大地网二阶设计(Second-Order Design, SOD)的新方法:基于遍历种群规模(Population Size)的含科里奥利力(Coriolis Force)改进龙卷风优化器(Improved Tornado Optimizer with Coriolis Force, ITOC)

《Geodesy and Geodynamics》:A new method for the second-order design (SOD) of geodetic networks: improved tornado optimizer with Coriolis force (ITOC) based on traversing population sizes

【字体: 大 中 小 】 时间:2026年06月30日 来源:Geodesy and Geodynamics 3.0

编辑推荐:

  针对大地测量网二阶设计(Second-Order Design, SOD)解析法计算复杂且收敛性差,以及启发式算法(Heuristic Algorithm)易陷入局部最优的问题,研究人员提出了一种多策略改进的含科里奥利力(Coriolis Force)龙卷风优

  
针对大地测量网二阶设计(Second-Order Design, SOD)解析法计算复杂且收敛性差,以及启发式算法(Heuristic Algorithm)易陷入局部最优的问题,研究人员提出了一种多策略改进的含科里奥利力(Coriolis Force)龙卷风优化器(Improved Tornado Optimizer with Coriolis Force, ITOC)。ITOC通过引入Logistic混沌映射(Logistic Chaos Mapping)初始化种群、结合差分进化(Differential Evolution, DE)变异策略,并在迭代后期动态切换至基于Adam优化器的梯度下降(Gradient Descent, GD)以最小化方差—协方差阵(Variance-Covariance Matrix)与准则矩阵(Criterion Matrix)的矩阵二范数(Matrix 2-norm)差异来实现优化,兼顾全局搜索与局部精细化。同时,研究人员首次系统性采用遍历种群规模(Traverse Population Size)策略,在固定范围(4–200)内逐一测试种群规模,显著提高获取最优解的概率。实验分析表明:平均收敛迭代次数方面,ITOC为49.914次,较TOC的81.396次降低38.7%,较粒子群优化(Particle Swarm Optimization, PSO)的93.421次降低46.5%;平均目标函数值从TOC的0.66831和PSO的0.60367降至0.59686,降幅分别为10.7%和1.1%;ITOC目标函数值标准差为0.0091,低于TOC的0.0372和PSO的0.0192。此外,与解析法相比ITOC减少2条基线(Baseline)观测工作量,较TOC和PSO获取最优解的概率提高三倍。该研究成果不仅为大地网SOD提供了更优算法选择,也为启发式算法的优化策略提供了重要参考。
论文解读:基于遍历种群规模的含科里奥利力改进龙卷风优化器(ITOC)在大地网二阶设计(SOD)中的应用
一、研究背景与开展的研究及意义
大地测量网(Geodetic Network)是获取与处理地球空间信息的基础框架,其优化设计直接影响测量结果的可信度、经济性与作业效率,广泛应用于GNSS基准站网、地面控制网及工程变形监测网等领域。Grafarend于1974年系统建立了大地网优化设计的四阶段理论体系:零阶设计(Zero Order Design, ZOD)即基准系统设计、一阶设计(First Order Design, FOD)即网形配置设计、二阶设计(Second-Order Design, SOD)即观测权及精度分配优化、三阶设计(Third Order Design, TOD)即已有网形改进。其中SOD直接关联外业观测方案的制定,需在满足精度要求前提下确定各观测值的最优权(Weight)或观测次数以平衡精度与成本,最具工程实用价值。现有SOD方法分为解析法与启发式算法(Heuristic Algorithm):解析法(如Kuang基于Taylor级数线性化方法、Amiri-Simkooei权缩放因子迭代法等)在处理高维非线性矩阵函数时精度受限且计算复杂;启发式算法(如粒子群优化(Particle Swarm Optimization, PSO)、遗传算法(Genetic Algorithm, GA)、模拟退火(Simulated Annealing, SA)等)具全局搜索优势,但易陷入局部最优(Local Optimum),且种群规模(Population Size)多预设固定值,未系统探究其对优化性能的影响,可能遗漏全局最优解。为此,Wang Leyang、Wu Hao、Xiao Hao、Sun Zhanglin在《Geodesy and Geodynamics》发表该研究,选用具全局搜索潜力的含科里奥利力(Coriolis Force)龙卷风优化器(Tornado Optimizer with Coriolis Force, TOC)为基础,提出多策略改进版本ITOC并首次系统采用遍历种群规模策略开展SOD优化,验证最优种群规模的存在性并确定其具体取值。研究表明ITOC在目标函数值、收敛速度、解稳定性及可省略基线数上均优于TOC与PSO,为SOD提供更高效算法选择,亦为启发式算法参数调优提供实验依据。
二、主要关键技术方法概述
研究人员选取8点全连通测边网(Kuang经典网形,28条基线)为算例,在MATLAB R2022b中实现算法。核心方法为:(1)提出ITOC——采用Logistic混沌映射初始化种群以增强多样性;Windstorm向Tornado探索阶段以50%概率引入差分进化(Differential Evolution, DE)变异避免早熟收敛;迭代达总数50%后检测种群多样性(风暴位置向量范数标准差<1×10-3)或全局最优值平均相对变化率(近20代<1×10-5),满足任一条件则切换至基于Adam优化器的梯度下降(Gradient Descent, GD)做局部精修。(2)采用遍历种群规模(Traverse Population Sizes)策略——在种群规模N∈[4,200]内以步长1逐一运行ITOC、TOC及PSO各30次,记录目标函数值‖ΣXX-1?Σ0-1‖2(ΣXX为估计坐标方差—协方差阵(Variance-Covariance Matrix),Σ0-1为经S变换消除秩亏后的Taylor-Karman结构准则矩阵(Criterion Matrix)之逆)及收敛迭代次数等评价指标,确定最优种群规模。最大迭代次数设为100,权搜索范围[0,1],并行计算加速适应度评估。
三、研究结果
  1. 2.
    SOD模型(SOD Model)
    给出高斯—马尔可夫模型(Gauss-Markov Model)下观测方程L=AX+Δ、设计矩阵A基于边长对端点坐标偏导的构建方法、最小二乘平差所得估计坐标方差—协方差阵ΣXX=σ02(ATPA)+(σ02为先验方差因子,(·)+为自反广义逆),以及针对网形秩亏引入基准约束矩阵G(零空间基,平面网G为3列平移旋转缩放矩阵)进行S变换:Σ0-1S=(I?G(GTG)-1GT)Σ0-1(I?G(GTG)-1GT),使准则矩阵与平差基准一致。SOD目标函数为min ‖ΣXX?Σ0-1S‖2。
  2. 3.
    算法设计(Algorithm Design)
    3.1 TOC:模拟龙卷风(全局最优)、雷暴(次优)、风暴(普通个体)三类运动,含随机初始化、速度更新(含科里奥利力项ω×V,ω为地球自转角速度矢量)、位置更新(风暴→龙卷风探索、风暴→雷暴利用、雷暴→龙卷风演化)、边界约束、随机扰动诸步骤,具较强全局搜索力但随机性高易陷局部最优且局部收敛慢。
    3.2 改进策略(Improve Strategy):详述ITOC三项改进——(1)Logistic混沌映射xi+1=μxi(1?xi)(μ=4)生成初值映射到权空间并结合边长几何约束初始化,克服随机初始化分布不均;(2)MATLAB parfor并行计算适应度;(3)DE变异Xnew=Xr1+F(Xr2?Xr3)(F=0.5)以50%概率替代原TOC位置更新防早熟;(4)后期满足条件时切换Adam梯度下降(一阶矩mt、二阶矩vt修正偏差后更新参数,学习率α=0.01,ε=10-8)做局部精修,提高解精度。
    3.3 遍历种群规模策略(Traverse Population Sizes Strategy):限定NP≥4以保证TOC角色划分(≥1个Tornado、≥1个Thunderstorm、其余Windstorm)逻辑完整,遍历NP=4~200记录各NP下最优目标值与收敛代数,虽增加离线计算量但对SOD这类非实时任务可接受。
  3. 4.
    实验设计与结果分析(Experimental Design and Result Analysis)
    4.2 实验结果与对比分析(Experimental Results and Comparative Analysis)
    4.2.1 目标函数值(Objective Function Value):197组NP下ITOC目标值均低于TOC,123组(62.44%)低于PSO,波动更小,解质量更优且稳定。
    4.2.2 收敛性能(Convergence Performance):ITOC最佳目标值0.58544(NP=101),TOC为0.59880(NP=190),PSO为0.58546(NP=156);ITOC平均收敛迭代49.914次,较TOC(81.396次)减38.7%、较PSO(93.421次)减46.5%;平均目标值ITOC 0.59686,较TOC降10.7%、较PSO降1.1%;目标值标准差ITOC 0.0091最小;收敛曲线显示ITOC第50代趋近最优,TOC与PSO需近100代。单次遍历耗时ITOC略高于TOC但因引入混合机制,大种群(NP>104)耗时反低于另两者。
    4.2.3 优化权与优化基线数(Optimized Weights and Optimized the Number of Baselines):权重归零基线表示可省略观测。TOC仅1个NP(16)实现3条基线(1–7,2–4,5–8)归零,PSO仅1个NP(39)实现3条(2–8,3–6,3–7)归零,ITOC在NP=70、101、145三组分获3条基线归零,最优NP=101时归零基线为1–7、2–8、3–6,较Kuang解析法多省2条基线观测,较TOC与PSO获最优解概率高三倍。列出ITOC优化后各基线权及点位标准差(单位mm)。
    4.2.4 误差椭圆参数(Error Ellipse Parameters):由ΣXX计算的各点误差椭圆长半轴a、短半轴b及方位角表明,ITOC所得a、b均≤准则矩阵定义值且最接近Σ0-1S理论值,满足精度标准且优化效果优于TOC、PSO及Kuang解析法。
四、讨论与结论翻译
研究人员指出,针对大地网SOD问题,结合ITOC与遍历种群规模策略相较TOC和PSO在目标函数优化、收敛速度、精度(误差椭圆参数)及观测方案经济性上均有综合提升;与解析法比可节省2条基线观测工作量,获取最优解概率更高,验证了ITOC对该类均匀布网设计的有效性。遍历种群规模策略可有效避免给定范围内伪最优解,显著提高寻得最优解概率,虽近似穷举但对离线SOD可行且具推广至其他启发式算法与优化问题的潜力。ITOC内在搜索机制改进与遍历种群规模外在参数优选相结合构成完整稳健优化框架。ITOC思想可推广至GNSS定位、变形监测等其他非线性优化领域,但需针对不同问题重新调参及敏感性分析,未来可拓展至多目标优化框架、自适应参数调节机制及非均匀分布大网验证,并与更多主流算法对比。
结论原文翻译:本文针对大地测量网中的二阶设计(Second-Order Design, SOD)问题,采用含科里奥利力(Coriolis Force)改进龙卷风优化器(Improved Tornado Optimizer with Coriolis Force, ITOC)并运用遍历种群规模(Traverse Population Size)策略,通过与TOC及粒子群优化(Particle Swarm Optimization, PSO)对比表明:其平均目标函数值更低、平均收敛迭代次数更少、所得误差椭圆参数更接近准则矩阵(Criterion Matrix);与解析法相比可减少两条基线(Baseline)的观测工作,与TOC和PSO相比获取最优解的概率更高。这充分证明ITOC在目标函数优化、收敛速度、精度(误差椭圆参数)及观测方案经济性方面的综合性能提升,为大地测量中均匀分布网的二阶设计提供了高效求解途径。同时,本研究采用的遍历种群规模策略可在给定种群范围内有效避免伪最优解,在保证优化效果前提下以高概率获取最优解,具有一定的理论与实际意义。需注意该策略近似穷举法,但不可否认其具一定普适性,可推广至其他算法与优化问题。改进算法研究与遍历种群规模策略目标高度契合、相辅相成共同提升优化性能:ITOC通过改善内在搜索机制优化算法本身,遍历种群规模策略通过提高获取最优解的概率确保结果稳健性,二者结合形成完整稳健优化框架,可作为大地测量中非均匀分布网设计的新方法论。ITOC核心思想具泛化潜力,可应用于GNSS定位及变形监测等其他非线性优化领域,但实际应用需审慎考虑适用条件与潜在局限,对不同优化问题可能需重新参数化与敏感性分析以确保最优性能;未来可在多点非均匀网上进行有效验证,并从集成多目标优化框架(兼顾精度、成本与观测效率)、开发自适应参数调节机制增强对不同网形与准则矩阵的普适性、及与更多主流算法广泛对比等方向进一步改进,通过优化计算效率与拓展应用场景期望在大地测量及其他优化领域发挥更大作用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号