一种基于TDOA-ICS的矿震震源定位方法

一种基于tdoa-ics的矿震震源定位方法
技术领域
1.本发明涉及基于tdoa-ics的矿震震源定位方法研究，属于煤矿安全开采技术领域。


背景技术：

2.目前，主要的震源定位算法是反演法，通过传感器拾取初至到时来反演震源的位置。主要定位算法有2种，非启发式算法和启发式算法。在非启发式算法中，1912年geiger提出的经典定位算法，为后续的定位算法打下基础，该算法首先选取一个合适的迭代初值，通过求导获得修正量不断迭代修正，使时间残值函数趋于最小化，取得最优定位解。但是geiger经典定位算法对初值的选取比较敏感，若初值选取不当，就会产生严重的定位偏差。针对此问题，林峰等提出了线性定位和geiger定位相结合的联合定位方法，首先用线性定位进行初步定位，再用线性定位的解作为geiger定位的迭代初值求解定位，但是针对震源离传感器较远时，迭代初值选择不佳会影响定位精度甚至会造成无法定位；蒋元建等在geiger定位的基础上，引入射线追踪方法获取的层状波速模型代替传统的固定速度模型，进行微震定位，通过对射线追踪得到的波速模型进行反演，可以得到更加准确的地下介质模型，从而提高微震定位的精度；li等采用梯度下降法反演震源位置，收敛速度快，对于局部而言是最快速的下降方向，但缺点是搜索过程中收敛速度慢且对初始条件扰动非常敏感，一旦初始值设置不理想，在求解方程时很容易陷入局部极值；thurber提出牛顿法，在梯度下降法的基础上对搜索方向加以改进，利用搜索方向提供的信息，快速准确地指向最优位置，该算法迭代次数少，可快速到达极值点，如果初始点选取合理，算法会迅速收敛，但是要计算二阶偏导数及其逆矩阵，计算量较大，所以收敛性与初始点的选取有很大关系；powell提出一种直接搜索目标函数极小值的有效方法，无需对目标函数求导，在计算震源位置时收敛速度快，可靠性好，在地震台网快速自动预报中应用广泛，但是它依赖于初始值的选择，在搜索过程中易陷入局部极值，导致无法得到最优解；崔仁胜等在拟牛顿法的基础上改进算法，将变尺度算法(dfp)应用在小尺度区域微震事件中，在速度模型精度较高的微地震事件中定位效果突出，同时初至精度对其影响较小，但是受速度模型和到时拾取的影响较大，导致严重偏离实际震源位置。
3.非启发式方法虽然可以通过一定的改进提升震源定位的精度，但是存在复杂的导数求解、局部搜索和收敛速度慢等问题，容易定位到错误的位置，降低定位精度。所以，将启发式算法融入到震源定位中，主要包括单纯形法、粒子群法、模拟退火法、遗传算法等。a.f.prugger等采用单纯形法进行震源定位，该方法可以直接进行定位，不需要预先考虑能量波走时的导数，但是由于单纯形法的搜索形式较为简单，容易陷入局部极小值，导致定位结果偏离真实位置，所以在实际应用中，需要对初始解进行优化或者采用其他算法进行定位；郭一楠等建立mopso-sa混合算法模型，采用多目标粒子群算法进行全局搜索获得较优解，为模拟退火算法进行局部搜索提供更好的初始解，避免陷入局部最优；庞聪等采用三步反演法进行微震震源定位，首先建立线性定位方程组，为geiger算法提供初值，得到第一步
近似解，其次利用粒子群优化算法的多次循环，得到第二步近似解，最后重复执行第二步得到若干近似解集，利用质心法得到最终结果；王剑锋等提出了基于引力搜索法(gsa)的微地震震源定位方法，利用引力搜索法搜索微地震残差函数的极小值找到震源位置，该方法定位精度高、收敛速度快，但是该方法较依赖于初始位置的选取，且在搜索过程中移动具有局限性；王辉等采用单纯形和最短路径射线追踪的混合定位算法，首先采用最短路径射线追踪方法，计算传感器到震源点的反向射线路径及走时，然后基于均匀速度模型，采用单纯形算法得到一个初始解，最后在初始解的一个小区间内，计算时差和，取最小值对应的节点作为震源点。虽然国内外学者提出了很多震源定位的方法，但是这些方法在定位精度、算法收敛速度以及算法稳定性等方面依然存在不足，并且传统定位容易陷入局部最优问题，使震源定位的精度降低，现场应用时不能满足实际需求。


技术实现要素：

4.针对此问题，本发明提出了一种基于到达时间差的改进布谷鸟算法矿震震源定位算法tdoa-ics。采用tdoa模型建立时间差向量方程组，利用最大似然法得到目标函数，然后采用改进的布谷鸟算法对目标函数进行寻优操作，确定最优的震源位置，改进布谷鸟搜索算法引入了基于自适应度调节的步长比例因子来更新鸟巢位置，以便均衡调节算法的全局搜索和局部搜索。
5.本发明是通过以下技术方案实现的：一种基于tdoa-ics的矿震震源定位方法，其步骤为：
6.(1)选取目标函数：利用tdoa到达时间差模型，计算理论时间与实际时间的差值，将差值绝对值之和作为目标函数；
7.具体为：当矿震发生时，使用传感器坐标以及p波初至到时进行震源定位，tdoa-ics模型是元启发式算法，需要提前模拟震源点pk(k＝1，2，3
…
m)，m为模拟震源点数量，当模拟震源点移动至真实震源点时，定位结束；设模拟震源点信息p(x0，y0，z0，t0)，x0，y0，z0为震源点坐标，t0为发震时刻，设传感器信息si(xi，yi，zi，ti)(i＝1，2，3
…
n)，xi，yi，zi为第i个传感器的坐标，ti为p波到第i个传感器的测量到时，n为传感器数量，震源p到传感器si的空间距离为di；
8.di的求解公式为：
[0009][0010]
传感器si的测量到时ti为：
[0011][0012]
其中：v为p波速度，t0为发震时刻，di为震源p到传感器si的空间距离；
[0013]
选取传感器s1作为参考点，传感器si相对于参考点接收震源信号的时间差t
i1
表示为：
[0014][0015]
对tdoa模型的时间差向量方程组展开求解，根据最大似然法得到残差方程：
[0016][0017]
其中：f为目标函数，为最小差值绝对值，f越小，表明离实际震源点越近。
[0018]
(2)初始化改进布谷鸟算法：对改进布谷鸟算法进行种群初始化，随机生成n个个体，即n个模拟震源点，确定最大迭代次数iter
max
、最大步长s
max
和最小步长s
min
；
[0019]
(3)计算初始震源点的适应度值：根据目标函数计算初始种群即初始震源点的适应度值，选取最小适应度对应的鸟巢位置为最优震源位置；
[0020]
(4)更新震源位置：采用引入了自适应调节步长的位置更新公式产生新一代的鸟巢位置即震源位置，计算新一代震源的适应度值并与上一代的适应度值比较，保留最小适应度值所对应的震源位置；
[0021]
具体为：cs算法通过莱维飞行的方式产生的位置更新公式如下：
[0022][0023]
其中：x
it+1
是第i个巢穴在第t+1代的位置，x
it
是第i个巢穴在第t代的位置，α是步长比例因子，一般取值为0.01，是点乘；
[0024]
l(λ)为莱维随机搜索路径，服从levy分布，
[0025]
l(s，λ)～s-λ
(1＜λ≤3)
[0026]
s是由莱维飞行产生的随机步长，目前莱维飞行的实现常采用mantegna算法模拟，表达式如下：
[0027][0028]
其中：β为给定常数，一般取值为1.5，μ、v服从正态分布：μ-n(0，σ
μ2
)、v-n(0，σ
v2
)，其中：σv＝1。
[0029]
将公式代入公式可得：
[0030]
x
it+1
＝x
it
+αs(x
it-x
bestt
)
[0031]
对cs算法中的步长比例因子α进行改变，引入基于自适应度调节的指引因子，保证在算法迭代的前期阶段，能够以较大步长实现快速搜索并确定求解区域；在算法迭代的后期阶段，以较小步长实现莱维飞行较短距离移动，精细局部搜索过程，协调好算法大范围内全局搜索和局部精细搜索的性能；步长比例因子g定义公式如下：
[0032][0033]
其中：s
min
和s
max
分别表示预先设定的步长的最小值和最大值，f表示当前点的适应度值，f
ave
和f
best
分别表示适应度值的平均值和最优值。
[0034]
引入基于自适应度调节的指引因子后，更新巢穴的位置公式就变为：
[0035]
x
it+1
＝x
it
+gs(x
it-x
bestt
)
[0036]
使用改进后的位置更新公式更新鸟巢位置，也就是更新震源位置，根据利用tdoa模型求得的目标函数计算新一代震源的适应度值并与上一代的适应度值比较，保留最小适应度值所对应的震源位置。
[0037]
(5)丢弃震源位置：位置每更新一次，如果存在鸟蛋被发现的情况，则寻找新的鸟巢位置即震源位置，采用局部随机行走的方式寻找新位置，重新计算适应度值，找到这一代的最小适应度值并与上一代的最小值比较，若这一代的最小值小，最优模拟震源点则更改为此最小值对应的鸟巢位置；
[0038]
具体的，采用局部随机行走的方式寻找新位置，计算公式为：
[0039]
x
it+1
＝x
it
+gs
×
h(p
a-∈)
×
(x
jt-x
kt
)
[0040]
其中：pa是被发现的概率，∈是服从均匀分布的随机数∈∈[0，1]，h是跃迁函数，也就是∈大于或等于pa时数值为1，否则为0，x
jt
和x
kt
是在第t代通过随机排列随机选择的两个不同的位置；
[0041]
如果∈＜pa，则保留当前的鸟巢位置；否则，根据位置更新公式产生一个新的鸟巢位置，重新计算适应度值，找到这一代的最小适应度值并与上一代的最小值比较，若这一代的最小值小，最优模拟震源点则更改为此最小值对应的鸟巢位置。
[0042]
(6)不断更新震源位置：重复步骤(4)和步骤(5)，持续更新算法中的震源位置；
[0043]
(7)确定最优震源位置：当算法达到最大迭代次数时，说明找到了最优的鸟巢位置即最优的震源位置，输出最优震源位置。
[0044]
本发明创造的有益效果是：使用改进布谷鸟搜索算法对目标函数进行寻优搜索，减小了位置更新的随机性，提升了自适应性，提高了全局搜索能力和局部收敛能力，能够快速找到最优解，引入新型元启发式的群智能优化算法对微震震源进行定位，具有很好的鲁棒性，提高了震源定位的精度和速度。
附图说明
[0045]
图1是本发明中的tdoa模型图；
[0046]
图2是算法流程图；
[0047]
图3是传感器和微震事件位置图。
具体实施方式
[0048]
实施例1：
[0049]
基于tdoa-ics的矿震震源定位方法研究，其步骤为：
[0050]
(1)选取目标函数
[0051]
当矿震发生时，p波由于传播速度快容易被拾取，所以使用传感器坐标以及p波初至到时进行震源定位。tdoa-ics模型是元启发式算法，需要提前模拟震源点pk(k＝1，2，3
…
m)，m为模拟震源点数量，当模拟震源点移动至真实震源点时，定位结束。设模拟震源点信息p(x0，y0，z0，t0)，x0，y0，z0为震源点坐标，t0为发震时刻。设传感器信息si(xi，yi，zi，ti)(i＝1，2，3
…
n)，xi，yi，zi为第i个传感器的坐标，ti为p波到第i个传感器的测量到时，n为传感器数量。震源p到传感器si的空间距离为di。
[0052]di
的求解公式为：
[0053][0054]
传感器si的测量到时ti为：
[0055][0056]
其中：v为p波速度，t0为发震时刻，di为震源p到传感器si的空间距离。
[0057]
选取传感器s1作为参考点，那么传感器si相对于参考点接收震源信号的时间差t
i1
可以表示为：
[0058][0059]
对tdoa模型的时间差向量方程组展开求解，根据最大似然法得到残差方程：
[0060][0061]
其中：f为目标函数，为最小差值绝对值，f越小，表明离实际震源点越近。
[0062]
(2)初始化改进布谷鸟算法
[0063]
对改进布谷鸟算法进行种群初始化，随机生成n个个体，即n个模拟震源点，确定最大迭代次数iter
max
、最大步长s
max
和最小步长s
min
。
[0064]
(3)计算初始震源点的适应度值
[0065]
根据目标函数计算初始种群即初始震源点的适应度值，选取最小适应度对应的鸟巢位置为最优震源位置。
[0066]
(4)更新震源位置
[0067]
布谷鸟算法通过模仿布谷鸟在繁育后代中的行为而提出的一种搜索方法。其思想主要遵从两个策略：布谷鸟的巢寄生性和莱维飞行机制。通过随机行走的方式搜索巢穴产卵寄生，每一个巢穴都相当于一组解，通过不断地迭代，最终得到可以产卵的最优巢穴。
[0068]
cs算法通过莱维飞行的方式产生的位置更新公式如下：
[0069][0070]
其中：x
it+1
是第i个巢穴在第t+1代的位置，x
it
是第i个巢穴在第t代的位置，α是步长比例因子，一般取值为0.01，是点乘。
[0071]
l(λ)为莱维随机搜索路径，服从levy分布：
[0072]
l(s，λ)～s-λ
(1＜λ≤3)
[0073]
s是由莱维飞行产生的随机步长，目前莱维飞行的实现常采用mantegna算法模拟，表达式如下：
[0074][0075]
其中：β为给定常数，一般取值为1.5，μ、ν服从正态分布：μ-n(0，σ
μ2
)、v-n(0，σ
v2
)，其中：σv＝1。
[0076]
将公式代入公式可得：
[0077]
x
it+1
＝x
it
+αs(x
it-x
bestt
)
[0078]
原始cs算法中步长s的大小会受参数β的直接影响，而β取固定值1.5，所以固定步长会导致莱维飞行运动不具备自适应性，无法保证全局效果。所以对cs算法中的步长比例因子α进行了改变，引入基于自适应度调节的指引因子，以此保证在算法迭代的前期阶段，能够以较大步长实现快速搜索并确定求解区域，提高全局搜索能力；在算法迭代的后期阶段，能够以较小步长实现莱维飞行较短距离移动，精细局部搜索过程，从而协调好算法大范围内全局搜索和局部精细搜索的性能。步长比例因子g定义公式如下：
[0079][0080]
其中：s
min
和s
max
分别表示预先设定的步长的最小值和最大值，f表示当前点的适应度值，f
ave
和f
best
分别表示适应度值的平均值和最优值。
[0081]
引入基于自适应度调节的指引因子后，更新巢穴的位置公式就变为：
[0082]
x
it+1
＝x
it
+gs(x
it-x
bestt
)
[0083]
使用改进后的位置更新公式更新鸟巢位置，也就是更新震源位置，根据利用tdoa模型求得的目标函数计算新一代震源的适应度值并与上一代的适应度值比较，保留最小适应度值所对应的震源位置。
[0084]
(5)丢弃震源位置
[0085]
位置每更新一次，就有可能存在鸟蛋被发现的情况，此时就要寻找新的鸟巢位置即震源位置，采用局部随机行走的方式寻找新位置，计算公式为：
[0086]
x
it+1
＝x
it
+gs
×
h(p
a-∈)
×
(x
jt-x
kt
)
[0087]
其中：pa是被发现的概率，∈是服从均匀分布的随机数∈ ∈[0，1]，h是跃迁函数，也就是∈大于或等于pa时数值为1，否则为0，x
jt
和x
kt
是在第t代通过随机排列随机选择的两个不同的位置。
[0088]
如果∈＜pa，则保留当前的鸟巢位置；否则，根据位置更新公式产生一个新的鸟巢位置，重新计算适应度值，找到这一代的最小适应度值并与上一代的最小值比较，若这一代的最小值小，最优模拟震源点则更改为此最小值对应的鸟巢位置。
[0089]
(6)不断更新震源位置
[0090]
重复步骤(4)和步骤(5)，持续更新算法中的震源位置。
[0091]
(7)确定最优震源位置
[0092]
当算法达到最大迭代次数时，说明找到了最优的鸟巢位置即最优的震源位置，输出最优震源位置。
[0093]
实施例1：
[0094]
为了验证ics算法的定位精度，进行了定位精度的模拟实验。实验采用python语言，设置10个传感器，6个微震事件，采用井上井下联合布置的方式，覆盖范围为1000
×
1000
×
1000。10个传感器如图3中字母所示，各传感器坐标分别为：a(0，0，0)、b(1000，0，0)、c(1000，1000，0)、d(0，1000，0)、e(0，500，0)、f(0，0，1000)、g(1000，0，1000)、h(1000，500，1000)、i(1000，1000，1000)、j(0，1000，1000)。6个微震事件如图3中数字所示，各微震事件
坐标分别为：1(519，492，553)、2(971，63，411)、3(547，881，732)、4(1025，845，689)、5(463，603，1427)、6(901，1126，997)，其中事件1、事件2、事件3位于传感器形成的封闭空间中，事件4、事件5、事件6位于封闭空间之外。实验中设定波速v＝3850m/s，发震时间为1s。
[0095]
实验将改进布谷鸟搜索算法ics，原始布谷鸟搜索算法cs，海鸥优化算法(soa)，灰狼优化算法gwo，非线性最小二乘法nls进行对比。灰狼优化算法是mirjalili提出的优化算法，研究表明gwo在声发射领域应用广泛；非线性最小二乘法是经典定位算法，ics、cs、soa、gwo都以利用tdoa到达时间差模型所求得的差值绝对值之和作为目标函数。首先，计算上述微震事件位置坐标到各个传感器的传播时间，波速浮动为
±
1％、
±
3％和
±
5％，加上发震时间即为各个传感器对应的到时；然后，将计算出的到时作为源数据，使用上述定位算法进行震源定位，这五种算法均采用恒定速度；最后，分析五种定位算法的定位误差。
[0096]
以计算所得的到时信息作为源数据，分别采用ics、cs、soa、gwo和nls对6个事件进行震源定位。
[0097]
在
±
1％范围内浮动速度的情况下，nls算法的定位效果最差，误差明显高于其他四种算法。gwo算法因其易于陷入局部极小值，导致算法无法继续收敛，所以gwo算法的定位精度低于cs算法。soa算法定位精度优于cs算法，cs算法更新位置的步长由莱维飞行的方式随机产生，缺乏一定的自适应性，定位精度较低且不稳定。ics算法引入基于自适应度调节的指引因子以改进步长比例因子，使其由相关适应度值决定，降低了位置更新的不确定性，在算法迭代前期提高了全局搜索的能力，在迭代后期精细了局部搜索的过程，使定位误差最小效果最优，误差小于15m。
[0098]
在
±
3％范围内浮动速度的情况下，nls算法对六个事件的定位误差依然远远高于其他四种定位算法，均在60-90m之间。其他四种定位结果类似，ics算法的定位准确程度依然优于cs、soa和gwo算法，误差小于35m。
[0099]
在
±
5％范围内浮动速度的情况下，因为速度浮动较大，所以所有的定位算法的误差都明显增大。其中，nls算法的最大误差超过250m，结果与实际震源位置相差甚远。ics、cs、soa和gwo算法的定位结果相对准确，cs、soa和gwo算法的定位误差小于110m，本文提出的ics算法的定位误差小于65m。
[0100]
分析不同的速度浮动实验结果可知，ics算法的定位效果更为准确，定位误差更小。
[0101]
以事件3为例，当速度浮动由
±
1％、
±
3％和
±
5％增加时，nls定位算法的定位误差显著上升，在
±
5％范围内浮动速度的情况下，事件3的定位误差大于100m。cs、soa、gwo算法的定位误差也随着速度浮动的增加而增加，尽管定位的准确度仍然高于nls算法，但是在
±
5％范围内浮动速度的情况下，事件3的定位误差也超过了40m。而ics算法的定位精度浮动较小，明显优于其他四种算法。计算可得，ics、cs、soa、gwo和nls算法在
±
1％、
±
3％和
±
5％速度浮动下定位结果的平均标准差为16、28、30、37和70，依然是ics算法的平均标准差更小，具有更强的鲁棒性。

技术特征：
1.一种基于tdoa-ics的矿震震源定位方法，其特征在于，其步骤为：(1)选取目标函数：利用tdoa到达时间差模型，计算理论时间与实际时间的差值，将差值绝对值之和作为目标函数；(2)初始化改进布谷鸟算法：对改进布谷鸟算法进行种群初始化，随机生成n个个体，即n个模拟震源点，确定最大迭代次数iter
max
、最大步长s
max
和最小步长s
min
；(3)计算初始震源点的适应度值：根据目标函数计算初始种群即初始震源点的适应度值，选取最小适应度对应的鸟巢位置为最优震源位置；(4)更新震源位置：采用引入了自适应调节步长的位置更新公式产生新一代的鸟巢位置即震源位置，计算新一代震源的适应度值并与上一代的适应度值比较，保留最小适应度值所对应的震源位置；(5)丢弃震源位置：位置每更新一次，如果存在鸟蛋被发现的情况，则寻找新的鸟巢位置即震源位置，采用局部随机行走的方式寻找新位置，重新计算适应度值，找到这一代的最小适应度值并与上一代的最小值比较，若这一代的最小值小，最优模拟震源点则更改为此最小值对应的鸟巢位置；(6)不断更新震源位置：重复步骤(4)和步骤(5)，持续更新算法中的震源位置；(7)确定最优震源位置：当算法达到最大迭代次数时，说明找到了最优的鸟巢位置即最优的震源位置，输出最优震源位置。2.根据权利要求1所述的一种基于tdoa-ics的矿震震源定位方法，其特征在于，所述的步骤1中，具体方法为：当矿震发生时，使用传感器坐标以及p波初至到时进行震源定位，tdoa-ics模型是元启发式算法，需要提前模拟震源点p
k
(k＝1，2，3
…
m)，m为模拟震源点数量，当模拟震源点移动至真实震源点时，定位结束；设模拟震源点信息p(x0，y0，z0，t0)，x0，y0，z0为震源点坐标，t0为发震时刻，设传感器信息s
i
(x
i
，y
i
，z
i
，t
i
)(i＝1，2，3
…
n)，x
i
，y
i
，z
i
为第i个传感器的坐标，t
i
为p波到第i个传感器的测量到时，n为传感器数量，震源p到传感器s
i
的空间距离为d
i
；d
i
的求解公式为：传感器s
i
的测量到时t
i
为：其中：v为p波速度，t0为发震时刻，d
i
为震源p到传感器s
i
的空间距离；选取传感器s1作为参考点，传感器s
i
相对于参考点接收震源信号的时间差t
i1
表示为：对tdoa模型的时间差向量方程组展开求解，根据最大似然法得到残差方程：其中：f为目标函数，为最小差值绝对值，f越小，表明离实际震源点越近。3.根据权利要求1所述的一种基于tdoa-ics的矿震震源定位方法，其特征在于，所述的
步骤(4)中，具体方法为：cs算法通过莱维飞行的方式产生的位置更新公式如下：其中：x
it+1
是第i个巢穴在第t+1代的位置，x
it
是第i个巢穴在第t代的位置，α是步长比例因子，一般取值为0.01，是点乘；l(λ)为莱维随机搜索路径，服从levy分布，l(s，λ)～s-λ
(1＜λ≤3)s是由莱维飞行产生的随机步长，目前莱维飞行的实现常采用mantegna算法模拟，表达式如下：其中：β为给定常数，一般取值为1.5，μ、ν服从正态分布：μ-n(0，σ
μ2
)、ν-n(0，σ
v2
)，其中：将公式代入公式可得：x
it+1
＝x
it
+αs(x
it-x
bestt
)对cs算法中的步长比例因子α进行改变，引入基于自适应度调节的指引因子，保证在算法迭代的前期阶段，能够以较大步长实现快速搜索并确定求解区域；在算法迭代的后期阶段，以较小步长实现莱维飞行较短距离移动，精细局部搜索过程，协调好算法大范围内全局搜索和局部精细搜索的性能；步长比例因子g定义公式如下：其中：s
min
和s
max
分别表示预先设定的步长的最小值和最大值，f表示当前点的适应度值，f
ave
和f
best
分别表示适应度值的平均值和最优值。引入基于自适应度调节的指引因子后，更新巢穴的位置公式就变为：x
it+1
＝x
it
+gs(x
it-x
bestt
)使用改进后的位置更新公式更新鸟巢位置，也就是更新震源位置，根据利用tdoa模型求得的目标函数计算新一代震源的适应度值并与上一代的适应度值比较，保留最小适应度值所对应的震源位置。4.根据权利要求1所述的一种基于tdoa-ics的矿震震源定位方法，其特征在于，所述的步骤(5)中，具体方法为：采用局部随机行走的方式寻找新位置，计算公式为：x
it+1
＝x
it
+gs
×
h(p
a-∈)
×
(x
jt-x
kt
)其中：p
a
是被发现的概率，∈是服从均匀分布的随机数∈∈[0，1]，h是跃迁函数，也就是∈大于或等于p
a
时数值为1，否则为0，x
jt
和x
kt
是在第t代通过随机排列随机选择的两个不同的位置；
如果∈＜p
a
，则保留当前的鸟巢位置；否则，根据位置更新公式产生一个新的鸟巢位置，重新计算适应度值，找到这一代的最小适应度值并与上一代的最小值比较，若这一代的最小值小，最优模拟震源点则更改为此最小值对应的鸟巢位置。

技术总结
一种基于TDOA-ICS的矿震震源定位方法，该方法首先计算TDOA模型，得到一组线性方程组，并利用最大似然法得到目标函数。然后，采用改进布谷鸟算法对目标函数进行寻优操作，引入基于自适应度调节的步长比例因子，优化选取布谷鸟鸟巢即震源位置的方式，均衡调节算法的全局搜索和局部搜索的能力。相较于传统的定位算法，TDOA-ICS表现出更高的准确性和更强的稳定性。上述方法加快了算法的收敛速度、提高算法的稳定性和定位准确度。的稳定性和定位准确度。的稳定性和定位准确度。


技术研发人员：马技 刘彩霞 丁琳琳 罗浩 马祥 朱彦飞 岳辉
受保护的技术使用者：辽宁大学
技术研发日：2023.05.10
技术公布日：2023/8/4