[發明專利]基于方向引導的協同差分進化算法及其在射線追蹤中的應用

有效

• 申請號: 201910147234.1
• 申請日: 2019-02-27
• 公開（公告）號: CN109782354B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 趙靜;任金昌;萇妮娜;袁啟玉;趙妍;李政胤;李俊
• 申請（專利權）人: 西安石油大學
• 主分類號: G01V1/36
• 分類號: G01V1/36;G01V1/28
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

本發明公開了一種基于方向引導的協同差分進化算法及其在射線追蹤中的應用，在變異策略中引入了一個符號函數來定義變異的方向以提高算法收斂性，且提出兩種靈活有效的迭代終止準則以改進計算效率。不同于局部優化波形反演算法和其他協同進化算法，本發明提出的方法不依賴于初值，對高維可分模型空間有較好的可行性，計算速度快，收斂性好，對維度較大的參數依然能有效反演；并且，在變異策略中引入S函數，S函數的值的正負特征決定變異的方向；引入S函數使得變異沿著縮小誤差能量的方向進行，使算法加速收斂，能快速收斂到全局最優解。

技術領域

本發明屬于地震勘探技術領域，涉及射線追蹤，尤其是一種基于方向引導的協同差分進化算法及其在射線追蹤中的應用。

技術背景

在地球物理中，我們研究地震波在地下介質中的傳播來研究地層結構。射線是地震波穿過地下介質的路徑，是波動方程的高頻近似解。射線追蹤是層析成像最關鍵的步驟，用于迭代反演的初始階段來模擬正演模型。快速有效的射線追蹤算法是提高反演效率的關鍵。常用的射線追蹤算法有波前法、最短路徑法、走時法、有序波前重構法等。上述算法計算效率低，收斂性差，分辨率低。最短走時射線追蹤方法將地下介質網格化，然后遍歷所有結點。網格不能太小，否則追蹤速度將很低。但是網格太大將降低分辨率。步進迭代法必須預先假設一條射線，這將引入人為因素。射線方程方法描述地震能量隨高頻的軌跡。因為射線方程有解析表達式，所以射線追蹤將會比較快且更加精確。

本發明基于疊前地震記錄研究射線方程方法。炮點和接收點的位置是已知的，如果反射點和出射角也已知，我們就可以確定一條射線。本發明利用迭代方法計算射線的出射角。學者們研究了多種反演方法，如局部最優波形反演方法和全局最優方法等。局部最優方法中，目標函數的最小值可由梯度法、共軛梯度法、牛頓法、高斯牛頓法和偽牛頓法等確定。在這些方法中，基于梯度的波形反演取得了一些成功，但是這類方法具有非線性性，且依賴于初值。Virieux指出波形反演方法的困難是建立精確的初始模型、確定新的最小化準則及改進多參數反演能力等。

此外，有許多全局優化算法也取得了進展，如進化算法、模擬退火法、蒙特卡洛方法等。相對于基于梯度的波形反演方法，全局優化算法不依賴于初值且不需要梯度，但是不足是計算量大。基于此，隨著計算機運算能力的大幅提升，全局優化算法得到廣泛應用。

另外，認知計算能處理類腦問題。它在學習、推理和解決特殊問題方面有強大的能力。認知系統能充分理解問題，且將思考的過程建模成計算模型。他們研究特征提取的能力類似大腦的學習過程。因此認知計算能加強人工智能和決策能力。

進化算法類似認知計算，它用計算機模擬自然物種進化過程，使個體成為最優。但是，傳統的進化算法解決高維問題時效率較低。潘志斌提出CRsADE方法，該方法采用個體交叉率和子分量交叉率自適應地改進交叉運算地效率。汪超提出協同選擇差分進化算法(DE-CCS)和協同變異差分進化算法(DE-CCM)。這些方法將高維空間問題分解為幾個子空間并用局部適應汗水評價子問題。R.Chandra提出協同差分多任務學習方法用于多步混沌時間序列預測。高照奇提出高效進化算法，該方法使用一種新的物種進化策略來降低種群大小，且提出一種新的多變異流程來加速收斂。崔曉飛將改進了粒子群算法用于疊后波阻抗反演。該方法將群體智能與概率論相結合用于全局優化。S.Mahdavip綜述了大尺度全局連續優化的啟發式演算法，包括大尺度全局優化方法(LSGO)、進化算法[EAs]、協同進化算法[CC]等。許多差分進化算法，如協同進化算法、ND-CC及協同多任務學習算法等，均可用于解決高維優化問題。同時，大多數現有的方法均有“維數瓶頸”問題。這些方法的優化能力隨著維數的增加而急劇降低。為了對地下介質進行精細刻畫，我們需要將地下介質剖分成細小的網格，這樣就導致模型參數數量巨大。反演高維參數將導致現有的協同進化算法失效或者需要大量迭代。

發明內容