專利名稱：一種用于高維參數空間波形反演的協同變異差分進化算法的制作方法
技術領域：
本發(fā)明屬于地球物理勘探領域，涉及一種地球模型物性參數反演方法，特別涉及一種用于高維參數空間波形反演的協同變異差分進化算法。
背景技術：
隨著油氣田勘探開發(fā)程度的加深，油氣勘探對象日趨復雜，逐漸由簡單構造油氣藏向復雜構造油氣藏轉移，從構造油氣藏向地層一巖性等隱蔽油氣藏轉移。如何精細描述復雜構造和地層巖性是當前我國油氣勘探面臨的關鍵問題。波形反演方法直接應用地震波形反演地下介質參數，可包含各種類型的波，如多次波、轉換波、面波等，充分地利用了地震波的旅行時、振幅、相位和頻率等信息。所以，波形反演是準確了解地下復雜結構和介質物理性質(如速度、密度等)的潛在有效方法，近年來在勘探地球物理領域備受關注。已有的波形反演方法大體上可分為兩大類:一類是基于梯度的局部優(yōu)化方法，如梯度法、牛頓法和共軛梯度法等，這類方法容易陷入局部極值，結果依賴于初始模型；另一類是全局優(yōu)化方法，如模擬退火法、鄰域法、遺傳算法[4]、粒子群優(yōu)化法等，這類方法不依賴于初始模型和函數梯度值，但計算量較大。隨著計算機計算能力的提高，全局優(yōu)化方法得到越來越多的應用，但計算時間仍是制約全局優(yōu)化方法在波形反演中普遍應用的一個因素。另一方面，現有的全局優(yōu)化方法遭受到“維數瓶頸”問題，這些算法用于低維(維數100以下)問題時具有卓越的尋優(yōu)能力，但它們的搜索能力隨著搜索空間維數的增加會急劇下降。要精細刻畫地下介質，必需對介質進行細小的劃分，這就使得模型參數非常龐大，反問題的維數高達幾百幾千，常用的全局優(yōu)化方法不再有效或需要大量的迭代。協同進化算法是一種新的進化算法框架，該算法采用分解——協調的思想將高維問題分解為一系列相互關聯的子問題，每個子問題輪流交替進行優(yōu)化。協同進化算法對高維可分問題較為有效，但不適用于強非線性的高維波形反演。差分進化(DE)算法是由Store和Price于1996年首先提出的基于實數編碼的連續(xù)空間全局優(yōu)化算法,是一種原理簡單易于實現而又能力強大的模擬進化算法，之后，一些改進的DE算法被相繼提出。差分進化算法成功地應用到很多領域，如信號處理和地球物理反演[。但差分進化算法同樣受到“維數瓶頸”問題，在高維參數空間波形反演應用中仍需改進。
發(fā)明內容
本發(fā)明的目的在于克服上述現有技術的缺點，提供一種用于高維參數空間波形反演的協同變異差分進化算法，該算法利用局部適應度和全局適應度同時引導算法的搜索方向，從而大大提高了收斂速度和全局尋優(yōu)能力。本發(fā)明的目的是通過以下技術方案來解決的:該種用于高維參數空間波形反演的協同變異差分進化算法，包括以下步驟:I)采集原始地震資料，然后對采集到的地震資料進行預處理，處理后得到疊前共中心點道集或疊后地震數據，稱這個地震數據為觀測地震數據，記為Seis (r，0，其中1*表示檢波器接收點位置，t表示時間軸；2)構建水平層狀地質模型，給定地質模型的層數N和層的厚度，每層的介質模型參數包縱波波速度vp、橫波波速度Vs和密度P ;3)確定地質模型參數\、Vs、P的搜索空間，并指定待優(yōu)化的目標函數；4)在地質模型參數搜索空間內隨機地生成NP個地質模型，并進行實數編碼得到含NP個個體xf的初始群體；5)計算群體中每個隨機模型的合成地震數據，然后根據目標函數估計各隨機模型對應個體的全局適應度值Fi ；6)進行變異操作，對群體中每個個體產生一個變異個體vf ;首先將高維個體按照基因間相互依賴的強弱程度分解為一系列子成分，給每個子成分指定一個局部適應度函數，根據局部適應度函數估計各子成分的局部適應度值；然后隨機選出三個不同個體，根據其相應子成分的局部適應度值變化情況得到梯度信息，并以此梯度的負方向作為各子成分的變異方向；7)進行交叉操作，隨機地從變異個體<和與其相應的當代個體Xf中抽取基因，組合成一個試驗個體uf ；8)進行選擇操作，根據當代個體和試驗個體的全局適應度值選取下一代；9)進化代數g=g+l，判斷是否滿足終止條件，如果進化代數g小于或等于設定的值G，則返回到步驟6);否則執(zhí)行步驟10)；10)選出第G代群體中全局適應度值最小的個體，將該個體解碼后即得到最終搜索到的最優(yōu)地質模型。進一步，上述步驟3)中，參數Vp、Vs、P的搜索空間是根據測井資料中相應參數的測井記錄確定，即以測井得到的地質模型的低頻分量為背景，背景值增加設定值后為搜索空間上界，背景值減小設定值后為搜索空間下界；或者縱波波速度Vp和橫波波速度Vs的搜索空間也能夠根據高精度速度分析確定；所述目標函數是刻畫最優(yōu)解的標準，以計算波場與觀測波場之間的擬合程度或誤差大小為標準。上述步驟5)中，以觀測地震數據與由模型合成的計算地震數據之間誤差絕對之和為目標函數，即目標函數為:
權利要求
1.一種用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，包括以下步驟: 1)采集原始地震資料，然后對采集到的地震資料進行預處理，處理后得到疊前共中心點道集或疊后地震數據，稱這個地震數據為觀測地震數據，記為Seis (r，t)，其中r表示檢波器接收點位置，t表示時間軸； 2)構建水平層狀地質模型，給定地質模型的層數N和層的厚度，每層的介質模型參數包縱波波速度Vp、橫波波速度Vs和密度P ; 3)確定地質模型參數VP、VS、P的搜索空間，并指定待優(yōu)化的目標函數； 4)在地質模型參數搜索空間內隨機地生成NP個地質模型，并進行實數編碼得到含NP個個體xf的初始群體； 5)計算群體中每個隨機模型的合成地震數據，然后根據目標函數估計各隨機模型對應個體的全局適應度值Fi ； 6)進行變異操作，對群體中每個個體產生一個變異個體<;首先將高維個體按照基因間相互依賴的強弱程度分解為一系列子成分，給每個子成分指定一個局部適應度函數，根據局部適應度函數估計各子成分的局部適應度值；然后隨機選出三個不同個體，根據其相應子成分的局部適應度值變化情況得到梯度信息，并以此梯度的負方向作為各子成分的變異方向； 7)進行交叉操作，隨機地從變異個體vf和與其相應的當代個體xf中抽取基因，組合成一個試驗個體U ’， 8)進行選擇操作，根據當代個體和試驗個體的全局適應度值選取下一代； 9)進化代數g=g+l，判斷是否滿足終止條件，如果進化代數g小于或等于設定的值G，則返回到步驟6);否則執(zhí)行步驟10)； 10)選出第G代群體中全局適應度值最小的個體，將該個體解碼后即得到最終搜索到的最優(yōu)地質模型。
2.根據權利要求1所述用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，步驟3)中，參數VP、VS、P的搜索空間是根據測井資料中相應參數的測井記錄確定，即以測井得到的地質模型的低頻分量為背景，背景值增加設定值后為搜索空間上界，背景值減小設定值后為搜索空間下界；或者縱波波速度Vp和橫波波速度Vs的搜索空間也能夠根據高精度速度分析確定；所述目標函數是刻畫最優(yōu)解的標準，以計算波場與觀測波場之間的擬合程度或誤差大小為標準。
3.根據權利要求1所述用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，步驟5)中，以觀測地震數據與由模型合成的計算地震數據之間誤差絕對之和為目標函數，即目標函數為: K = JO - Syni (r, ()\dt.式中NR為檢波器個數，適應度值Fi越小，表示觀測地震數據與計算地震數據之間誤差越小，則其相應的個體xf就越優(yōu)秀；反之，適應度值Fi越大，則表示其相應的個體:sf就越差。
4.根據權利要求1所述用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，步驟6)中，個體的變異方向是由子成分的局部適應度值來引導:隨機選出三個不同個體，將子成分的基因由小到大排列，如果其對應的局部適應度值是遞增的casel，則在最小基因4.,的左方尋找新基因；如果其對應的局部適應度值是遞減的case2，則在最大基因的右方尋找新基因；如果其對應的局部適應度值是先減后增case3，則在中間基因的附近尋找新基因；如果其對應的局部適應度值是先增后減case4，則在最小基因的左方或在最大基因的右方尋找新基因:
5.根據權利要求1所述用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，步驟7)中，
6.根據權利要求1所述用于高維參數空間波形反演的協同變異差分進化算法，其特征在于，步驟8)中，比較當代個體的全局適應度值和試驗個體的全局適應度值，全局適應度值小的個體被選入下一代，具體操作為:
全文摘要
本發(fā)明公開了一種用于高維參數空間波形反演的協同變異差分進化算法，該算法將分解——協調的思想引入差分進化算，將高維個體分解為一系列的子成分，并引入局部適應度函數對每個子成分進行評價。然后在變異操作中利用局部適應度引導各子成分的變異方向，而在選擇操作中利用全局適應度協調各子成分達到共同進化。與常用的快速模擬退火法和遺傳算法相比，協同變異差分進化算法更加適合于高維參數空間波形反演；當層較薄、待反演參數多的情況下，協同變異差分進化算法能搜索到更加接近真實值的解。另外，協同變異差分進化算法的收斂速度對維數增加不敏感，維數很高時仍用很快的收斂速度。
文檔編號G06F19/00GK103116703SQ20131004438
公開日2013年5月22日 申請日期2013年2月4日 優(yōu)先權日2013年2月4日
發(fā)明者高靜懷, 汪超, 王大興 申請人:西安交通大學