复杂GPR模型无网格法正演及多参数混合智能优化反演

无网格法具有只需节点无需单元、超强解决复杂问题的潜力，为快速实现复杂模型的雷达波场求解提供了可能。混合智能优化反演方法，融合了两种智能算法的优点，结合自然界群体协调寻优的思想，具有通用性好、鲁棒性强、收敛速度快、求解精度高等优点。本项目拟从有传导电流项的Maxwell方程出发，深入开展无网格法形状函数的构造、边界条件引入等关键问题研究，实现无网格法复杂GPR模型正演。在此基础上，开展自适应遗传神经网络、基于免疫机制的混合粒子群、基于最小二乘支持向量机的自适应模拟退火算法的多参数GPR反演研究，利用偏移速度分析和时频分析求出的速度和品质因子，给定混合智能优化反演一定约束，以提高反演速度，有望解决线性(或拟线性)反演结果严重依赖初始模型、易陷入局部最优，单一智能算法易早熟收敛、计算量大且结果不稳定的缺点。可以预见，开展无网格法复杂GPR模型正演及混合智能优化反演必将具有广阔的应用前景。

应用只需节点、无需单元的EFGM开展GPR正演，将融合自然界群体协调寻优的混合智能反演算法应用于GPR反演，取得了一系列成果，具体包括：(1) 采用滑动最小二乘法拟合场函数，推导了GPR正演EFGM波动方程，针对EFGM不满足插值条件，引入强加边界条件处理的罚因子法，同时采用透射边界条件消除EFGM在截断边界处的强反射。(2) 针对GPR反问题的强非线性与高度不适定性，着重研究了正则化方法中L-Curve法、广义交叉检验准则等自适应正则因子选取方法。(3) 应用基于Tikhonov正则化的高斯-牛顿算法开展了GPR介电常数的反演，并应用该反演算法对一些典型GPR剖面进行了反演，通过与模型对比说明了反演算法的正确性，方便与混合智能反演结果对比。(5) 基于实数编码构制了GPR遗传算法反演目标函数，结合Tikhonov正则化与神经网络方法，开展了遗传神经优化反演算法程序设置，运用该程序对典型GPR模型进行了反演，对比非线性高斯-牛顿反演算法，该反演算法计算速度仍然较慢，对计算机要求较高。(6) 开展了免疫选择机制与粒子群混合算法的研究，通过在粒子群算法中引入浓度选择和免疫记忆机制，实现免疫算法和粒子群算法的有机结合，由于免疫选择仅是一个算子，将其引入粒子群算法中后，形成了很好的互补关系，在GPR反演时不用增加正演计算次数，为实现GPR反演提供一种新的思路。(7) 项目研究取得了两个软件著作权，已发表论文25篇，其中SCI检索6篇，EI检索16篇，培养毕业研究生4名，参加国际会议6次(16人)。