用改进的遗传算法进行地震波阻抗反演

为解决地震波阻抗反演的实际问题。在自然界生物遗传过程优选和进化原理的基础上对传统的遗传算法进行了改进。提出了改进的遗传算法(GA)首先取消传统的二进制编码、解码过程而使用五进制进行编码:然后是在遗传操作中引入Boltzman生存机制。使用改进的遗传算法对地震波阻抗进行反演,目标函数可以达到数量级,这就使退火遗传算法的非线性方法能够应用于地震波阻抗反演中     

用改进的遗传算法进行地震波阻抗反演

为解决地震波阻抗反演的实际问题。在自然界生物遗传过程优选和进化原理的基础上对传统的遗传算法进行了改进。提出了改进的遗传算法(GA)首先取消传统的二进制编码、解码过程而使用五进制进行编码:然后是在遗传操作中引入Boltzman生存机制。使用改进的遗传算法对地震波阻抗进行反演,目标函数可以达到数量级,这就使退火遗传算法的非线性方法能够应用于地震波阻抗反演中。     

用改进的遗传算法进行地震波阻抗反演研究

本文介绍的遗传算法是在自然界生物遗传过程优选和进化的基础上，针对地震波阻抗反演的实际问题，对传统的遗传算法进行改进，取消传统的二进制编程，解码过程，直接使用十进制实数进行运算，在对反演参数的约束方面，采用约束法，不仅大大简化了算法的过程，而且使收敛速度大大加快，使用改进的算法对地震波阻抗进行反演，可使目标函数达到１０＾－４数量级，这就使遗传算法的非线性化方法可应用于地震波阻抗反演中。     

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。     

基于粒子群优化算法的波阻抗反演研究

波阻抗反演属于最优化问题，其目标函数可能包含多个在一定范围内连续的变量。传统的优化手段对某些函数存在难以优化，容易陷入局部解，收敛速度缓慢等问题。粒子群算法只考虑目标函数，对初始模型的依赖程度不高，可以随机地在全局域内进行搜索。通过分析粒子群算法的原理，提出了地震波阻抗反演粒子群算法的实现方法。详细地分析了粒子群算法的抗噪能力及算法中各参数对反演结果的影响，得出参数的最优组合。利用模型数据对该方法进行检测，在无噪情况下，反演结果与模型一致；在加入3%，10%和25%的噪声后，反演前后的相关系数分别为98.31%，93.27%和82.09%，证明了该方法的有效性。     

随机油价下油田产量构成优化模型的混合遗传算法求解

建立随机油价下油田产量构成优化模型，在此基础上将Powell方法作为一个与选择、交叉和变异平行的算子嵌入到标准遗传算法中，并利用模拟退火精确罚函数法处理约束条件，构成了遗传算法、Powell方法与模拟退火算法相结合的Powell遗传退火精确罚函数算法。结合实例分析，将算法应用到随机油价下油田产量构成优化模型中并得到了最优解。     

地震波阻抗反演的粒子群算法实现

粒子群算法是一类基于群智能的随机优化算法。通过对粒子群算法原理的研究,提出了地震波阻抗反演的粒子群算法实现方法。并利用模型对该方法进行了检验,在无噪声的情况下,反演结果与模型一致;在加入不同程度的随机噪声后,反演结果与模型相差不大。最后在相同模型下比较了该方法与遗传算法的实现效果,结果表明,粒子群算法具有很强的全局搜索能力,反演结果精度较高。     

基于BP网络和遗传算法的波阻抗混合反演

针对BP网络和遗传算法（GA）波阻抗反演精度较低且效率不高等问题，提出一种基于BP网络和遗传算法的混合波阻抗反演方法。该方法利用BP算法计算出一定精度的波阻抗初始模型后，再利用改进的遗传算法对该初始模型进行迭代反演，可得到精度更高的反演结果。BP-GA混合波阻抗反演算法简化了二进制的编码解码过程，对BP和GA进行了优化，在保证一定精度的条件下提高了收敛速度，分别用不同子波、不同初始模型和不同噪声试验了该方法的效果，并用实际资料验证了该算法的有效性。     

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。     

地质规律约束下的波阻抗反演

地质规律约束下的波阻抗反演是一种以褶积模型为基础的改进的波阻抗反演方法。针对波阻抗反演中的难点，充分考虑了沉积模式的特征，建立了地层波阻抗模型；同时采用贝叶斯估计理论作为地震波阻反演的准则，建立目标函数；在约束条件中加入构造倾角的影响，借助于模拟退火算法，在地质规律的约束下利用地震资料求取地层波阻抗。理论模型的计算结果表明，反演方法是切实可行的。     

基于混合优化算法的多杂质废水回用网络的优化设计

废水回用网络(Wastewater reuse network，WWRN)的优化设计是过程工业减少废水产生的关键所在。设计中所面临的主要困难是如何建立一个有效的过程流程，使水流股能进行有效的分配，同时保证清洗的质量。笔者提出了多杂质WWRN的有效优化设计方法，建立了多杂质WWRN的混合整数非线性规划(MINLP，Mixed integer nonlinear programming)超结构模型。由于MINLP问题求解困难，因此采用了自适应模拟退火遗传算法进行求解。该混合算法不仅克服了一般算法求解过程难于收敛或容易陷入局部最优的缺陷，而且自适应调整步长和交叉及变异概率的策略提高了算法的计算效率。对实例的研究结果表明，该混合算法能找到全局最优解，且计算时间可满足要求，另外，该算法也不要求提供初始可行解。     

遗传算法在丙烯氨氧化反应动力学参数估算中的应用

针对丙烯氨氧化反应动力学模型的特点，在遗传算法中采用了十进制科学记数编码以及延时变异策略，使搜索效率明显提高。通过对遗传算法受浓度权值系数的影响程度进行研究，发现算法对权值的变化较为敏感。此外，用遗传算法求取的动力学参数具有良好的物理意义，对组份浓度的拟合精度远高于传统优化算法，且避免了传统算法中的局部极值问题。     

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。     

利用TS与GA的混合算法（TSGA）求取剩余静校正量

静校正问题是一个具有多参数、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)几乎必然存在早熟收敛现象,很难保证全局收敛。为此,在Glover理论的基础上,本文提出一种GA与TS(禁忌搜索算法)的混合策略——TSGA。通过把TS独有的记忆功能引入到GA进化搜索过程之中,构造了新的重组算子TSR,针对GA爬山能力差和易早熟的缺陷,把TS作为GA的灾变算子TSM,即当GA陷于局部极值时,用TS对GA进行适当规模灾变,这样既保持了GA的已有搜索成果,又可以使GA跳出可能的局部极值陷阱,最终使搜索向全局极值前进。TSGA通过TS算法克服了GA爬山能力差的弱点,综合了GA具有多出发点、TS具有记忆功能和爬山能力强的优点,较好地解决了剩余静校正量求取的复杂非线性问题。模型数据处理结果表明,文中方法具有适应能力强、能快速收敛于大静校正量最优解的优点,是一项实用的求取复杂地形条件下静校正量的方法。     

基于改进的遗传算法的天然气管网系统运行优化

在天然气管网系统安全稳定运行的基础上,为了实现节能减排,充分合理地利用管道的输配能力,将目标函数定义为天然气的最大流量,同时考虑管道内天然气稳定流动、各节点流量平衡、节点及管段压力等约束条件,建立了天然气管网系统优化数学模型。采用整数编码来进行管径编码,用模拟退火罚函数转化约束条件,并合理地将遗传算法的全局寻优能力和模拟退火的局部搜索能力互补融合起来,实现算法的改进和优化。将改进的遗传算法应用到某大型天然气管网优化设计的实例中,计算结果表明,改进的遗传算法在解的质量上和收敛的速度上都优于基本遗传算法,验证了所建立的优化模型是高效可行的。     

The Use of Optimization Procedures to Estimate Minimum Miscibility Pressure

An important factor in the design of gas injection projects is the minimum miscibility pressure (MMP). A new genetic algorithm (GA)–based correlation and two neural network models (one of them is trained by back propagation [BP] algorithm and another is trained by particle swarm optimization algorithm) have been developed to estimate the CO₂–oil MMP. The correlation and models use the following key input parameters: reservoir temperature, molecular weight of C⁺ ₅, and mole percentage of the volatiles and intermediate components (for the first time, the mole percentages are used as independent variables). Then results are validated against experimental data and finally compared with commonly used correlations reported in the literature. The results show that the neural network model trained by BP algorithm and the correlation that has been developed by GA can be applied effectively and afford high accuracy and dependability for MMP forecasting.     

遗传模拟退火算法在储层属性建模中的应用

介绍了遗传和模拟退火算法,比较了两种算法的特性,引入具有自适应能力的遗传模拟退火,并用于储层属性的随机模拟。结果表明,新算法能提高收敛速度,提供全局最优搜索保障,改善算法的实用性。