Предлагается новый подход к решению обратной задачи метода MASW - определения одномерных моделей скорости поперечной волны обращением дисперсионных кривых поверхностных волн, на основе биоинспирированного алгоритма оптимизации "роя сальп" (Salp Swarm Algorithm или SSA). Его идея заключается в симуляции движения поисковых агентов (сальпов) в пространстве восстанавливаемых параметров аналогично поиску пищи с целью нахождения глобального оптимума. Исходные положения сальпов и источника пищи случайно инициализируются в пределах заданных границ. В ходе итерационного процесса сальпы двигаются к источнику пищи, который считается лучшим решением на текущей итерации. Процесс оптимизации включает в себя обновление позиций сальпов на основе математических выражений и ограничений пространства поиска. Данный алгоритм также адаптивно регулирует коэффициент, определяющий баланс между этапами обследования всего пространства и использованием локальных оптимумов. В рамках настоящего исследования SSA применяется для решения задачи инверсии дисперсионных кривых фазовых скоростей поверхностных волн. В такой постановке источником пищи служит позиция значений векторов скорости поперечной волны и мощности слоев восстанавливаемой скоростной модели в многомерном пространстве функционала невязки, обусловленного выбранной метрикой. Представлена наглядная визуализация работы SSA на примере двумерной задачи оптимизации и продемонстрирована его эффективность в поиске глобальных оптимумов. Рассматриваются различные метрики функционала невязки, которые играют важную роль в оценке точности решения. Выделены две группы метрик с разной точностью и проведен анализ их применимости в SSA. Изучение истории позиции поисковых агентов и кривых сходимости показывает, что продуктивность алгоритма растет с ростом числа итераций, также он способен эффективно осваивать пространство решения и избегать локальных оптимумов. Приведен анализ результатов синтетических экспериментов, включая различные классы слоистых скоростных моделей. Сравниваются результаты использования SSA и алгоритма Grey Wolf Optimizer (GWO). Оба алгоритма дают хорошие результаты, но SSA обеспечивает более устойчивое решение, кроме того, он успешно применяется в перепараметризованной постановке и демонстрирует более высокую эффективность по сравнению с алгоритмом GWO при разумных ограничениях пространства поиска решения.
