一种量子行为进化算法及应用

为了提高进化算法的优化能力,提出一种量子行为进化算法.该算法基于Bloch球面建立搜索机制,首先用量子位描述个体,用泡利矩阵建立旋转轴,用量子位在Bloch球面上的绕轴旋转实现进化搜索;然后用Hadamard门实现个体变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.以函数极值优化为例,实验结果表明该算法具有较高的优化能力和优化效率.     

基于改进QGA的T-S模糊控制器设计

利用基于量子位测量的二进制量子遗传算法(QGA)对连续问题进行优化时,频繁的解码运算严重降低了优化效率。针对该问题,提出一种基于量子位相位编码的QGA。该算法直接采用量子位的相位对染色体进行编码,利用量子旋转门实现染色体上相位的更新,通过Pauli-Z门实现染色体的变异,由于优化过程统一在 空间进行,因此对不同尺度空间的优化问题具有良好的适应性。以单级倒立摆T-S模糊控制器参数的优化设计为例进行仿真,证明该算法在搜索能力和优化效率方面的优势。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

大庆油田南二区试验区井间示踪剂筛选

报道了为大庆油田南二区试验区筛选井间示踪剂的结果。初选非分配性示踪剂为硫氰酸钾,分配性示踪剂为正戊醇、异戊醇（3-甲基丁醇）、正丁醇,在地层水（回注污水）中背景浓度均为零;与地层水配伍;3个浓度的3组示踪剂回注污水溶液在50℃放置10天后,各剂浓度保留率大于80%,其中正丁醇的浓度保留率大于90%;硫氰酸钾在回注污水中的溶液在50℃老化28天,浓度仅减小1%。正戊醇在油中的分配系数最大,异戊醇次之,正丁醇最小,均符合要求。50℃下醇在油砂上的吸附大于硫氰酸钾,正丁醇的吸附最大,使用NaOH为牺牲剂使硫氢酸钾和正丁醇的吸附率急剧下降至1.0%-0.1%。在4.4×4.4×78（cm））的人造岩心和φ2.5×50（cm）非均质储层岩心上进行的流动实验中,出现硫氰酸钾和正戊醇浓度峰的时间差分别为133、472 min,但醇浓度峰较平坦,出现硫氰酸钾和正丁醇浓度峰的时间差分别为1201、25 min,两峰均十分尖锐,由浓度峰时间差计算的岩心剩余油饱和度误差,分别为7.14%、7.12%和4.44%、4.48%。所选示踪剂为硫氰酸钾＋正丁醇,已投入现场应用。图4表6参6。     

低渗透油藏渗流物理特征的几点新认识

对于低渗透油藏,油水界面张力、岩石润湿性和孔喉比是影响产量和采收率的重要因素,而润湿指数和润湿角通过毛管数与驱油效率有直接的定量关系。该文提出了一个关联着界面张力、润湿性和孔喉比的修正毛管数概念,建立了基于Amott润湿指数与USBM指数的润湿角表征方法,继而推导出低渗透储层毛管数表达式,并通过岩心实验确定出其与残余油饱和度的关系。以此为基础给出不同界面张力与润湿情况下的相对渗透率曲线、驱油效率和注入能力的计算公式,揭示了各种油藏物理参数之间的关联性,为优化低渗透油层化学驱改变界面张力、润湿性控制参数,进而为提高驱油效率和采收率提供了理论依据。     

基于BP神经网络的储层参数计算

本文提出了采用人工神经网络对油藏描述中的储层参数进行计算的方法 ,对 BP神经网络的算法进行了改进 ,提高了网络的收敛速度 ,在应用中取得了良好的效果。对神经网络技术在油藏描述中的应用进行了有益的尝试。     

基于过程神经网络和遗传算法的系统逆向过程求解

针对系统过程的逆向优化求解问题，提出了一种基于过程神经网络和遗传算法相结合的方法。首先根据实际问题的领域知识和学习样本集，确定能够满足系统实际输入输出关系的正向过程神经网络。然后按照系统在过程区间的某一期望输出，逆向确定系统的过程输入信号，即按照给定的期望输出，反求过程神经网络的输入函数，使该输入函数满足已确定的正向映射关系，从而完成系统的优化过程控制。文中给出了具体的实现算法，应用实例证明了该方法的有效性。     

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法.量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成.首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来.采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练.仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络.     

基于连续沃尔什变换的过程神经元网络训练

为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。对网络的过程式输入函数及时变的权函数,实施连续沃尔什变换,用变换后的数据训练网络。经过这种变换,能使网络输入的时域聚合运算大为简化,有效地避免了复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练。