физических свойств, определяющих Землю. Область оптимизации - это динамическое поле, так как ни один алгоритм не может решить все проблемы оптимизации.

Мы реализуем алгоритм «серый волк», основанный на вершине хищника, для оптимизации наборов геофизических данных над слоистой землей. Оптимизатор «серый волк» - это метаэвристический алгоритм, основанный на рое и имеющий две чрезвычайно интересные социальные практики: иерархию социального лидерства и охотничье поведение.
Иерархия лидерства моделируется путем использования различных типов серых волков, где стратегии охоты реализуются в качестве методов оптимизации.
Глобальный минимум от оптимизатора «серый волк» был получен при стае из 7 волков и 1500 итераций.

Чтобы оценить эффективность оптимизатора «серый волк», мы выполнили инверсию на загрязненном шумом вертикальном электрическом зондировании (кажущееся удельное сопротивление), наведенном поляризационном зондировании (кажущаяся заряжаемость) и магнитотеллурических данных кажущегося удельного сопротивления.

Впоследствии мы применили оптимизацию серого волка на основе данных о кажущемся удельном сопротивлении поля, кажущейся заряженности и магнитотеллурическом кажущемся сопротивлении, адаптированных из опубликованной литературы.

Как синтетические, так и полевые данные, загрязненные шумом, сравнивались с популярными популяционными алгоритмами, т. Е. Оптимизацией роя частиц и оптимизацией колоний муравьев, а также с локальным алгоритмом оптимизации - регрессией гребня.

Анализ чувствительности был выполнен путем инвертирования наборов данных, загрязненных шумом, с использованием оптимизатора «серый волк», оптимизации роя частиц и оптимизации колонии муравьев с использованием шести различных областей поиска. Замечено, что оптимизатор серого волка наименее чувствителен к изменяющемуся пространству поиска.

Результаты, полученные на оптимизаторе «серый волк» по сравнению с другими методами, относительно более стабильны, и полученная нормализованная RMS либо меньше, либо равна регрессии гребня, оптимизации роя частиц или оптимизации колонии муравьев.

Это связано с тем, что оптимизатор серого волка не сходится преждевременно и избегает попадания в локальный минимум, поскольку поддерживается баланс между разведкой и эксплуатацией. Мы также сравнили оптимизатора «серый волк» с использованием L1-нормы и L2-нормы в качестве функций несоответствия для примеров полевых данных.
Оптимизатор серого волка с использованием L1-нормы привел к более стабильному решению. Время выполнения оптимизатора «серый волк» меньше всего по сравнению с другими методами оптимизации популяции. Оптимизация серого волка может быть применена для рутинной интерпретации геофизических данных

Статью скачать не смог