基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

基于入侵杂草优化和灰狼优化算法的混合优化算法研究

基于入侵杂草优化算法和灰狼优化算法两种优化算法,将两者优点相结合,提出一种可以克服两种算法缺点的新的混合优化算法IWOGWO。通过对基准函数的测试和分析,评估了IWOGWO混合优化算法的性能,并与入侵杂草优化和灰狼优化两种基本算法的测试结果进行了比较,表明IWOGWO混合优化算法在全局搜索能力、收敛速度和求解精度上均有明显改善,验证了新算法的性能的优越性。

基于差分进化算法和遗传算法的混合优化算法及其在阵列天线方向图综合中的应用

阵列天线方向图综合作为智能天线的一项重要技术对于复杂系统的优化问题提出了更高的要求 .本文结合差分进化的基本思想和遗传算法的基因交叉和变异方法构建了一种新的混合优化方法 .该算法使用差分进化算子作为主要优化手段 ,结合遗传算法优胜劣汰的基本思想以及其中的交叉和变异方法 ,通过融合两种优化方法各自的优点 ,可以显著改善多参数、高度非线性问题的优化结果、提高计算效率 .计算机仿真结果表明 ,与现有算法相比 ,该算法用于天线方向图综合具有收敛速度快、优化能力强。

车辆路径问题的混合优化算法

讨论了一类车辆路径调度问题(VRP)及其数学模型,并且分析了以遗传算法求解该类问题时的染色体表示和有关遗传操作,然后结合2-opt局部优化算法提出了GAwith2-opt算法来求解VRP问题,试验结果说明了该算法的有效性和可行性。

基于混合优化算法的地震数据匹配追踪分解

以5个参数(幅度、频率、相位移、尺度因子、时移)控制的Morlet小波作为匹配子波原子,在确定控制参数的过程中,提出应用具有全局优化能力的粒子群优化算法与具有局部优化能力的BFGS算法的混合优化算法,能够使得匹配追踪算法不再依赖于复数道分析确定子波原子的振幅、频率和相位的初值。控制子波时间延续长度的尺度因子是一个重要的参数。匹配追踪分解后,消除较小和较大的尺度因子和分解终止时的剩余信号能够有效地压制地震数据噪声。利用局部函数解析表达式和残差信号能量进行有效地控制算法的迭代次数可以提高计算效率。数值试验和实际资料的应用均表明:利用本文方法能够压制地震数据噪声,对地震信号快速地、精确地进行时频谱分析,为烃类检测和储层描述提供有效的手段。

航空发动机性能寻优控制混合优化算法

根据性能寻优控制(Perform ance Seek ing Con trol)优化模式的特点,针对某型涡扇发动机,研究了把发动机性能优化问题描述为线性规划问题。同时针对线性规划方法可能会收敛于局部极小值和非线性方法计算量大的问题,提出了基于LP(L inear P rogramm ing)和MAPS(M odel-A ssisted Pattern Search)混合优化方法,并研究了LP和MAPS混合优化方法在航空发动机性能寻优控制中的应用,同时在最大推力控制模式和最小油耗控制模式下进行了仿真。大量仿真结果表明,采用混合优化方法可进一步提高发动机的性能,并且大大减少了计算量。

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法(PSO)和差分进化算法(DE)进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。

响应面模型与混合优化算法相结合的锯片参数优化设计

针对传统算法在锯片声学特征优化中的局限性,提出了一种将二阶响应面模型与混合算法相结合的优化设计方法。在设计区域内应用D-optimal试验设计法抽取样本点,分别通过显式算法获取锯片声学、应力响应以及隐式算法获取锯片变形量,并用试验验证了数值模型的准确性,然后建立了由6个变量参数所决定的锯片的声学、应力以及刚度的二阶响应面模型;利用自适应模拟退火法和蛙跳混合算法对响应面模型进行循环逼近,获得了设计变量影响度以及最优结果。结果表明,在保证刚度和应力许可条件下,通过有限次数值分析,经全局优化后的最佳结构可降低空载噪声4~7dB。数字算例表明,该方法适用于旋转类刀具的声学性能优化设计。

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。

正弦信号波形参数拟合求解的混合优化算法

介绍了当前正弦曲线拟合法参数求解过程 ,从理论上对求解的关键问题进行了分析 ,提出了基于遗传算法和单纯形法的正弦曲线拟合求解方法。实验结果表明 :该混合优化算法能够在参数初值范围较大的情况下快速、精确求得目标函数的全局最优解 ,获得正弦信号模型的波形参数。

基于PSO-BBO混合优化算法的动态经济调度问题

动态经济调度(Dynamic Economic Dispatch,DED)问题是电力系统运行与控制领域比较经典的多变量、非线性、强约束优化问题。为解决该问题,提出了将粒子群优化算法(Particle Swarm Optimization,PSO)和基本生物地理学优化算法(Biogeography-Based Optimization,BBO)相结合的改进生物地理学优化算法,并将该改进方法应用于一天24时段10机39节点标准算例。在考虑网损与不考虑网损两种情况下分别进行仿真分析,并将仿真结果与PSO和基本BBO算法以及参考文献中提出的六种智能算法进行对比,验证了该改进算法的有效性及在寻优能力上的提高。

基于模糊物元PSO混合优化算法的客户创意挖掘

针对具有模糊性、缺乏系统性和主题性的新产品开发模糊前端客户创意,提出一种基于模糊物元和改进微粒群算法的混合启发式挖掘方法。首先将模糊理论引入物元分析,将客户的个性化要求、特征及相应的模糊量值结合起来建立其形式化模糊物元模型,应用模糊物元优化方法将客户多需求优化问题转换为单需求优化问题;然后给出了最优客户创意的自适应变异微粒群(AMPSO)算法的求解方法,并与遗传算法加以比较,证明该算法的有效性和先进性。最后将该算法应用于某型号汽车外观造型设计的客户创意挖掘中,有效指导了产品创新的实施。

基于互信息和混合优化算法的多模医学图像配准

针对互信息函数的多极值问题,提出了一种基于混合优化算法的多模医学图像配准方法.对于多模医学图像,以互信息作为相似性测度,使用混合优化算法搜索出最佳配准变换参数,将待配准图像进行变换,从而达到配准的目的.实验表明,该算法能避免陷入局部最优值,配准结果精度达到亚像素级.

集装箱码头集成调度模型与混合优化算法

为提高集装箱码头作业中各种设备的协调性,提高整体作业效率,建立了集成调度模型,模型集成了装卸桥、集卡与龙门吊的调度问题.同时,设计了求解模型的混合优化算法,此算法集成了神经网络良好的近似估计功能与模拟退火算法有效的搜索能力.算法流程是:初始化集装箱装卸序列;基于一定的分配规则为集装箱分配作业设备;采用模拟退火算法搜索解空间,更新装卸序列.在算法过程中,用神经网络预测目标函数,并且过滤明显的劣质解.最后,通过算例分析验证了模型与算法的有效性.结果表明,混合优化算法可以提高模型求解效率,对于规模为400个集装箱的调度问题,平均偏差为7.52%,计算时间为8.9 s,模型与算法可行.

一种基于多准则决策和PSO-LM混合优化算法的多峰Brillouin散射谱的特征提取方法

采用传统方法对多峰Brillouin散射谱进行拟合的过程中,通常是以谱线最大功率点为基准的,却忽略了其他比该点小但却是极值的功率点。这样获得的拟合曲线通常只有一个峰值,相当于把除最高峰之外还有多个小峰的多峰Brillouin散射谱进行了简化,导致大量有用信息的丢失。为了提高Brillouin散射谱的特征提取精度,提出了一种基于MCDM和PSO-LM混合优化算法的多峰Brillouin散射谱特征提取方法(MCDM-PSO-LM)。MCDM可以识别和准确定位多峰Brillouin散射谱的各个波峰和波谷;PSO-LM混合优化算法可以实现分别对各个波峰和波谷的曲线进行拟合并找到每一个波峰的中心频率,该算法既克服了PSO算法过早收敛于局部极值和LM算法依赖初值的问题,又可以将PSO算法的全局搜索能力和LM算法的局部收敛能力结合在一起。较传统算法而言,MCDM--PSO—LM算法保证了对最优值求解的速度和精度,提高了运算能力,使解析解最大限度地接近最优值。分别在不同信噪比和不同线宽条件下进行仿真验证,频移和温度误差分析结果表明,MCDM--PSO—LM方法可以对多峰Brillouin散射谱的各个波峰与波谷进行准确定位,可用于多峰Brillouin散射谱的特征提取,识别效果明显强于传统算法,提高了信息分析的准确性。

基于小波变换和混合优化算法的图像配准

利用小波变换对图像进行多分辨率分解,用粒子群优化和单纯形结合的混合优化算法对最低分辨率图像进行配准,并仅用单纯形法对较高分辨率图像进行配准。粒子群优化算法全局搜索能力强,单纯形法能有效地进行局部搜索,将两种算法相结合,提高了图像配准的精度。利用小波变换性质逐步缩小搜索范围,提高了配准速度。

基于混合优化算法的纳米薄膜参数表征

为了在椭圆偏振测量过程中得到精确的纳米薄膜参数,提出了一种求解纳米薄膜参数的混合优化算法。结合人工神经网络算法反向传播和粒子群算法快速寻优的特点,建立了改进粒子群-神经网络(Improved Particle Swarm Optimization-Neural Network,IPSO-NN)混合优化算法。该算法在较少的迭代次数下具有快速跳出局部最优解的能力,从而快速寻找椭偏方程最优解。文中使用该算法对标称值为(26.7±0.4)nm的硅上二氧化硅纳米薄膜厚度标准样片进行薄膜参数计算。结果表明:采用IPSO-NN混合优化算法计算薄膜厚度时相对误差小于2%,折射率误差小于0.1。同时,文中通过实验对比了传统粒子群算法与IPSO-NN算法,验证了IPSO-NN算法计算薄膜参数时能有效优化迭代次数和寻找最优解的过程,实现快速收敛,提高计算效率。

求解连续空间优化问题的量子差分混合优化算法

借鉴量子计算的相关原理和差分进化思想,提出一种用于连续空间优化问题的量子差分混合优化算法。算法的核心是构造由决策向量的分量和量子位概率幅为等位基因的实数编码染色体;采用依据染色体的具体形式设计的互补变异进化部分优秀个体,以加快算法的收敛速度;利用差分进化思想进化部分随机选取个体,以保持算法的全局搜索能力和鲁棒性。对Benchmark函数测试表明,该算法具有寻优能力强、搜索精度高和稳定性好的特点。应用该算法求解路基沉降预测模型参数估计问题,能够有效提高实测沉降数据的拟合精度.