约束模拟退火反演

模拟退火算法的最大优点是可以突破寻优过程中局部最优的限制，所以该方法适用于解决地震反演中普遍存在的非册凸性目标函数的最优化问题。本文讨论了用模拟退火（ＳＡ）法进行地震资料的参数反演以及约束条件对反演过程的控制作用。约束条件包括模型参数取值范围和选择初始模型，加入约束条件提高了模拟退火反演的收敛速度，使反演解更为合理。通过理论模型试算和实际资料试处理，证明该方法精度高，实用性强。     

同伦神经优化理论及其在地震反演中的应用

地震数据反演是一个典型的非线性逆问题，其目标函数都是多极值的函数。因此，传统的迭代优化方法常常会遇到局部收敛性的限制。本文提出的同伦神经优化理论（ＨＮＯＴ）及其算法（ＨＮＯＡ）能将非线性多极值目标函数较快地收敛于全局极值。是一种有效的反演方法。本文将该反演方法与相邻道互相关技术和层位信息约束有机地结合起来，实现了地震数据控制下的井资料高分辨率岩性参数联合反演。理论模型与实际资料的处理结果表明，本文     

基于小波变换的叠前地震弹性参数反演

 常用的叠前反演方法是对目标函数的非线性做近似线性化处理，使反演结果接近全局最优解，否则易陷入局部极小。此外，叠前反演是针对地震道或者反射系数的拟合，其目标函数中存在许多局部极小，这些都直接影响到迭代反演达到全局极小。为此本文提出基于小波变换的叠前地震弹性参数反演方法。由于小波多尺度反演是一种加快收敛速度、克服局部极值影响、搜索全局最小值点的有效反演手段，因此具有很强的抗噪能力及较高的分辨率。模型试验和实际资料处理结果表明，本文方法不仅能提高解的稳定性、加快求解的速度，而且具有较高的纵、横向分辨率。     

基于遗传算法的波阻抗混合反演

文章提出采用二进制字符串编码、遗传操作为最优保存策略选择、多点交叉和非均匀变异的遗传算法，将线性反演与遗传优化算法组合用于地震资料波阻抗反演。即在获得了线性反演的输出序列后，由它作为选择遗传算法初始种群的产生依据，大大缩小了遗传算法的搜索范围。再由遗传算法的寻优操作，得到满足遗传算法反演目标函数的波阻抗序列，用Ackley实验函数，证明了文章中遗传算法的有效性和收敛性，实现了线性反演算法和遗传算法的波阻抗混合反演。通过理论模型与井旁道的试算处理，表明了基于遗传算法波阻抗混合反演的可行性。     

基于遗传算法的叠前地震波形反演构建虚拟井曲线

 鉴于叠前反演分辨率高，叠后反演速度快、稳定性好，所以叠前和叠后混合反演正成为人们研究的热点。其关键技术是叠前地震波形反演构建虚拟井曲线，在此基础上以虚拟井作为控制信息进行叠后反演。本文采用遗传算法（GA）全局寻优的非线性反演方法构建虚拟井曲线，成功地解决了叠前地震波形反演面临的数据和模型之间高度非线性及目标函数具有多个极小值问题。文中给出了利用GA地震波形反演的计算步骤及关键步骤的注意事项。实例结果表明该方法可行。     

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。     

波动方程正演引导的深度学习地震波形反演

物理驱动的全波形反演方法计算成本高，数据驱动的深度学习反演方法对标记数据集的依赖性强。为了在有限的数据条件下获得更好的反演结果，结合数据驱动与物理驱动，提出了波动方程正演引导的深度学习地震波形反演方法。首先，利用地震数据应用神经网络重建速度模型，对网络预测的速度模型进行正演建模，通过最小化速度模型的误差及地震数据的误差训练网络；其次，使用有限差分法将二阶偏微分波动方程近似为可微算子，使正演过程能够传递梯度，并根据梯度方向动态调整地震数据损失的权重。实验结果表明，该方法能在一定程度上降低数据驱动方法对标记数据集的依赖性，可得到更准确的速度模型，且具有较强的鲁棒性。     

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。     

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。     

联合反演中多尺度地震资料自适应方法研究

对多尺度地震资料进行联合反演可以提高储层的分辨能力.在多尺度地震资料联合反演过程中,因受地面地震、VSP地震和井间地震资料不同尺度数值影响,联合反演目标函数的收敛条件不确定,难以取得稳定且具有地质意义的效果.针对该问题,提出了一种多尺度地震资料自适应联合反演方法,该方法将标准差项引入联合反演目标函数,改进了联合反演目标...     

一种叠前地震记录的全波场正反演方法

利用叠前地震数据的振幅及旅行时信息进行叠前地震记录的全波场反演，可以得到比常规叠后波阻抗反演更丰富的储层物性参数。同其它地球物理反问题类似，叠前地震全波场反演也需要某种正演算法来合成叠前记录。因为层状弹性半空间的地震波传播规律足以模拟通常的AVO分析，这样就可用慢度法作为叠前地震记录的正演模拟方法。慢度法能够提供地震波场的完全解，其结果包含了一次波、多次波和转换波。叠前反演问题由遗传算法实现，并根据叠前反演这一特定的多参数非线性问题，设计了遗传算法的所有算子，使其能够最大限度地搜索解空间并有效地搜索到最优解。叠前反演得到的纵波速度、横波速度和密度可用于指导岩性和流体的识别。     

初至波波形反演方法及其数值模拟试验

近地表速度模型的反演精度是影响复杂地表条件下地下地质构造成像效果的主要因素之一。初至波波形反演方法将速度建模问题转化为寻求地震数据信息和理论模型的最佳拟合,即转化为求解目标函数极小化问题,利用观测记录和模型正演记录之间的最佳匹配关系建立地下模型。梯度类波形反演方法的关键因素是目标函数、梯度和步长,梯度问题可以通过确定合适的目标函数来解决,选取合适的步长可以有效地提高波形反演的计算效率和反演精度。初至波波形反演方法类似于对地表模型同时做偏移和层析,能够同时分辨出高波数和低波数成分,并且同时恢复速度值和速度界面。初至波波形反演结果与初至波射线走时层析反演结果的对比分析表明,对于速度变化比较缓慢的起伏地表,前者的反演效果明显优于后者。     

非机理模型优化问题的NN-GA方法研究

针对化工过程系统中难于建立机理模型的过程或设备,提出了集成运用神经网络和遗传算法的优化方法（ＮＮ－ＧＡ方法）,并介绍了对神经网络训练算法的有效改进以及ＮＮ－ＧＡ方法的实施过程,给出了应用实例,分析了ＮＮ－ＧＡ方法与统计回归分析相比所具有的独特优势。     

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。     

层状半空间地震数据的弹性波方程反演

由于叠前地震数据同时含有丰富的纵波和横波信息，而且这些信息与岩性密切相关，因此根据叠前数据的反演可以得到比常规叠后波阻抗反演更丰富、更有效的岩性信息。由于层状弹性半空间的地震波传播规律具备模拟AVO分析的条件，所以可采用一种基于弹性波波动方程的方法来合成叠前记录。文中推导了球面波在层状半空间形成的反射公式，此式包含了波前扩散效应、层状地层的横波反射及自由表面的反射，以此正演模拟算法为基础，建立了一套叠前弹性波方程反演方法，其中反演问题的求解用遗传算法完成。为了能有效地搜索到最佳地层参数，遗传算法的具体实现完全依照叠前反演这一特定的多参数非线性优化问题而设计。由叠前弹性波反演得到的纵横波速度和密度可用来计算泊松比、弹性模量等岩石物性参数，为识别储层孔隙中的流体性质提供了新手段。     

基于柯西分布的频率域全波形反演

全波形反演利用了波形的整体特征,是一种高分辨率的成像方法。目前广泛使用的最小二乘法全波形反演隐含了地震数据处理中噪声服从正态分布,限制了实际应用的效果。本文在假设地震数据噪声误差服从柯西分布的前提下,提出了一种基于柯西分布的频率域目标函数构造方法,推导出了相应的梯度表达式,通过对理论模型的数值合成记录加入随机脉冲噪声、高斯噪声和线性噪声,验证本方法的正确性。反演过程中采用拟牛顿法从低频到高频进行了多尺度的全波形反演,并将低频反演结果作为高频反演的初始模型以便减少解的非唯一性。研究结果表明：该方法相对于最小二乘全波形反演方法,在噪声存在且不满足高斯正态分布的情况下,仍然能够得到较好的反演结果。     

用遗传算法反演层状弹性介质

地球物理反问题是一个典型的非线性最优化问题，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。常规的局部线性化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性搜索方法，不易于陷入局部极大值之中，且对初始依赖性不大，能较好地解决这一问题。本文在遗传算法中引入了多个目标函数的综合评价和灾变过程，对层状弹性介质（水平界面和弯曲界面）的纵、横波速度和密度进行     

最小平方滤波法时间域全波形反演

全波形反演是一种利用叠前地震记录的全波场信息重建地下介质物性参数的高精度速度建模法,但其反演效果常会受到“跳周”现象的影响。本文提出一种用最小平方滤波做数据预处理的反演方法,有效减弱“跳周”现象对反演结果的影响。该方法利用最小平方滤波减小模拟波场与观测波场之间的相位差,由滤波后波场构建一种新目标函数,使反演过程稳定地朝着全局极小点处收敛。数值模拟试验结果表明：基于最小平方滤波的全波形反演能有效改善反演效果,尤其在模型深部或大炮检距范围的效果更明显;新目标函数相比常规L₂范数能更稳定地下降,不易陷入局部极小,避免了常规全波形反演中易出现的严重“跳周”现象。     

系统模拟优化中的神经网络和遗传算法

根据神经网络的高度非线性映射能力和遗传算法的全局寻优能力，提出集成运用神经网络和遗传算法代替正交分析和回归分析寻找化工系统的优化操作条件的方法。先用正交试验数据建立系统的神经网络模型，再用遗传算法求解模型的最优解，之后进行验证试验，用这种方法可以找到试验区间内的最优解或近似最优解     

一种新的全局最优化反演计算方法

本文提出了一种新的最优化算法－坐标扰动法。该方法只需利用目标函数值,无需函数的导数,以正交的坐标轴方向为基本的搜索方向,当沿某基本的搜索方向搜索失败时,则对其进行扰动,从而改善其收敛性、达到全局收敛的目的。文中以一个函数极值求解问题和一维正交各向异性介质波形反演问题为例所进行的计算处理结果表明,本文提出的方法具有良好的全局收敛性,几乎不依赖于初值,便能以较高的精度逼近最优解。