基于蝙蝠算法体系的大数据矿产资源评价模型研究及应用示范

Multi-source big-geo-data are main data sources for modern mineral resource assessment. Unfortunately, most mineral resource assessment models have their technical bottlenecks in multi-source big-geo-data processing. For this reason, our project team plans to introduce bat algorithm system, which has a superior performance in solving large-scale objective optimization problems, to the field of mineral resource assessment to develop a bat algorithm system model for multi-source big-geo-data mineral resource assessment. As objective optimization problems, the key scientific problems of each step of the mineral resource assessment procedure are quickly solved using the bat algorithm system model of mineral resource assessment. Ore-finding evidences are extracted automatically from the multi-source big-geo-data of the two demonstration areas, the ore-finding evidence combination optimization models, which are a combination of the bat algorithm system and optimum-path forest, and the optimal extreme learning machines, the parameters of which are optimized by the bat algorithm system, are set up and the mineral resource assessments of the two demonstration areas are completed. Typical examples of applying the bat algorithm system model to multi-source big-geo-data mineral resource assessment are established in the two demonstration areas. The expected achievements can promote the development of theory and method system of modern mineral resource assessment and improve the effectiveness of multi-source big-geo-data processing and automation level of the mineral resource assessment procedure as well as widen application fields of the bat algorithm system. Therefore, our research has an important significance in both theory and practice.

多源地学大数据是当代矿产资源评价的主要数据源，然而，大多数矿产资源评价模型存在多源地学大数据处理的技术瓶颈。鉴于此，项目组拟把解决大规模目标优化问题性能优越的蝙蝠算法体系引入矿产资源评价研究领域，研制多源地学大数据矿产资源评价的蝙蝠算法体系模型。把矿产资源评价各环节的关键科学问题作为目标优化问题用矿产资源评价蝙蝠算法体系模型快速求解，实现两个示范区多源地学大数据找矿证据的自动提取，进而建立结合蝙蝠算法体系与最优路径森林的找矿证据组合优化矿产资源评价模型和蝙蝠算法体系优化极限学习机的矿产资源评价模型，完成两个示范区矿产资源评价研究工作，创建多源地学大数据矿产资源评价蝙蝠算法体系模型应用研究的典型范例。预期研究成果能够促进当代矿产资源评价理论与方法体系的发展，提高矿产资源评价过程的多源地学大数据处理效率和自动化水平，拓宽蝙蝠算法体系的应用研究领域，具有重要的理论和实际意义。

蝙蝠算法是Xin-She Yang 于2010年提出的一种群体智能算法。该算法是模拟蝙蝠利用声呐探测猎物、规避障碍物的一种启发式搜索算法。其工作原理为，将种群数量为L的蝙蝠个体映射为m-维问题空间中的L个可行解，将优化搜索过程模拟成蝙蝠个体搜寻猎物的飞行过程，用求解问题的适应度值衡量蝙蝠个体所处位置的优劣，将个体的优胜劣汰过程类比为优化搜索过程中用好的可行解替代较差可行解的迭代过程。蝙蝠算法动态控制局部搜索和全局搜索间的相互转换，避免算法陷入局部最优，具有很好的全局收敛性，适合于解决大规模目标优化问题。.鉴于蝙蝠算法体系可用于一组变量表达式构成的目标函数的优化。项目组把矿产资源评价过程的诸环节归结成目标函数优化问题，从而，借助蝙蝠算法求解矿产资源评价建模和预测问题。把ROC曲线分析理论与蝙蝠优化算法体系相结合，把ROC曲线分析中的AUC值作为蝙蝠算法体系的优化目标函数，成功地完成了基于蝙蝠算法的数据驱动矿产资源评价模型理论框架研究工作，创立了基于蝙蝠算法的大数据矿产资源评价数据驱动模型（Bat algorithm-based data-driven mineral propsectivity mapping model）并成功应用于实验区矿产资源评价研究。同时，鉴于机器学习模型存在初始化参数过多、最优初始化参数确定过程费时、费力等弊端，把蝙蝠优化算法与机器学习模型和ROC曲线分析理论相结合，创立了蝙蝠优化机器学习矿产资源评价模型理论框架，提出了蝙蝠优化单类支持向量机（Bat algorithm-optimized one class support vector machine）模型并应用于实验区矿产资源评价研究，取得了较好的矿产预测效果。另外，在蝙蝠优化机器学习矿产资源评价模型理论框架下，提出了蝙蝠优化孤独森林（Bat-optimized isolation forest）和蝙蝠优化椭圆信封(Bat-optimized elliptic envelope)两种多元地球化学异常识别模型并成功应用于实验区多元地球化学异常识别研究。这些重要进展对完善大数据矿产资源评价方法体系和多元地球化学异常识别方法方法体系具有促进作用。