Abstract Field data on fault-slip observations is commonly heterogeneous. Paleostress estimation from such data sets is, in general, carried out in two steps: (i) the classification of the heterogeneous data set into homogeneous subsets and (ii) an inversion of each homogeneous subset. This study gives a new approach, the HGA, that combines the two issues in a single step process and gives the stress tensors directly. The given heterogeneous data are directly operated upon by the genetic algorithm operators, initialization, elitism, selection, encoding, crossover and mutation. These operations simulate such a guided search that finds successively fitter solutions, the stress tensors, until the globally fittest solution is obtained. We first explain the basic steps of the algorithm on a working example and then demonstrate its veracity using several synthetic and two natural examples. The proposed genetic algorithm method obviates the necessity of having first to classify the heterogeneous data into homogeneous sets. It directly estimates different stress states by inversion of the given heterogeneous fault-slip data. In contrast to the existing linear methods, the method is not vulnerable to entrapment of the solution in a local optimum. Although the method requires an a priori estimate of the maximum number of expected homogeneous sets in a given population, this estimate does not control the final results. Like any other method, the genetic algorithm method too has its merits and limitations and these are discussed.

中文翻译：

---

HGA：一种从异构断层滑动数据直接估计古应力状态的遗传算法方法

摘要 关于断层滑动观测的现场数据通常是异质的。来自此类数据集的古应力估计通常分两个步骤进行：(i) 将异质数据集分类为同质子集和 (ii) 每个同质子集的反演。这项研究提供了一种新方法 HGA，它将两个问题结合在一个步骤过程中，并直接给出应力张量。给定的异构数据由遗传算法算子、初始化、精英主义、选择、编码、交叉和变异直接操作。这些操作模拟了这样的引导搜索，该搜索连续地找到更适合的解，即应力张量，直到获得全局最适合的解。我们首先在一个工作示例上解释算法的基本步骤，然后使用几个合成示例和两个自然示例证明其准确性。所提出的遗传算法方法消除了必须首先将异构数据分类为同构集的必要性。它通过对给定的异构断层滑动数据进行反演来直接估计不同的应力状态。与现有的线性方法相比，该方法不易陷入局部最优解。尽管该方法需要对给定总体中预期同质集的最大数量进行先验估计，但该估计并不能控制最终结果。像任何其他方法一样，遗传算法方法也有其优点和局限性，这些都将被讨论。所提出的遗传算法方法消除了必须首先将异构数据分类为同构集的必要性。它通过对给定的异构断层滑动数据进行反演来直接估计不同的应力状态。与现有的线性方法相比，该方法不易陷入局部最优解。尽管该方法需要对给定总体中预期同质集的最大数量进行先验估计，但该估计并不能控制最终结果。像任何其他方法一样，遗传算法方法也有其优点和局限性，这些都将被讨论。所提出的遗传算法方法消除了必须首先将异构数据分类为同构集的必要性。它通过对给定的异构断层滑动数据进行反演来直接估计不同的应力状态。与现有的线性方法相比，该方法不易陷入局部最优解。尽管该方法需要对给定总体中预期同质集的最大数量进行先验估计，但该估计并不能控制最终结果。像任何其他方法一样，遗传算法方法也有其优点和局限性，这些都将被讨论。它通过对给定的异构断层滑动数据进行反演来直接估计不同的应力状态。与现有的线性方法相比，该方法不易陷入局部最优解。尽管该方法需要对给定总体中预期同质集的最大数量进行先验估计，但该估计并不能控制最终结果。像任何其他方法一样，遗传算法方法也有其优点和局限性，这些都将被讨论。它通过对给定的异构断层滑动数据进行反演来直接估计不同的应力状态。与现有的线性方法相比，该方法不易陷入局部最优解。尽管该方法需要对给定总体中预期同质集的最大数量进行先验估计，但该估计并不能控制最终结果。像任何其他方法一样，遗传算法方法也有其优点和局限性，这些都将被讨论。