（地球探测与信息技术专业论文）阵列声波测井斯通利波高分辨率处理方法研究.pdf

大庆石油学院硕士研究生学位论文 阵列声波测井斯通利波高分辨率处理方法研究 摘要 随着油气勘探和开发程度逐渐深入，迫切需要解决薄层划分和厚层纲分及薄层评价问 题。因此，有必要进行测井曲线的高分辨率处理，以提高薄层评价精度。交叉偶板子阵列 声波测井是目前各油田已推广使用的测井项目，现有的处理方法追求时差计算的精度，忽 视了时差的纵向分辨率。另外，目前常规声波时差曲线的高分讲率处理方法虽然取得了一 定的实际效果，但实际应用效果还不十分令人满意。 论文首先根据单极予阵列声波全波列中斯通利波的特点，采用了波形长短时窗能量比 值与波形信号能量包络的平方乘积检测斯通剃波初至。论文基于遗传算法的全局寻优特点 和馒度一时间相关法提取时差的原理，提出了慢度一时间相关法与遗传算法结合提取阵歹l 声波测井斯通利波时差的方法。慢度一时闻相关法与遗传算法结合方法将慢度一时问相关 法中反映波形相似程度的相关函数作为遗传算法的目标函数，应用遗传算法寻找其最：犬 值，得到与最大目标函数值对应的酋波到达时闯和慢度值。该方法不受慢度一时间相关法 中首波到达时间步长与慢度步长大小选取的影响，莠且只需要做部分计算就可以获得给定 的时差、首波到达时间范围内的全局最优解。应用慢度一时间相关法与遗传算法结合提取 最小子阵列( o 5 英尺) 斯通利波时差，分别形成共发射予阵列和共接收子阵列时差，使 纵向分辨率达至日最大。采用共发射和共接收子阵列组合方法对井跟补偿，将跨同一深度地 层的所有最短共发射子阵列和共接收子阵列时差值作算术平均，从而获得具有井限补偿作 用的商分辨率斯通利波时差值。 用该方法处理了大庆油田8 口井交叉式多极子阵列声波测井资料，并将处理结果与商 业化软件e x p r e s s 处理结果进行了对比，两者具有较好的一致性，满足现场解释精度要求。， 关键词：阵列声波测井：斯通利波时差；遗传算法；慢度一时间相关法；高分辨率 型! ! 坠坐 s t u d yo nh i g hr e s o l u t i o np r o c e s s i n gm e t h o d f o rs t o n e l e y w a v eo f a r r a ya c o u s t i cl o g g i n g a b s t r a c t w h ht h eg r a d u a ld e v e l o p m e n to fe x p l o r a t i o na n d e x p l o i t a t i o nf o ro i la n dg a s ，i ti su r g e n t l y r e q u i s i t et od e t e r m i n ea n de v a l u a t et h i nb e d s t h e r e f o r e ，h i g hr e s o l u t i o np r o c e s s i n go fw e l ll o g s m u s tb cd o n es oa st oe n h a n c et h ea c c u r a c yo fe v a l u a t i n gt h i nb e d s c r o s s - d i p o l ea r r a ya c o u s t i c l o g g i n gh a sb e e na p p l i e dw i d e l yi no i l 蠡e l d sa tp r e s e n t c u r r e n ta r r a yw a v e f o r mp r o c e s s i n g t e c h n i q u e sp u r s u ea c c u r a c yo fe a c hw a v ec o m p o n e n t ss l o w n e s s ，w h i l en e g l e c ti t sv e r t i c a l r e s o l u t i o n i na d d i t i o n t h ea p p l i e dr e s u l to fc u r r e n th j g hr e s o l u t i o np r o c e s s i n gm e t h o d sf o r c o n v e n t i o n a ls o n i cl o gi sn o tc o m p l e t e l ys a t i s f a c t o r yt h o u g hi th a sa c q u i r e ds o m ep r o g r e s s b a s eo nc h a r a c t e ro fs t o n e l e y - w a v eo ft h em o n o p o l ef u l lw a v e f o r m t h ea r r i v a lo f s t o n e l e y ，w a v eh a sb e e np i c k e dw i t ht h em e t h o do fe n e r g yr a t i ob e t w e e nt h el o n gw i n d o wa n d t h es h o r tw i n d o wb yt h es q u a r eo ft h ea m p l i t u d ee n v e l o p eo fw a v e f o r m s b a s e do nt h eg l o b a l o p t i m i z a t i o nc h a r a c t e r i s t i c so fg e n e t i ca l g o r i t h ma n dt h ep r i n c i p l eo f s l o w n e s sc a l c u l a t i n gw i t h s l o w n e s st i m ec o h e r c n c e ，an e wi n t e g r a t e dp r o c e s s i n gt e c h n i q u eo fa r r a ya c o u s t i c d a t ai s p r o p o s e dw i t hs l o w n e s st i m ec o h e r e n c ea n dg e n e t i ca l g o r i t h m i nt h ep a p e r t h ec o r r e l a t i o n f u n c t i o nr e f l e c t i n gw a v e f o r ms i m i l a r i t yi ns l o w n e s st i m ec o h e r e n c ei su s e da st h eo b j e c tf u n c t i o n o fg e n e t i ca l g o r i t h m , t h e n ，m a x i m u mo fo b j e c tf u n c t i o ni sf o u n dw i t hg e n e t i ca l g o r i t h m ，f i n a l l y t h ew a v ea r r i v a lt i m ea n ds l o w n e s sv a l u e sc o r r e s p o n d i n gt 0t h e m a x i m u mv a l u eo fo b j e c t f u n c t i o na r eg o r e n t h ei n t e g r a t e dm e t h o di sn o ta f f e c t e db yt h es m p so fw a v ea r r i v a lt i m ea n d s l o w n e s s ，a n dg l o b a lo p t i m i z a t i o ns o l u t i o ni sf o u n dw i t hl e s sc o m p u t a t i o ni nt h er a n g eo fg i v e n s l o w n e s sa n dw a v ea r r i v a lt i m e 。a f t e rt h es t o n e l e y - w a v es l o w n e s sb e t w e e nt h es h o r t e s t s u b a r r a y s ( o 5f e e t ) 、i t l lt h ei n t e g r a t e dm e t h o di sc a l c u l a t e d ，a n dt h es h o r t e s ts u b a r r a y sa r e c o m b i n e di n t oc o m n l o n - s o u r c es u b a r r a y sa n dc o m m o n - r e c e i v e rs u h a r r a y s ，r e s p e c t i v e l y ，h i g h r e s o l u t i o ns t o n e l e y - w a v es l o w n e s sw i l lb eo b t a i n e d s t o n e l e y w a v es l o w n e s s e sc a l c u l a t e dw i t h c o n l r l l o r l - s o u r c es u b a r r a y sa n dc o l n n l o n - r e c e i v e rs u b a r r a y sa tt h es a l t l e d e p t hi n t e r v a l a r e a v e r a g e dt oa c q u i r eh i g hr e s o l u t i o ns t o n e l e y - w a v es l o w n e s sc o r r e c t e df o rb o r e h o l ee f f e c t c r o s s e dm u l t i p l ea r m ya c o u s t i cd a t ap r o c e s s i n go fe i g h tw e l l si nd a q i n go i lf i e l di sd o n e ， a n dt h ep r o c e s s i n gr e s u l ti sc o m p a r e dw i t ht h a to fc o m m e r c i a ls o f t w a r ee x p r e s s ，a n dg o o d a g r e e m e n th a sb e e na c h i e v e d i ts h o w st h ep r o p o s e dm e t h o dc a r lb ea p p l i e dt o s l o w n e s s p r o c e s s i n go f a r r a ya c o u s t i cd a t a 弼mg o o da c c u r a c y k e yw o r d s ：a r r a ya c o u s t i cl o g g i n g ；s t o n e l e y - w a v es l o w n e s s ；g e n e t i ca l g o r i t h m ；s l o w n e s st i m e c o h e r e n c e ；h i g hr e s o l u t i o n 九废钉油学院硕士研究生学位论文 第一章绪论 1 1 研究内容、方法及意义 随着油气勘探和开发程度的逐渐深入，提高测井曲线的纵向分辨率就显得尤为迫切， 从而提高薄层评价精度。利用地球物理测井对薄差储层进行评价时，除_ ，井眼环境影响之 外，邻层对测井结果也有较大影响。我们所面临的问题就是既要把地层界面清楚的划分出 来，又要获得地层地球物理参数的真值。通常，解决这一问题一般有两种方法：其一，研 制开发高分辨率的测井仪器，这是提高测井分辨率的有效方法。但仅仅要求提高测井仪器 的分辨率是不够的，因为相对于由仪器结构决定的测井固有分辨率来说，记录在胶片、像 纸或磁带上测井资料的有效分辨率是比较低的，这也就给提高测井分辨率提供了可能。其 二，通过研究高分辨率处理技术努力实现测井曲线既有较大的探测深度又具有较赢的纵向 分辨率，提高薄层评价的正确性。显然，无论从处理效果还是从经济角度来讲，后者都是 一种极有前途的方法。为了解决薄层划分和厚层细分问题，重新评价老井测井资料，寻找 漏失掉的油气层，有必要进行测井曲线的高分辨率处理方法研究。 岩石斯通利波信息是油气勘探与开发所需要的一种重要资料，利用它的幅度衰减可以 确定地层渗透率【”，寻找裂缝性储集层1 2 ，3 】，研究储层物性，为钻井和开发制定合理的1 ：作 方案提供方便。 无论在硬地层还是软地层中阵列声波全波列测井信息中都含有地层斯通利波信息，i 嚣 别在于在某些软地层中斯通利波存在截止频率，雨硬地层中则不存在截止频率。通过本文 的研究可以准确地检测出斯通利波首波，并准确她提取出斯通剥波时羞，最大限度地提高 阵列声波全波列测井曲线的垂直分辨率，对于确定地层渗透率，预测裂缝都有着极其重要 的意义。 目前，国内外对于纵、横波测井时差提取的方法和技术已经相当完善，但分辨率低， 处理出的剖面中时差曲线比较平滑，而有关多极子阵列声波溯井资料高分辨率处理的方法 不多，通过本课题的研究可以丰富阵列声波测井高分辨率处理方法。 本文充分调研了阵列声波测井分波提取和离分辨率处理的各种方法，在比较了各种方 法优缺点的基础上，采用了波形长短时窗能量比值与波形信号能量包络的平方乘积捡测斯 通利波初至，对于时差提取则采用慢度时间相关法与遗传算法结合来提取壤小子阵列时 差，分别形成共发射和共接收子阵列时差，然后将跨同一深度地层所有予阵列的时差平均， 从而获得具有井眼补偿作用的高分辨率斯通利波时差曲线，同时保证计算精度，使纵向分 辨率达到最大。应用该方法处理大庆地区实际测井资料，并将其处理的成果与常规方法处 理的结果对比，分析实用效果。 第一一毒 绪论 1 2 声波测井的国内外研究现状 1 21 阵列声波测井初至波检测 早期声波测井信号处理方法主要是阀值法”j 。该方法为某+ 波型设门槛值，当超过 门槛值时即认为是该波型的波至时间。这种方法的缺点是在有噪声脉冲存在的情况下首 波检测容易出错，因而主要用于硬地层滑行纵波酋波波至的检测。 第一个真正的全波形分析方法是斯仑贝谢公司道尔研究中心的kj t u b a l l 与m a r z e t t a 于1 9 8 4 年提出的慢度一时间相关分析方法( s t c ) 悼j ，s i c 方法依靠间距很小的长降列接 收器，得到比较准确的分波参数的估算值，它不要求探测曹波，从目前的现场应用情况看， 它是一种可靠的商业性方法。s t c 法也有缺点，由于接收器阵列的窗口是有限的，因而使 速度接近的一些波组分的分辨率受到限制，荐者该方法对波列中较弱的成分并不总是灵 敏，特别当一个较强波与较弱波同时到达时更是如此。当s t c 分辨两个具有类似速度的波 组分或在强干扰下探测个弱波成分时，估计的时差可能由于各波组分之间的相互作用， 以某种力式被歪曲了。这两个问题都可以通过使用较长的接收器阵列来解决，但要以降低 垂直分辨率为代价。 1 9 8 6 年，k a ih s u 等提出了最大似然法1 6 j ，其基本理论是：它计算在某个波型处的信 号强度，同时把该波型以外的信号调至最小。最大似然法是一种功率谱密度估计方法，实 际是一神最优化的单频滤波器。当把它推厂到波数域时，功率谱估计就变成了速度谱估计， 从而实现对速度的分辨。该方法比相关法具有更高的速度分辨能力，对于相关法无法分辨 的两个叠加了的强信号，此法仍能明显分辨：只是当波列信号很弱时( 和噪声同量级) ， 最大似然法显得无能为力，因为该方法是以计算波型信号强度为基础的。 1 9 8 8 年，声波波形处理的新方法协方差法诞生了( c f m o r r i s 和t w p a r k s ) t7 】。 协方差法是以模型为基础的信号处理技术，采用扩充的p r o n y 法，用指数函数的一线性缀 合来描述等间距采样数据。利用各种波在时间上的差异，使用了个时间空间窗口， 也就是在某个固定的时刻去确定时间窗口的位置，增加远接收嚣的时间位置的延迟。因此， 减小了由速度差别很小的波组分带来的干扰。就全波波形分析而言，协方差法是种很有 潜力的方法。首先，对单一组分去耦，并从其它波组分中得到二t 二扰影响最小的估算值。其 次，允许在阵列范围以外对信号进行外推，实际上提供了一个垂向扩展的窗口，同时提高 分辨能力。因此，可以缩短接收器阵列，达到较好的垂直分辨率，而总的分辨率降低不明 显。当然，接收器较少，仪器的可靠性会有所下降。 1 9 9 4 年，胡文祥提出了一种基于对波形信号包络进行统计分析的初至波检测新方法j ， 该方法利用信号道大、小时窗内波形包络能量的比值变化来检测初至信号。 1 9 9 7 年，强琳在石油物探上发表文章，介绍了阵列声波全波列测井信号波至提取 的小波变换方法1 9 1 。该文根据阵列声波全波列组分波的波形特征，建立了适合其特征的检 测信号模型，提出了一种基于小波变换的检测这类信号波至的方法。 大庆希油学院硕士研究生学位论文 1 2 2 阵列声波测井时差高分辨率处理 为了提高时差的计算精度，1 9 9 7 年，乔文孝将捅值法应用于时域和频域相关，2 0 0 1 年，李鹤升探讨了不同插值法应用于不同时频相关的时差计算误差和计算速度” 。也有人 应用k l 变换 2 j 和矩阵的奇异值分解等方法处理阵列声波测井资料。陶果等( 2 0 0 1 ) 提出了用模拟退火法计算偶极横波时羞及用慢度一时间相关法和同态处理法联合确定波 速。 2 0 0 0 年t z h a n g ，x m t a n g 等充分利用跨同深度予阵列中尽可能多的波形信息，应 用波形相关技术获得了决定于予阵列长度的不同纵向分辨率( 3 5 f t o 5 f t ) 的时差曲线 1 6 1 。 以上的高分辨率处理方法都选取较短予阵列进行处理，而且都利用了同一深度间隔内 阵列的重复性信息，以提高纵向分辨率和计算时差的可靠性。 12 ，3 遗传算法的应用研究现状 大多数学科都面临着复杂的优化问题，所以遗传算法的应用研究成果比理论研究成果 更丰富i 1 ”。到目前为止，遗传算法已被许多学科、专业的学者所接受，引起了广泛的研究 兴趣，并且已经被广泛地应用到社会科学、系统辨识、模式识别、自动控制等领域【t 8 , 1 9 1 。 油气勘探开发领域也是近年来遗传算法应用研究非常活跃的领域之一。1 9 9 5 年，蒋录 全介绍了遗传算法在地震数据反演中的应用1 2 0 | ，同年，赵东等人用遗传算法进行瑞利波反 演口1 l ，1 9 9 9 年，黄诗峰等将遗传算法应用于地质统计学函数参数估计中 2 2 j ，具有较高的拟 合精度，2 0 0 1 年，严卫等人提出应用遗传算法在波达方向进行最大似然估计1 2 m 。 第二章遗传算法简介 第二章遗传算法简介 本章将简要介绍遗传算法( g e n e t i ca l g o r i t h m 简称g a ) 的生物学基础、基本原理及 应用。 2 1 遗传算法的生物学基础 生物在自然界中的生存繁衍，显示出了其对自然环境的优异适应能力。受其启发，人 们致力对生物各种生存特性的机理研究和行为模拟，为人工自适应系统的设计和开发提供 了广阔的前景。遗传算法( g a ) 就是这种生物彳亍为的计算机模拟中令人瞩目的重要成果。 基于对生物遗传和进化过程的计算机模拟，遗传算法使得各种人工系统具有优良的自适应 能力和优化能力。遗传算法所借鉴的生物学基础就是生物的遗传和进化。 世间的生物从其亲代继承特性或性状，这种生命现象就称为遗传，研究这种生命现象 的科学口q 做遗传学。由于遗传的作用，使得人们可以种瓜撂瓜、种豆得豆，也使得鸟仍然 在天空飞翔，鱼仍然在水中邀游。 构成生物的基本结构和功能单位是细胞( c e l l ) 。细胞中含有的一种微小的丝状化台物 称为染色体( c h r o m o s o m e ) ，生物的所有遗传信息都包含在这个复杂而又微小的染色体中。 遗传信息是由基因( g e n e ) 组成的，生物的各种性状由其相应的基因所控制，基因是遗传 的基本单位。细胞通过分裂具有囱我复制的能力，在细胞分裂过程中，其遗传基因也同时 被复制到下一代，从而其性状也被下一代所继承。经过生物学家的研究，现在人们已经明 白控制并决定生物遗传性状的染色体主要是由- - , 中n q 做脱氧核糖核酸( d e o x y r i b o n u c l e i c a c i d 简称d n a ) 的物质所构成，除此之外，染色体还含有很多蛋白质，d n a 在染色体中 规则地排列着，它是个大分子的有机聚合物，其基本结构单位是核苷酸，许多核瞢酸通过 磷酸二酪键相结合形成一个长长链状结构，两个链状结构再通过碱基阊的氢根有规律地结 合在一起，相互弯曲起来形成一种双螺旋结构。另外，低等生物还含有一种叫做核糖核酸 ( r i b o n u c l e i ca c i d 简称r n a ) 的物质，它的作用和结掏与d n a 类似。基因就是d n a 或 r n a 长链结构中占有一定位置的基本遗传单位。生物的基因数量根据物种的不同也多少珂= = 一，小的病毒只含有几个基因，而高等动植物的基因却数以万记。在d n a 中，遗传信息 在一条长链上按一定的模式排列，也就是进行了遗传编码。一个基因或多个基因决定了组 成蛋白质的2 0 种氨基酸的组成比例及排列顺序。遗传基因在染色体中所占据的位置称为 基因座( l o c u s ) 。 2 2 遗传算法基本原理 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化 概率搜索算法。它是美国密执安大学h o l l a n d 教授和他的学生经过二、十多年的努力发展起 来的，是一种引用统计理论的优化、搜索技术。与传统的优化算法不同，这种算法模拟生 物进化过程中对劣质个体的淘汰方式，而形成一种独特胸对同题的求解方法。这就楚为什 4 大庆石油学院硕士研究生学位论文 么h o l l a n d 教授引用了g e n e t i c 一词来命名这种算法。 遗传算法的创始人h o l l a n d 教授在1 9 7 5 年出版了他的奠基著作。为了更深入地发展这 理论和推动其应用工作，后来他的学生和同事又相继出版了一系列著作和论文，例如 j o n g 和c a v i c c h i o 的博士论文等。g o l d b e r g 在1 9 8 9 年的著作中，详细介绍了这算法的理 论、发展过程和成就。到8 0 年代中期，这种方法的研究开始进入高潮。现在，世界上研 究工作正在深入开展，在美国最为广泛，其次是欧洲。目前在我国这研究还不多见，报 有必要大力开展这方面的研究工作。 2 2 1 遗传算法概要 对于一个最优化问题，目标函数的约束条件种类繁多，有的是线性的，有的是非线性 的；有的是连续的，有的是离散的：有的是单峰值的，有的是多峰值的。随着研究的深入， 人们逐渐认识到在很多复杂情况下要想完全糟确地求出其最优解既不可能，也不现实，因 而求出其近似最优解或满意解是人们的主要着跟点之一。总的来说求最优鳃或近似最优 解的方法主要有三种：枚举法、启发式算法和搜索算法。 ( 1 ) 枚举法。牧举出可行解集合内的所有可行解，以求出精确最优解。对于连续函 数，该方法要求先对其进行离散化处理，这样就有可麓产生离散误差而永远达不到最优解。 另外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在当前最先进的计算一i ： 具上都无法求解。 ( 2 ) 启发式算法。寻求一种能产生可行解的启发式规则，以找到一个最优解或近似 最优解。该方法的求解效率虽然比较高，但对每一个需要求解的问题都必须找出其特有的 启发式规则，这个启发式规则无法通用，不适合于其它问题。 ( 3 ) 搜索算法。寻求种搜索算法，该算法在可行解集合的一个子集内进行搜索操 作，以找到问题的最优解或近似最优解。该方法虽然保证不了定能够得到问题的最优解， 但若适当地；f 用一些启发知识，就可以在近似解的质量和求解效率上达到比较好的平衡。 随着问题种类的不同，以及海题规模的扩大，要寻求到一种能以有限的代价来解决最 优化问题的通用方法仍是一个难题。而遗传算法却为我们解决这类问题提供了个有效的 途径和通用框架，开创了一种颞的全局优化搜索冀法。一般情况下，染色体的长度是固定 的，但对有些问题又是可以变化的。根据不同的情况，这里的等值基因可以是组常数， 也可以是某一范围内的实数值，或者纯粹是个记号。 生物的进化是以集团为主的。与此相对应，遗传算法韵运簿对象是由村个个体所组成 的集合，称为群体。与生物一代一代的自然进化过程栩类似，遗传算法的运算过程也是一 个反复迭代过程，若第，代群体记做p ( r ) ，经过一代遗传和进化后，得到第t + 1 代群体，它 们也是由多个个体组成的集合，记做p “+ 1 ) 。这个群体不断逾经过遗传和进化操作，并且 每次都按照优胜劣汰的规则，将适应废较商的令体更多地遗传到下一代，这样最终在群体 中将会得到一个优良的个体x ，它所对应的表现型y l 将达到或接近问题的最优解y 。 生物的进化过程主要是通过染色体之间的交叉和染色体的变异来完成的。与此相对 应，遗传算法中最优解的搜索过程也模仿生物前这个进化过程，使所谓的遗传算子( g e n e t i c o p e r a t o r s ) 作用于群体p ( ，) 中，进行下述遗传操作，从而得到新一代群体p ( ，) 。 选择1 翻盔k 撮攘番衾龛攥的懑廓魔，藏照+ 两鞠锄溅瀛螽酸，熬第蕾镱耪体 联 s 第二章遗传算法简介 中选择出一些优良的个体遗传到下一代群p ( t + 1 1 中。 交叉( c r o s s o v e r ) ：将群体p ( r ) 内的各个个体随机搭配成对，对每对个体以某一概 率( 称为交叉概率，c r o s s o v e rr a t e ) 交换它们之间的部分染色体。 变异( m u t a t i o n ) ：对群体p 0 ) 中的每一个个体，以某一概率( 称为变异概率，m u t a t i o n r a t e ) 改变某个或某一些基因座上的基因值为其他等位基因。 2 2 2 遗传算法的特点 为解决各种优化计算问题，人们提出了各种各样的优化算法，如单纯形法、梯度法、 动态规划法、分校定界法。这些优化算法各有各的长处，各有各的适用范围，也各有备的 限制。遗传算法是一类可用于复杂系统优化计算的鲁棒援索算法，与其他一些优化算法相 比，它主要有下述几个特点： ( 1 ) 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策 变量的实际值本身来进行优化计算，但遗传算法不是直接以决策变薰的值，而是以决策变 量某种形式的编码为运算对象。这种对决策变量的编码处理方式，使得我们在优化计算过 程中可以借鉴生物学中染色体和基因等概念，可以模仿自然界中生物的遗传和进化等机 理，也使得我们可以方便地应用遗传操作算子。特别是对一些无数值概念或很难有数值概 念，而只有代码概念的优化问题，编码处理方式更强示出了其独特的优越性。 ( 2 ) 遗传算法直接以目标函数值作为搜索信息。传统的优化算法不仅需要利用目标 函数值，而且往往需要目标函数的导数值等其他些辅助信息才能确定搜索方向。而遗传 算法仅使用由目标函数值变换来的适应度函数值就可以确定进一步搜索方向和搜索范围， 无霈目标函数的导数值等其他一些辅助信息。这个特性对很多目标函数是无法或很难求导 数的函数，或导数不存在的函数的优化问题以及组合优化问题等，应用遗传算法时就显得 比较方便，因为它避开了函数求导这个障碍。再者，宜接利用由目标函数或个体适应废， 也可以使得我们可以把搜索范围集中到适应度较高韵部分范围中，从而提高了搜索效率。 ( 3 ) 遗传算法同时使用多个搜索点的搜索信息。传统的优化算法都是从解空间的某 一点开始最优解的迭代搜索过程，单个搜索点所提供的搜索信息毕竟不多，所以搜索效率 不高，有时甚至使搜索过程陷入局部最优解雨停滞不翦。遗传算法从由多个个体所组成的 一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索。对这个群体进 行的选择、交叉、变异等运算，产生的是新一代群体。在这之中包括了很多群体信息，这 些信息可以避免搜索一些不必搜索的点，所以实际上相当于搜索了更多的点，这是遗传算 法所特有的一种隐含并行性。 ( 4 ) 遗传算法使用概率搜索技术。很多传统的优化算法往往使用的是确定性的搜索 方法，一个搜索点到另一个搜索点的转移是确定的转移方法和转移关系。这种确定性往往 也有可能使得搜索永远达不到最优点，从而也鼹制了彝法豹应用范围。而遗传算法属于 种自适应概率搜索技术，其选择、交叉、变异等运算都是一种以概率的方式来进行的，从 而增加了其搜索过程的灵活性。虽然这种概率特性也会使群体中产生一些适应度不高的个 体，但随着进化过程的进行，新的群体中总会更多地产生许多优良的个体，实践和理论都 已证明了在一定条件下遗传算法总是以概率l 收敛子最优解。当然，交叉概率和变异概率 等参数也会影呐算法约撬索霾纂魏襁寮效搴，艨戳瓣襁滚撩滤撩黧滚鳓参数在其应用中是 6 大庆石油学院硕士研究生! 挚位论文 一h5 个比较重要的问题。而另一方面，与其他些算法相比遗传算法的强鲁棒性又会使得参 数对其搜索效果的影响会尽可能地低。 2 3 遗传算法的应用 遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领 域，对问题的种类有很强的售棒性，所以广泛应用予很多学科。下面是遗传算法的些薰 要应用领域： ( 1 ) 函数优化。函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评 价的常用算例。很多人构造出了各种各样的复杂形式的测试函数，有连续函数也有离散函 数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰 值函数也有多峰值函数等。用这些几何特性各县特色的函数来评价遗传算法的性能，里能 反映算法的本质效果。而对于一些非线性、多模型、多目标的函数优化问题，用其他优化 方法较难求解，而遗传算法却可以方便地得到较好的结果。 ( 2 ) 组合优化。随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时 在当前的计算机上用枚举法根难或甚至不可能求出其精确最优解。对这类复杂阀题，人们 已经意识到应把主要精力放在寻求满意解上，丽遗传算法是寻求这种满意解的最佳工具之 一一。实际证明，遗传算法对于组合优化中的n p 完全问题非常有效。例如，遗传算法已经 在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。 ( 3 ) 生产调度问题。生产调度阀题在很多情况下所建立起来的数学模型难以精确求 解，即使经过一些简化之后可以进行求解，也会圆筒化得太多而使得求解结果与实际相差 甚远。而目前在现实生产中也主要是靠一些经验来进行调度。现在遗传算法已成为解决复 杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分 配等方面遗传算法都得到了有效的应用。 ( 4 ) 自动控制。在自动控制领域中有很多与优化相关问题需要求解，遗传算法已经 在其中得到了初步的应用，并显示出了良好的效果。例如，用遗传算法进行航空控制系统 的优化、使用遗传算法设计空间交会控制器、基于遗传算法的模糊控制器的优化设计、基 于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神 经网络的结构优化设计等，都显示出了遗传算法在这些领域中应用的可能。 ( 5 ) 机器人学。机器人是一类复杂的难以精确建模的人工系统，两遗传算法构起源 就来自于对人工自适应系统的研究，所以机器人学理所当然地成为遗传算法的个重要应 用领域。例如，遗传算法已经在移动机器人的路径规划、关节机器人运动轨迹规划、机器 人运动学求解、细胞机器人的结构优化和行为协调等方面得到研究和应用。 ( 6 ) 图像处理。图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中， 如扫描、特征提取、图像分割等不可避免地会存在一些误差。这些误差会影响酎像处理的 效果。如何使这些误差最小是使计算机视觉达到实用纯的重要要求。遗传算法在这些图像 处理的优化计算方蕊找到了用武之地。目前已在模式识别、图像设复、熙像边缘特锰提取 等方面等到了应用。 1 7 ) 人工生命。人王生命悬用i t 算机、机槭等a 工嶷臻蠛撼鳞梅造心具有盘然生物 7 第_ _ 二章遗传算法简介 系统特有行为的人造系统。舀组织能力和自学习能力是几： 生命现象的重要基础理论。虽 然人工生命的研究尚处于启蒙阶段，但遗传算法己在其进化模型、学习模型、行为模型、 自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人丁 生命与遗传算法相辅相成，遗传算法为人工生命的研究提供了一个有效的工具，人】生命 的研究也必将促进遗传算法的进一步发展。 ( 8 ) 机器学习。学习能力是高级自适应系统所应具备的能力之一。基于遗传算法的 机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习 模糊控制规则，利用遗传算法来学习隶属度函数，从而更好地改进了模糊系统的性能；基 于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络的网络 结构优化设计。 2 4 遗传算法实现 24 1 遗传算法的操作过程 遗传算法是将问题的求解表示成“染色体”( 用计算机编程时，一般是用二进制鹦串 表示) ，从而构成一群“染色体”。将它们置于问题的“环境”中，根据适者生存的原则， 从中选择出适应“环境”的“染色体”进行复制，即再生，通过交换、变异、两秘基因操 作产生出新的代更适应“环境”的“染色体”群，这样一代一代地不断进化，最后收敛 到一个撼适应环境的个体上，求得问题的最优解。 遗传算法中有三个基本算子： 再生按m ：( ，是x ，的适应度值，是串群的适应度值之和，n 为种群数 目) 决定第i 个个体z 在下一代中应复制其自身的数目。再生意味着适应度值越高的个体， 在下一代中复制自身的个体数目越多。 交换按一定的概率p 从种群中随机选择两个个体，进行交换。部分交换这两个个体 的某些位。交换的目的在于产生新的基因组合，产生新的个体，而不是代复代地重复同 一一串。例如： s t r i n g1 0 0ll1 0 l 1 l0l0 00 1 l c r o s s o v e r s t r i n 9 2 1 0l0o “1l000 1 l l110 变异按一定的概率只对串群的某些串的位进行变异，即1 变0 ，或o 变l 。单靠变 异一般不能在求解中取得进展，但它能确保不产生不麓继续进化的单一种群。因为当所有 个体串全部一样时，交换操作就不能产生新的个体，只能靠变异来产生新的个体。例如： 01 f 1 1 010 l lm u t a t i o n 0l 【0 】0 l0l1 例如用遗传算法求函数，= x 2 + ，+ h ，z ( o ，7 ) ，y ( o ，3 1 ) 的最大值问题。这个问题 是当x ，y 为何值时，厂为最大。用遗传算法求解，首先要将x ，y 表示成染色体，在计算 机中用长度为f 的二进制字串表示染色体。若x 甩3 侥表示，yj n5 位表示，则可构成8 位 的染色体，x ，y 的表达精度分别为7 ( 2 3 1 ) ，3 1 ( 2 5 ，1 ) 。对该阀题，最好的x ，y 值应该 8 大庆石油学院硕士研究生学位论文 使函数，= z 2 + y 。+ h 最大。故适应度函数可取厂= x 2 + y 。+ i x i ，选择种群= 5 0 ，然后随机 地对5 0 个8 位串初始化，构成第一一代种群；分别求第一代每个个体虼适应度f ，! 等藏 z ：，决定第i 个个体在下代中应复制其自身的数目，即进行再生操作，得到第二代 种群：然后按尸的概率从第二代中随机选择两个个体，进行交换操作；接下来按尸，的概率 对串群中的某些串的某些位进行变异操作。再次计算每一个个体的适应度值。重复以上过 程，直到求出使厂= ，+ 广+ ，x ( o ，7 ) ，y ( 0 , 3 1 ) 为最大值的z ，y 值。 遗传算法就是对这群串进行基因操作：再生、交换和变异，产生出新的一代串群，比 父代更适应“环境”，这样不断重复，直到满足迭代终l e 条件。 匮2 - l 基本遗传算法漉程嚼 f i g 2 1f l o wc h 盎no f b a s i cg e a c t i ca l g r i t b m 由前述我们可以知道，基本遗传算法是一个迭代过程，它模仿生物在自然环境中的遗 传和进化机理，反复将选择算子、交叉算子、变异算子作用于群体，最终可得到问题的最 优解或近似最优解。虽然算法的思想比较单纯，结构也比较简单，但它却也具有一定的实 用价值，能够解决一些复杂系统的优化计算问题。 第二章 遗传算法简介 24 2 遗传算法实现步骤 遗传算法提供了一一种求解复杂系统优化问题的通用框架，它不依赖于问题的领域和种 类。对一个需要进行优化计算的实际应用问题，一般可按f 述步骤来构造求解该问题的遗 传算法。、 第步：确定决策变量及各种约束条件，即确定出个体的表现型x 和问题的解空阀。 第二步：建立优化模型，r b 确定出目标函数的类型( ；黾求目标函数的最大值还是求翻 标函数的最小值) 及其数学描述形式或量化方法。 第三步：确定表示可行解的染色体编码方法，也即确定出个体的基因型x 及遗传算法 的搜索空间。 用长度为1 0 位的二进制编码串来分别表示二个决策变量五、薯。1 0 位二遴制编码串 可以表示从0 到1 0 2 3 之间的1 0 2 4 个不同的数，故将五、x 的定义域离散化为1 0 2 3 个均等 的区域，包括两个端点在内共有1 0 2 4 个不同的离散点。从离散点一2 0 4 8 到离散点20 4 8 ， 依次让它们分别对应于从0 0 0 0 0 0 0 0 0 0 ( 0 ) 到l 1 1 n l l l l ( 1 0 2 3 ) 之间的二进制编码。群 将分别表示孙矗的二个l o 位长的二避蒂4 编码串连接在一起，组成一个2 0 位的二迸制编 码串，它就构成了这个函数优化问题的染色体编码方法。使用这种编码方法，解空间手【l 遗 传算法的搜索空间具有一一对应的关系。 第四步：确定解码方法，即确定出由个体基因型x 到个体表现型x 的对应关系或转换 方法。 解码时需先将2 0 位长的二避制编码串切断为两个1 0 位长的二进制编码串，然后分别 将它们转换为对应的十进制整数代码，分别记为y 、和y ，。 第五步：确定个体适应度的量化评价方法，即确定出由目标函数，( ) 到个体适应度 f ( x ) 的转换规则。 第六步：设计遗传算予，即确定出选择运算、交叉运算、变异运算等遗传算子的具体 操作方法。 第七步：确定遗传算法的有关运行参数，即确定出遗传算法的m 、t 、p o 、以等参 数。 由上述构造步骤可以看出，可行解的编码方法、遗传算予的设计是构造遗传算法时需 要考虑的两个主要问题，也是设计遗传算法时的两个关键：步骤。对不同的优化问题需要使 用不同的编码和不周操作的遗传算予，它们与所零解的具体问题密切相关，因而对所求解 问题的理解程度是遗传算法应用成功与否的关键。 1 0 大庆石油学院硕士研究生学位论文 第三章阵列声波测井斯通利波时差提取方法 本章首先概述交叉偶极子阵列声波测井仪( x m a c ) 的仪器结构及工作原理，并针对声 波全波列斯通利波的特点及目前用于检测声波首波的方法，在比较各种首波检测方法的优 缺点基础上，给出适合于各秘地层的斯通利波首波检测方法。在简要介绍目前应用较多的 声波测井各波组分时差的处理方法的基础上，详细地阐述慢度时间相关与遗传算法结合 提取斯通利波时差的处理方法及其流程。 3 1 仪器结构及工作原理 3 1 1x m a c 仪器基本结构 交叉偶极子阵列声波测井仪器( x m a c ) 是单极声波阵列与偶极声波阵列的组合，这 些阵列是独立的且各有各自的阵列压缩波和剪切波发射器，它的结构是两个交叉摆放的偶 极声源，在偶极声源上下各有个单极声源( 图3 - 1 ) 。 8 接收阵列 发射嚣部分 萃援潭1 鲁橇瀑y 霸穰源x 革撮灞2 图3 - 1交叉偶板子阵列声波剥并仪器 f i g 3 - 1c r o s sd i p o l es u b a r r a ya c o u s t i cl o g g i n gi n s t r u m e n t 单极源发射器是一棱菰趣魄鞠黉黾露捺奄傣礤辕纯藏癞浚懿煎，志所发魅黪信号是并 1 l 第三章阵剐声波测井斯通利波时差提取方法 周对称的，也就是沿3 6 0 。井壁任一方向激发的能量都是一样的。接收阵列包括8 个偶极阵 列和8 个单极阵列压电陶瓷换能器接收晶体，单极声源发射换能器的频率范围在l 2 0 k t i z ， 偶极声源发射换能器是产生弯曲片状梯度水检器，频率范围在0 5 5 k h z ，这种片状偶极声 源能最好地压制纵波的产生。 x m a c 仪器有两个相距3 0 i n 的单极源，分别放罨在仪器的底部，偶极源则放置在两个 单极源的中间，两个偶极源相距l 英尺，而且9 0 0 定向摆放。 8 个单极接收器之间的间距都是6 i n ，测井时，仪器上提数据记录的深度采样间距也是 6 i n ：8 个偶极阵列接收器之间相距也是6 i n ，偶极