利用遗传-粒子群优化混合算法求取剩余静校正量

剩余静校正是一个具有多参数、多极值的全局优化问题,当大量未知参数存在时,常规的遗传算法（GA）几乎无法避免早熟现象,难以保证收敛于全局最优。结合粒子群优化算法（PSO）和遗传算法的优势,提出了一种新颖的粒子群优化-遗传混合算法。混合算法利用了粒子群优化算法的速度和位置的更新规则,并引入遗传算法里的交叉变异思想。用混合算法和遗传算法分别对两个理论模型进行试处理,处理结果表明,混合算法比遗传算法具有更好的性能,是一种求取复杂地形条件下剩余静校正量的实用方法。     

一种混合算法在试井参数优化中的应用

基于L-M和差分进化的混合算法是利用差分进化算法在一定进化代数后出现的种群聚类特性,将种群识别为不同的聚类区域,以每个聚类的中心为起始点,再利用基于梯度具有局部搜索能力强的L-M算法可以快速找到该聚类区域的最小极值.混合算法兼顾了差分进化全局搜索能力强和L-M局部搜索能力强收敛速度快的优点.将该混合算法应用于试井参数优化中,通过两种不同油藏模型的实例应用,结果表明,该混合算法比单一的算法优化速度更快,收敛精度更高.该混合算法实用性广,能有效的解决存在多局部极值的试井参数优化复杂问题.     

混合智能优化地震反演

传统非线性反演方法存在着收敛效率低,有时会陷入局部极值的问题。为此,研究开发了融合粒子群优化算法和郭涛算法的混合智能优化地震非线性反演技术。粒子群优化算法对解的更新更具有目的性,收敛速度快;郭涛算法构造了多父体交叉重组算子并采用群体爬山策略,求解精度高;混合智能优化算法以粒子群优化算法为主体框架,融入郭涛算法的寻优机制。函数优化测试、理论模型试算和实际资料反演处理结果表明,混合智能优化算法具有求解效率高、全局寻优能力强的优点,适合解决复杂的地震反演问题。     

随机共轭梯度反演法

本文提出一种新的非线性反演方法－随机共轭梯度法。该方法采用非启发式反演方法,快速收敛到某一极值;再用启发式反演方法跳出局部极值;然后使用非启发式反演方法收敛到另一局部极值,反复进行此过程;并在解空间范围内搜索,保留所有的局部极值,最终确定最优解。它继承了随机爬山法能够全局寻优、共轭梯度法计算速度快和精度高的优点,能快速搜索到全局最优解。试验证明,这种方法是一种高效的反演算法,特别适用于求解晨线性、     

一种用于波形反演的改进差分进化算法

当波形反演中待求参数维数较高时,传统的全局优化方法逐渐失去其有效性和优点。本文在差分进化算法的选择算子中借鉴协同进化法分解—协调的思想,将复杂问题分解为若干子问题,并为每个子问题引入局部适应度的概念,提出一种改进的差分进化算法(DE-CCS)。此方法首先根据局部适应度选择出准下一代;考虑到子问题之间的协调优化,最终的下一代则仍根据全局适应度选取。改进差分进化算法同时利用局部适应度和全局适应度引导进化方向,提高了收敛速度,且对高维问题更加有效。将该方法应用于正演速度慢、局部极值多的高维波形反演,模型和实际数据算例结果证明了该方法的有效性。     

基于SAAGA的剩余静校正方法研究及应用

复杂地表地区地震勘探的剩余静校正问题是一个非线性的、多参数、多极值的全局优化难题。当剩余静校正量大于分析时窗内子波周期的一半时,用传统的线性剩余静校正方法容易陷入局部极值而出现“周波跳跃“现象。为此,首先设计了剩余静校正的目标函数(对于炮记录模型,选用超长道集的互相关作为目标函数),借鉴模拟退火算法的思想,对遗传算法的目标函数进行尺度变换,详细分析了退火遗传算法的实现及参数选择方案,并用理论模型及实际地震资料对退火遗传剩余静校正算法进行了检验。模型和实际资料的处理结果表明,该算法提高了模拟退火和遗传算法的收敛能力和计算效率,能很好地解决低信噪比、大剩余静校正量的校正问题。     

海洋石油平台自动化管路布局优化算法设计

目前管路布局多依靠人工设计完成,工作量大、设计周期长。为提高设计效率,设计了一套自动化管路布局遗传模拟退火算法。其针对遗传算法易早熟、收敛速度慢等问题,引入模拟退火思想,对遗传算子进行Metropolis规则改进,提高初期进化时种群多样性,增强算法全局搜索能力;设置等温和退温内、外2层循环,提高算法收敛速度和性能。利用遗传算法和遗传模拟退火算法进行管路布局仿真试验计算并进行对比,对比结果表明,在相同初始条件和计算精度下,后者全局搜索能力强,不易陷入局部最优解,且收敛迅速、稳定,运算结果优于前者。     

基于MPI并行实数编码混合遗传算法的波阻抗反演

地球物理反演的局部线性方法易使解陷入局部极值,并严重依赖初始模型,而传统的遗传算法在优化应用中存在局部搜索能力弱、早熟收敛等问题,为此,提出了一种解决地球物理反演问题的并行实数编码混合遗传算法（MRCGA）。该方法采用拟网格法初始种群、综合交叉策略和线性算子,实现了并行实码混合遗传算法。理论模型试算证明了该算法反演地震波阻抗的有效性。     

海洋石油平台自动化管路布局优化算法设计

目前管路布局多依靠人工设计完成,工作量大、设计周期长。为提高设计效率,设计了一套自动化管路布局遗传模拟退火算法。其针对遗传算法易早熟、收敛速度慢等问题,引入模拟退火思想,对遗传算子进行Metropolis规则改进,提高初期进化时种群多样性,增强算法全局搜索能力;设置等温和退温内、外2层循环,提高算法收敛速度和性能。利用遗传算法和遗传模拟退火算法进行管路布局仿真试验计算并进行对比,对比结果表明,在相同初始条件和计算精度下,后者全局搜索能力强,不易陷入局部最优解,且收敛迅速、稳定,运算结果优于前者。     

遗传算法及其在剩余静校正中的应用

遗传算法是近期发展起来的处理非线性优化问题的一种方法。估算剩余静校正量本质上是一个非线性优化问题，而常用于评价解估计的目标函数却是一个具有多极值的非线性问题。当地震资料中的剩余静校正量大，信噪比低时，常规的局部线性反演方法往往易于陷入局部极大值之中，且严重依赖于初始模型的选取。遗传算法则是一种全局搜索方法，能较好地解决这一问题。     

混合优化自动剩余静校正方法研究

剩余静校正量计算本质上是一个非线性优化问题。针对单独运用遗传算法或模拟退火算法求解剩余静校正计算效率低、精度不高等缺点，本文提出了混合全局优化的自动剩余静校正方法，即利用两者的优点（遗传算法具有较强的把握搜索过程总体的能力，模拟退火法具有较强的局部搜索能力）开发的一种优化算法。文中对混合全局优化自动剩余静校正的处理流程和实现技术作了深入研究。从模型数据试算和我国西部某地区实际资料的处理结果可以看到，混合优化技术无论在运算速度还是在求解精度上都优于其他方法。     

混合优化波阻抗反演方法研究

地震反演常用的线性算法具有较快的收敛速度，但是易陷入局部最优解。因此需要引进一些非线性优化算法求解全局最优解。近年来相继出现了模拟退火、遗传算法、禁忌搜索算法和混沌搜索算法等，虽然这些算法具有较强的全局优化性能，但是其计算速度慢，远远不能满足实际生产的要求。如何将上述两类算法结合起来实现优势互补成为了反演中的一个重要课题之一。文章提出的混合优化波阻抗反演方法综合了共轭梯度算法和模拟退火算法的优点，在模拟退火反演框架内加入共轭梯度迭代算法，即在模拟退火反演过程中，当目标函数值满足给定的条件时，进行一定次数的共轭梯度迭代反演，最终以模拟退火反演结果来判断其收敛性。实际计算表明，该方法不仅收敛速度快，而且抗干扰能力强，计算得到的波阻抗剖面能较好的反映地层地质特征。     

一维大地电磁测深几种反演算法的比较研究

大地电磁反演算法主要分为线性与非线性两类。马奎特法、遗传算法以及模拟退火是其中具有代表性的算法。本文将三种方法的反演过程、结果及理论进行了对比研究，指出各自的优点与局限性，以及使用时应注意的相应条件。研究表明，马奎特法寻找目标函数全局最优的能力较差，只能局部寻优，但运算速度快；模拟退火法和遗传算法寻找目标函数全局最优的能力较强，但运算速度较慢。当对地下地电参数预先有一定程度了解，又可以选取比较合理的初始解时，可选择马奎特法，否则宜选用其他非线性全局寻优能力强的反演方法。     

预测特高含水期自然递减率的一种新方法

目前,很多油田都已进入了特高含水期,此阶段的自然递减率变化受多种因素影响,所以很难用传统的数学方法表达其变化规律,并对其变化趋势进行预测.在分析了遗传算法和基本反向传播算法各自的优势和原理的基础上,针对前向网络反向传播算法收敛速度缓慢和易陷入局部极值点的缺点,将有全局寻优特性的遗传算法与反向传播算法有效地结合,提出了一种快速、高效的前向网络学习算法,即GA-BP算法.此方法在特高含水期油田自然递减率预测中的应用结果表明,此方法比基本BP算法具有更好的适应性,预测精度较高,能够较好地反映自然递减率与其影响因素之间的内在关系,所以利用改进BP神经网络方法预测特高含水期自然递减率是有效的、可行的.     

Permeability Estimation of the Reservoir Based on Particle Swarm Optimization Coupled with Artificial Neural Networks

Abstract

In this work we investigate how the integration of back-propagation (BP) with particle swarm optimization (PSO) improves the reliability and prediction capability of PSO. This strategy is applied to predict permeability in Mansuri Bangestan reservoir located in Ahwaz, Iran, utilizing available geophysical well log data. Our methodology utilizes a hybrid PSO–BP. The particle swarm optimization algorithm was shown to converge rapidly during the initial stages of a global search, but around global optimum, the search process will become very slow. On the contrary, the gradient descending method can achieve faster convergence speed around global optimum and with greater accuracy. The proposed algorithm combines the local search ability of the gradient-based BP strategy with the global search ability of particle swarm optimization. PSO is used to decide the initial weights of the gradient decent methods so that all of the initial weights can be searched intelligently. The experimental results show that the proposed hybrid PSO–BP algorithm is better than the PSO algorithm in convergence speed and accuracy.     

带模拟退火的拟ＢＰ神经网络在伊朗某地区重力资料反演中的应用

选用目前非线性方法中的２个研究热点，即ＢＰ神经网络和模拟退火算法，用优化后的ＢＰ神经网络为主框架，结合位场反演的特点，在反演过程中引入模拟退火算法，这样既利用了ＢＰ神经网络指导学习的功能，提高了局部搜索性能，又利用了模拟退火算法的概率突跳性，实现了最终的全局收敛性，从而在减少多解性和提高反演的速度和精度等方面有了新的进展。通过模型试验，验证了该方法的有效性。本方法应用于伊朗某地区的重力资料反演，较好地反映了剖面的地质情况。     

大剩余静校正量求解的两步法

本文通过分别对非线性和线性反演方法的优缺点进行分析，提出了一种求解地震自动剩余静校正问题的两步法。该方法首先利用非线性方法获得线性反演方法的初始解，再利用线性反演方法获得最终的高精度解。在非线性反演阶段采用较小的静校正量模型空间，加快了非线性反演的收敛速度。模型和实际资料的计算表明，该方法较好地解决了获得的静校正量精度越高、计算效率越低的矛盾，可用于地表地质条件较为复杂地区的地震资料的静校正处理。