本发明涉及数据处理，尤其涉及一种地形的模拟退火反演求解方法、装置、设备及介质。
背景技术：
1、parker-oldenburg反演方法在地壳结构研究中占据核心位置，但其技术上的局限性和不足同样显著，主要如下：
2、第一，首要缺陷在于，传统技术方法在处理反演过程的关键参数——密度差与深度时，采取了简化的线性化假设，即将这些参数视为恒定值。这种处理方式忽视了地下介质复杂的非线性相互作用，进而限制了反演生成的海底地形数据的精确性，难以精准再现真实的地质结构细节。
3、第二，在寻找parker-oldenburg反演的最优参数时，当前主流做法依赖于遗传算法。然而，这些算法中的交叉与变异机制设计并未完全契合反演问题的独特性质，导致求解过程效率低下，且求解精度在不同情况下波动显著，难以稳定地达到高质量的反演效果。
4、第三，从计算效能与自动化操作的角度来看，现有技术方案也面临严峻挑战。由于整个计算过程涉及庞大的数据处理量，且缺乏一个高效集成的执行平台来优化和协调计算流程，使得地形反演的自动化进程步履维艰。这不仅推高了人工操作的成本，还削弱了反演结果的精确度和实用性，导致最终生成的地形模型相对粗糙，难以满足高精度地质勘探与研究工作的需求。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术局限性问题。为此，本发明提出一种地形的模拟退火反演求解方法、装置、设备及介质，能够高效准确进行地形的模拟退火反演求解。
2、一方面，本发明实施例提供了一种地形的模拟退火反演求解方法，包括：
3、初始化向量集合、第一适应度值和初始温度；将初始温度作为退火温度；其中，向量集合中包括预设数量的预测向量；
4、遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估，得到每个预测向量用于预测地区进行反演求解的适应度函数值；
5、其中，反演求解的结果为预测地区的预测地形数据；适应度函数值的数值大小与预测向量用于预测地区进行反演求解的适应性程度负相关；
6、当向量集合中存在预测向量对应的适应度函数值小于迭代最优阈值，将相应的预测向量输出作为最优预测向量；否则，
7、根据适应度函数值确定每个预测向量的优秀程度，基于优秀程度，对向量集合中的预测向量进行随机概率的选择操作，根据选择操作的选择结果更新向量集合；进而将向量集合对应的最小的适应度函数值作为第二适应度值；优秀程度与适应度函数值的数值大小负相关；
8、当第二适应度值大于或等于第一适应度值，基于退火温度，对向量集合中的预测向量进行随机概率的变异操作，根据变异操作的变异结果更新向量集合；否则，通过第二适应度值更新第一适应度值；
9、基于第二适应度值，对向量集合中的预测向量进行随机概率的交叉操作，根据交叉操作的交叉结果更新向量集合；
10、基于预设的温度衰减率对退火温度进行温度衰减处理，根据温度衰减处理的衰减结果更新退火温度；
11、当退火温度大于或等于预设的终止温度，返回执行遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估的步骤，直至退火温度小于终止温度，根据最后一次更新的向量集合输出最优预测向量；
12、根据最优预测向量通过反演求解对应得到的预测地形数据作为预测地区的地形求解结果。
13、在一些实施例中，初始化向量集合，包括以下步骤至少之一：
14、获得预设的标准向量值，在标准向量值附近随机生成预设数量的预测向量；
15、在目标区间内随机生成预设数量的预测向量；目标区间表示预测向量的取值范围；
16、响应于人工设置指令直接获得预设数量的预测向量。
17、在一些实施例中，遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估，得到每个预测向量用于预测地区进行反演求解的适应度函数值，包括以下步骤：
18、依次遍历向量集合中的预测向量，通过parker-oldenburg反演方法求解得到每个预测向量对应反演求解得到的预测地区的预测地形数据；
19、基于预测地形数据，结合预测地区的地震深度矩阵进行均方根计算，得到均方根值作为对应的预测向量用于预测地区进行反演求解的适应性程度的适应度函数值。
20、在一些实施例中，将相应的预测向量输出作为最优预测向量，包括以下步骤：
21、当向量集合中存在一个预测向量对应的适应度函数值小于迭代最优阈值，将预测向量直接输出作为最优预测向量；
22、当向量集合中存在多个预测向量对应的适应度函数值小于迭代最优阈值，将最小的适应度函数值对应的预测向量输出作为最优预测向量。
23、在一些实施例中，基于优秀程度，对向量集合中的预测向量进行随机概率的选择操作，包括以下步骤：
24、对向量集合中所有预测向量对应的优秀程度进行归一化处理，得到每个预测向量对应的归一化优秀程度；
25、其中，优秀程度的表达式为：
26、
27、式中，e表示自然常数；rms表示适应度函数值；miniterdelt表示迭代最优阈值；nowtemp表示退火温度；
28、基于向量集合中所有预测向量对应的归一化优秀程度，整理得到优秀程度数组；
29、其中，优秀程度数组中第n个元素的数值为向量集合中第一个预测向量到第n个预测向量对应的所有归一化优秀程度的累加和；
30、在第一区间内生成一个随机数作为选择概率；
31、在优秀程度数组中顺序遍历寻找首个大于选择概率的元素作为目标元素；
32、根据目标元素的元素编号从向量集合中选择对应的预测向量作为更新向量，返回执行在第一区间内生成一个随机数作为选择概率的步骤，直至从向量集合中选择了预设数量的更新向量；
33、将预设数量的更新向量作为选择操作的选择结果。
34、在一些实施例中，预测向量包括密度差和深度两类反演参数；基于退火温度，对向量集合中的预测向量进行随机概率的变异操作，包括以下步骤：
35、基于退火温度，结合第一适应度值和第二适应度值计算得到变异概率；
36、其中，变异概率的表达式为：
37、
38、式中，mutationrate表示变异概率；e表示自然常数；rms1表示第一适应度值；rms2表示第二适应度值；nowtemp表示退火温度；
39、在第二区间内生成一个随机数作为变异判定概率；将变异循环次数加1；
40、当变异判定概率小于预设的变异概率，从向量集合中随机取出一个预测向量作为变异预测向量；
41、在目标区间内对变异预测向量中的任一反演参数进行数值变异，将数值变异后的预测向量放回向量集合；目标区间表示预测向量的取值范围；
42、返回执行在第二区间内生成一个随机数作为变异判定概率的步骤，直至变异循环次数等于预设数量，得到变异操作的变异结果；
43、其中，变异循环次数初始化为0。
44、在一些实施例中，预测向量包括密度差和深度两类反演参数；基于第二适应度值，对向量集合中的预测向量进行随机概率的交叉操作，包括以下步骤：
45、基于第二适应度值，结合迭代最优阈值和预设数量计算得到交叉次数；
46、其中，交叉次数的表达式为：
47、
48、式中，crosscnt表示交叉次数；random(x)表示生成在[0,x]的随机值；rms2表示第二适应度值；miniterdelt表示迭代最优阈值；maxpredcnt表示预设数量；
49、在第三区间内生成一个随机数作为交叉判定概率；将交叉循环次数加1；
50、当交叉判定概率小于预设的交叉算子概率，从向量集合中随机获取两个预测向量作为交叉向量；交叉向量包括第一向量和第二向量；
51、对第一向量和第二向量中的至少一类反演参数进行数值加权交叉，将数值加权交叉后的预测向量放回向量集合；
52、返回执行在第三区间内生成一个随机数作为交叉判定概率的步骤，直至交叉循环次数等于交叉次数，得到交叉操作的交叉结果；
53、其中，交叉循环次数初始化为0。
54、另一方面，本发明实施例提供了一种地形的模拟退火反演求解装置，包括：
55、第一模块，用于初始化向量集合、第一适应度值和初始温度；将初始温度作为退火温度；其中，向量集合中包括预设数量的预测向量；
56、第二模块，用于遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估，得到每个预测向量用于预测地区进行反演求解的适应度函数值；
57、其中，反演求解的结果为预测地区的预测地形数据；适应度函数值的数值大小与预测向量用于预测地区进行反演求解的适应性程度负相关；
58、第三模块，用于当向量集合中存在预测向量对应的适应度函数值小于迭代最优阈值，将相应的预测向量输出作为最优预测向量；否则，
59、第四模块，用于根据适应度函数值确定每个预测向量的优秀程度，基于优秀程度，对向量集合中的预测向量进行随机概率的选择操作，根据选择操作的选择结果更新向量集合；进而将向量集合对应的最小的适应度函数值作为第二适应度值；优秀程度与适应度函数值的数值大小负相关；
60、第五模块，用于当第二适应度值大于或等于第一适应度值，基于退火温度，对向量集合中的预测向量进行随机概率的变异操作，根据变异操作的变异结果更新向量集合；否则，通过第二适应度值更新第一适应度值；
61、第六模块，用于基于第二适应度值，对向量集合中的预测向量进行随机概率的交叉操作，根据交叉操作的交叉结果更新向量集合；
62、第七模块，用于基于预设的温度衰减率对退火温度进行温度衰减处理，根据温度衰减处理的衰减结果更新退火温度；
63、第八模块，用于当退火温度大于或等于预设的终止温度，返回执行遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估的步骤，直至退火温度小于终止温度，根据最后一次更新的向量集合输出最优预测向量；
64、第九模块，用于根据最优预测向量通过反演求解对应得到的预测地形数据作为预测地区的地形求解结果。
65、另一方面，本发明实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述地形的模拟退火反演求解方法。
66、另一方面，本发明实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述地形的模拟退火反演求解方法。
67、本发明实施例初始化向量集合、第一适应度值和初始温度；将初始温度作为退火温度；其中，向量集合中包括预设数量的预测向量；遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估，得到每个预测向量用于预测地区进行反演求解的适应度函数值；其中，反演求解的结果为预测地区的预测地形数据；适应度函数值的数值大小与预测向量用于预测地区进行反演求解的适应性程度负相关；当向量集合中存在预测向量对应的适应度函数值小于迭代最优阈值，将相应的预测向量输出作为最优预测向量；否则，根据适应度函数值确定每个预测向量的优秀程度，基于优秀程度，对向量集合中的预测向量进行随机概率的选择操作，根据选择操作的选择结果更新向量集合；进而将向量集合对应的最小的适应度函数值作为第二适应度值；优秀程度与适应度函数值的数值大小负相关；当第二适应度值大于或等于第一适应度值，基于退火温度，对向量集合中的预测向量进行随机概率的变异操作，根据变异操作的变异结果更新向量集合；否则，通过第二适应度值更新第一适应度值；基于第二适应度值，对向量集合中的预测向量进行随机概率的交叉操作，根据交叉操作的交叉结果更新向量集合；基于预设的温度衰减率对退火温度进行温度衰减处理，根据温度衰减处理的衰减结果更新退火温度；当退火温度大于或等于预设的终止温度，返回执行遍历向量集合中所有预测向量进行预测地区的反演求解和适应度评估的步骤，直至退火温度小于终止温度，根据最后一次更新的向量集合输出最优预测向量；根据最优预测向量通过反演求解对应得到的预测地形数据作为预测地区的地形求解结果。本发明实施例通过多维起始搜索与遗传算法优化机制的创新结合，实现了预测精度与效率的双重提升，具有显著的技术先进性和广泛的应用前景。本发明包括有益效果如下：预测性能显著提升：多维起始搜索与遗传算法优化机制的融合，使得本方案在复杂、多变的预测任务中展现出卓越的性能，预测精度与稳定性均得到大幅提升。计算效率优化：动态变异概率调节机制有效减少了不必要的计算开销，加速了收敛过程，使得本方案在保持高精度预测的同时，也具备较高的计算效率。本发明实施例能够高效准确进行地形的模拟退火反演求解。
1.一种地形的模拟退火反演求解方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述初始化向量集合，包括以下步骤至少之一：
3.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述遍历所述向量集合中所有所述预测向量进行预测地区的反演求解和适应度评估，得到每个所述预测向量用于所述预测地区进行所述反演求解的适应度函数值，包括以下步骤：
4.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述将相应的所述预测向量输出作为最优预测向量，包括以下步骤：
5.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述基于所述优秀程度，对所述向量集合中的所述预测向量进行随机概率的选择操作，包括以下步骤：
6.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述预测向量包括密度差和深度两类反演参数；所述基于所述退火温度，对所述向量集合中的所述预测向量进行随机概率的变异操作，包括以下步骤：
7.根据权利要求1所述的地形的模拟退火反演求解方法，其特征在于，所述预测向量包括密度差和深度两类反演参数；所述基于所述第二适应度值，对所述向量集合中的所述预测向量进行随机概率的交叉操作，包括以下步骤：
8.一种地形的模拟退火反演求解装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。
