重力梯度张量的预条件共轭梯度法反演

针对重力梯度张量反演中的问题,提出基于预条件共轭梯度法的重力梯度张量反演.通过在目标函数中加入粗糙度对模型进行约束以避免反演参数远多于采集点数的欠定问题不稳定,并在目标函数中添加深度加权矩阵对核函数进行补偿,以避免核函数随着深度的增大而快速衰减的问题.分别反演、比较各重力梯度张量分量和联合5个独立分量,并将重力梯度张量5个独立联合反演应用于Y型岩脉.研究结果表明:联合反演效果明显优于单一分量的反演效果,且能较好地与原始模型相吻合,证明了本文算法的有效性.     

一类预条件共轭梯度法

本文将PSD迭代法与CG共轭梯度法相结合，从而形成预条件共轭梯度法(PSD CG)，为解决大型稀疏对称正定方程组问题提供了一种有效的算法，并证明了其条件数要比原系数矩阵的条件数要低．一些实验结果表明PSD—PCG方法能加速收敛。     

有限差分法结合预条件共轭梯度分析三维电磁散射问题

引入预条件共轭梯度法，提出了结合频域有限差分法分析三维电磁散射问题．数值计算过程中利用Mur二阶吸收边界条件和Maxwell方程组积分形式的频域差分离散格式．作为算例，分析了理想导体金属块对平面电磁波的散射，由于使用了预条件共轭梯度法求解差分矩阵方程，从而减少了计算时间．数值结果表明了该方法的有效性．     

大地电磁反演中改进的自适应正则化因子选取

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.     

大地电磁反演中改进的自适应正则化因子选取研究

通过建立大地电磁(MT)层状地电模型,利用共轭梯度法求解反问题,在给定不同初始模型的条件下对多种正则化因子选取方法进行了计算比较,分析了各种方法的特点和使用条件.结果表明,自适应正则化算法的效果与传统的定值方法如L曲线法相近,但反演过程远比传统方法便捷.为了解决反演依赖于初始模型的局限并增强解的稳定性,基于多种自适应正则化方案的对比分析,提出了改进的自适应正则化方案,选取数据拟合泛函与模型稳定泛函较大的比值为正则化因子的初始值,并提出相应的调整方案自动控制正则化因子衰减.模型试验表明,该方法对初始模型的依赖性低于其他几种自适应的算法,反演结果的稳定性较强,可以进一步提高正则化反演的效率.     

改进的预处理共轭梯度图像复原算法

针对Tikhonov正则化的预处理共轭梯度图像复原算法中模糊图像取全零扩展矩阵的不足之处,研究了零边界条件下Tikhonov正则化的预处理共轭梯度算法. 提出了新的模糊图像的扩展矩阵,降低了原矩阵向量积的计算误差,修正了初始梯度的取值. 改进算法更符合真实的图像退化过程,有效提高了复原的图像质量. 实验结果表明:对于各种退化造成的模糊图像,与当前求解全变分正则化的IST、TwIST、SALSA算法比较,本文算法复原效果优于当前流行的图像复原算法.      

二维直流电阻率与音频大地电磁自适应渐进联合反演

开展了非结构化三角网格条件下的二维直流电阻率与音频大地电磁自适应渐进正则化联合反演研究。通过研发以模型灵敏度信息为依据的反演网格自适应优化技术,构建由粗网格到细网格逐步反演的自适应渐进反演策略,减少了反问题对稳定因子的依赖,进而降低了正则化因子搜索的计算量;通过最小二乘算法求解非结构化三角网格的模型粗糙度,构建了非结构化网格条件下的最小结构稳定因子;采用高斯-牛顿法优化求解正则化反演目标函数,通过双共轭梯度稳定算法求解高斯-牛顿方程,确保反演稳定性,同时有效减少了反问题对内存的需求。理论模型与实测数据的联合反演试算表明,直流电阻率与音频大地电磁数据联合反演能够有效减少反演多解性,提高反演效果,实现音频大地电磁静态效应异常体的直接反演。     

二维PSD非线性修正共轭梯度算法

根据光电位置敏感器件的原理和光点位置方程分析了PSD的非线性成因,并根据PSD的非线性特点,提出用神经网络的共轭梯度算法对PSD的非线性进行补偿·利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过神经网络建立PSD实际输出与其理想值之间的非线性映射关系,实现光电位置敏感器件非线性补偿·计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且在神经网络的输出端得到期望的线性输出·从而使PSD的B区获得了与A区近似的线性度,故在不增加成本,不改变测量设备复杂度的情况下,扩大了测量范围,提高了B区的测量准确度及数据的置信度·     

MT资料反演的一种实数编码混合遗传算法

设计了一种求解一维大地电磁测深反演问题的实数编码混合遗传算法,它是通过单纯形搜索与遗传算法结合而成。针对传统的遗传算法在优化应用中存在局部搜索能力弱、计算量大、对较大空间适应能力弱和早熟收敛,而基于局部线性化的单纯形法易使解陷入局部极小值,严重依赖初始模型的选择等问题,在遗传算法中加入一个改进的单纯形搜索算子,并采用最优群体保留策略。该新算法既具有遗传算法的全局收敛性,又具有单纯形法的快速收敛性。对各种类型的大地电磁测深理论曲线进行计算,结果表明:采用实数编码混合遗传算法进行反演具有收敛速度快、解的精度高和避免出现早熟等优点,可用于大地电磁资料解释。     

基于改进粒子群算法的大地电磁反演

粒子群算法是一种粒子群在全空间随机搜索的非线性反演方法,具有易于实现的优点,已在大地电磁（MT）反演得到了广泛应用,但其存在容易陷入局部最优解的缺点,在二维反演中应用较少且效果不好。本文提出了一种改进的优化粒子群算法,整个进化过程引入了局部进化,并且添加收缩因子和惯性权重参数,来改善该算法容易陷入局部最优解的缺点。最后将改进算法应用于二维MT反演,反演时加入核函数,结果表明改进粒子群算法在过早收敛问题上有明显改善,反演异常体位置也与实际模型吻合较好。因此,本文改进的粒子群优化算法提高了MT反演精度,为矿产资源勘探开发提供了理论基础。     

一种WEI-YAO-LIU共轭梯度算法的全局收敛性

提出Wei-Yao-Liu共轭梯度法在ATLS线搜索下的算法,在适当条件下,证明算法的全局收敛性,并且算法满足充分下降条件。     

非线性方程组的非单调技术共轭梯度路径法

提出一种结合非单调技术解非线性方程组的共轭梯度路径法．在合理的假设条件下,证明了算法的整体收敛性和局部超线性收敛速率,数值结果表明了算法的有效性．     

基于非线性共轭梯度的同时扰动随机逼近方法

为了消除黑塞矩阵和步长因子的影响,利用非线性共轭梯度算法计算搜索方向,在混合非线性共轭梯度算法的作用下保证了每次搜索均为下降方向;利用非精确线搜索方法改进SPSA步长计算方法,通过与下降的搜索方向结合,保证了每次迭代时目标函数值的减小,加快了收敛速度.将改进的SPSA算法用于异步电机再励学习系统中,仿真结果证明了其可行性和优越性.     

预条件共轭梯度法在拱坝有限元重分析中的应用

以初始设计的劲度矩阵为预条件矩阵,给出了大型结构有限元重分析的预条件共轭梯度算法.该算法不需要形成和存储修改结构的劲度矩阵,占用内存小,并具有较高的精度和收敛速度.拱坝体形修改有限元分析算例表明,即使设计变量有较大改变时,该方法也能较快地收敛到精确解.     

一种求解大规模方程组的修正Dai-Yuan共轭梯度法

设计一种针对大规模非线性方程组的修正DY共轭梯度算法.该算法的搜索方向不仅自动满足充分下降条件,而且属于信赖域.在适当条件下,可以证明新算法是全局收敛的.初步的数值实验表明新算法可以有效求解大规模非线性方程组.     

Armijo搜索下改进的LS共轭梯度法

共轭梯度法是求解无约束优化问题的一类重要方法。通过调整搜索方向,提出了一类改进的LS共轭梯度法,该方法在每步迭代中都能不依赖于任何搜索而自行产生充分下降方向。在精确搜索下,该算法将还原为原LS方法。在适当的条件下,获证了该法在Armijo搜索下,即使求解非凸函数极小化的问题,算法也全局收敛。同时,数值实验表明该算法可以有效求解优化问题。     

Back-propagation network improved by conjugate gradient based on genetic algorithm in QSAR study on endocrine disrupting chemicals

Since the complexity and structural diversity of man-made compounds are considered, quantitative structure-activity relationships （QSARs）-based fast screening approaches are urgently needed for the assessment of the potential risk of endocrine disrupting chemicals （EDCs）. The artificial neural networks （ANN） are capable of recognizing highly nonlinear relationships, so it will have a bright application prospect in building high-quality QSAR models. As a popular supervised training algorithm in ANN, back-propagation （BP） converges slowly and immerses in vibration frequently. In this paper, a research strategy that BP neural network was improved by conjugate gradient （CG） algorithm with a variable selection method based on genetic algorithm was applied to investigate the QSAR of EDCs. This resulted in a robust and highly predictive ANN model with R2 of 0.845 for the training set, q^2 pred of 0.81 and root-mean-square error （RMSE） of 0.688 for the test set. The result shows that our method can provide a feasible and practical tool for the rapid screening of the estrogen activity of organic compounds.