曲线搜索下新的记忆拟牛顿算法

利用新的曲线搜索方法,提出一种解决无约束优化问题的记忆拟牛顿算法,给出该算法全局收敛的条件并进行数值实验.新算法由曲线搜索确定迭代步长,搜索方向用到当前迭代点信息的同时还用到上一次迭代点的信息,而且搜索方向与迭代步长同时确定,是一种有效的算法.

基于逐减随机震源采样法的频率域二维黏滞声波方程全波形反演

全波形反演方法利用叠前地震波场的运动学和动力学信息重建地下速度结构,具有揭示复杂地质背景下构造与岩性细节信息的潜力。然而,巨大的计算量是阻碍其发展的一个瓶颈问题。为此,研究者们提出了震源编码技术来减少计算量,但是此方法在模型更新过程中会引进随机串扰噪声,降低反演结果准确性。所以,在保证计算精度的情况下,本文提出了采用逐减随机震源采样的方法来高效计算全波形反演问题。笔者将此方法应用于频率域二维黏滞声波波动方程全波形反演,开始了在频率域进行随机震源采样类方法的研究,计算过程中共使用了依次增大的8个频率段;并应用Overthrust模型来验证此类随机震源采样法的正确性。实验结果表明:基于逐减随机震源采样法的反演结果与实际Overthrust模型的拟合误差为0.065 65,而应用基于全部震源的全波形反演方法得到的反演结果与实际Overthrust模型的拟合误差为0.064 64,两者差别不大;但计算用时由740min减少到291.2min,即计算效率提高了2.54倍。为了更好地确定方法的有效性,将其应用于Marmousi模型进行试算。模型试算结果表明:基于逐减随机震源和基于全部震源得到的反演结果与实际Marmousi模型的拟合误差分别为0.080 12和0.078 97,相差不大;但计算用时由1 218.9min减少到274.4min,计算效率提高了4.44倍。综上,在保证反演精度的情况下,基于逐减随机震源采样法的频率域全波形反演方法大大减少了计算量,具有不可替代的计算优势,并且没有引进随机串扰噪声。

一种求解贝叶斯模型平均的新方法

贝叶斯模型平均(Bayesian model averaging,BMA)是最近提出的一种用于多模式集合预报的统计方法.进行贝叶斯模型平均需要准确估算模型集合中每个竞争模型的权重与方差,经常采用的方法是期望最大化(Expectation-Maximization,EM)方法与马尔可夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,两种方法各有优劣.本文首先对BMA的(对数)似然函数进行改进使之无需BMA权重之和为1的显式约束,并利用一种有限记忆的拟牛顿优化算法(LBFGS-B)对其进行极大化,由此提出了一种求解贝叶斯模型平均的新方法(BMA-BFGS).采用三个陆面模式进行的土壤湿度多模式数值模拟试验表明:在计算精度方面,BMA-BFGS的精度与MCMC方法几乎一致,优于EM算法;在计算耗时性方面,BMA-BFGS的计算耗时与EM算法相当,远小于MCMC方法.