ارزیابی پایداری الگوریتم ترکیبی pso-ga در تخمین پارامتر مدل مغناطیسی در مقایسه با دو رویکرد مجزا

در این پژوهش، پایداری الگوریتم ترکیبی pso-ga در تخمین پارامترهای مدل مغناطیسی ارزیابی شده با دو الگوریتم ازدحام ذرات و ژنتیک، مقایسه شده است. از الگوریتم بهینه‌سازی ازدحام ذرات (pso) برای بهبود بردار عمل و از الگوریتم ژنتیک (ga) برای تصحیح بردارهای تصمیم‌گیری استفاده گشته. این ترکیب الگوریتم‌ها با استفاده از اپراتورهای ژنتیکی توانایی اکتشاف و بهره‌برداری را بهبود می‌بخشد. الگوریتم بهینه‌سازی مورد مطالعه به عنوان یک روش سریع برای مدل‌سازی ناهنجاری‌های مغناطیسی بر مبنای مدل‌های زمین‌شناسی ایده‌آل معرفی می‌شود و قابلیت استفاده در کاوش و تخمین مخزن‌های معدنی را دارد. علاوه بر این، در زمینه‌ی ژئوفیزیک اکتشافی، استفاده از مدل‌سازی با اشکال هندسی منظم مانند کره، استوانه، منشور‌قائم، دایک و غیره برای تخمین پارامترهای بی‌هنجاری‌های مغناطیسی معمولی است. همچنین، در این پژوهش با افزودن نوفه سفید گاوسی به داده‌های مصنوعی، عملکرد الگوریتم حتی در حضور نوفه تا 25 درصد نیز مورد آزمایش قرار گرفته و نتایج نشان می‌دهد که این روش به خوبی عمل می‌کند. اعتبارسنجی این مدل با استفاده از داده‌های واقعی مغناطیسی هوابرد منطقه بصیران در استان خراسان جنوبی، انطباق خوبی با نتایج زمین‌شناسی نشان می‌دهد.

assessing the stability of the hybrid pso-ga algorithm in magnetic model parameter estimation compared to two separate approaches

in this study, the stability of the combined pso-ga algorithm in estimating magnetic model parameters is evaluated and compared with two other algorithms: particle swarm optimization (pso) and genetic algorithm (ga). the pso algorithm is employed to enhance the action vector, while the ga algorithm is applied to rectify the decision vectors. this amalgamation of algorithms, utilizing genetic operators, enhances exploration and exploitation capabilities. the optimization algorithm exhibits the potential to be applied in the exploration and estimation of mineral reservoirs, offering a rapid method for simulating magnetic anomalies based on ideal geological models. moreover, in geophysical investigations, it is customary to employ modeling techniques using standard geometric shapes like spheres, cylinders, vertical prisms, dikes, and similar forms to assess magnetic anomaly attributes. furthermore, in current research, the algorithm’s performance is examined by introducing gaussian white noise to synthetic data, demonstrating its effectiveness even when faced with noise levels as high as 25%. additionally, authentic airborne magnetic data from the basiran region in south khorasan province are applied to validate the model, confirming its consistency with geological findings.