粒子群优化计算之改进分析及在石油工程中之应用.docVIP

　　粒子群优化计算之改进分析及在石油工程中之应用 第一章绪 论 石油工程中的很多问题都可以抽象为优化问题。传统的优化问题求解方法一般都要求目标函数充分连续可微，并需要相应的梯度信息。而石油工程中的优化问题往往都非常复杂，目标函数无法满足要求，梯度信息也无从给出。于是智能优化方法[1]成为解决复杂优化问题的有效方法，而粒子群优化算法[2,3]（Particle S Optimization，简称PSO）是得到广泛关注和应用的一种智能优化方法。粒子群优化算法是一种群体智能算法，具有较强的全局搜索能力和鲁棒性，而且不需要借助问题的特征信息，非常适合于求解复杂优化问题。因此，本文拟对粒子群优化算法进行研究与改进，使其能够更加科学、合理地解决石油工程中的优化问题。 1.1最优化问题 生产和生活中的很多实际问题都可以抽象为优化问题。最优化就是从一个问题的可行解决方案中找出最好或较好的解决方案。例如，工程设计中如何选择设计参数，才能使设计方案在满足要求的前提下成本最低；如何分配有限的资源，以使分配方案既能满足各方面的基本要求，又能获得最大的经济效益；原料配比中，如何确定各种成分的比例，才能提高质量，降低成本。在油田生产实际中，也存在很多优化问题。例如，水井小层劈分系数的优化计算、配注方案的优化、油田注水管网的优化设计、油气集输管道的保温层优化设计等等。解决最优化问题的方法称为最优化方法。传统的牛顿法、最速下降法、共轭方向法等基于梯度的优化方法具有完善的数学基础，计算效率高，可靠性强。但这些方法计算复杂、只能串行求解，并且常要求可行域是凸的，目标函数充分连续可微，因此，对于复杂优化问题，往往无能为力。于是智能优化方法成为解决复杂优化问题的有效方法，它通过对生物系统或自然现象的模拟来解决优化问题，对目标函数和约束的连续性、凸性均无要求，且适合于大规模并行计算。粒子群优化算法是一种智能优化方法，由于其计算简单、控制参数少、易于实现、具有较强的鲁棒性等，引起了国内外众多学者的关注和研究，并已在很多领域得到广泛应用。但其具有易陷入局部最优、收敛精度不高等缺点，因此，对其进行进一步研究与改进，并将其应用于解决石油工程中的实际问题，将是一件很有意义的工作。 1.2粒子群优化算法的研究现状 粒子群优化算法又称微粒群算法，是美国的James Kennedy和Russell Eberhart受鸟群觅食行为的启发于1995年提出的。粒子群优化算法采用简单的速度-位移模型，通过粒子间的合作与竞争而产生的群体智能指导优化搜索，具有较强的鲁棒性和全局搜索能力，而且不需要借助所求问题的任何特征信息。所以，粒子群优化算法是一种高效的并行搜索算法，非常适用于复杂优化问题的求解。粒子群优化算法自提出以来，由于其计算简单、控制参数少、易于实现、具有较强的鲁棒性等，引起了国内外相关领域众多学者的关注和研究。对粒子群优化算法的研究主要集中在三个方面，一是理论研究，二是对算法性能的改进研究，三是对算法的应用研究。目前来看，对后两者的研究占绝大多数。 1.2.1粒子群优化算法的理论研究 粒子群优化算法原理比较简单，但还没有形成一个完整的理论体系。对粒子群优化算法的理论研究主要是研究算法的收敛性、复杂性和参数设置原则。由于算法的随机性，使理论研究成为粒子群算法研究的难点。Maurice Clerc 和 James Kennedy 对粒子群优化算法迭代公式的参数进行了分析[7]，先将随机变量设为常量，然后研究一个粒子的运动轨迹，得到了单个粒子运动轨迹收敛的参数约束条件。虽然该方法将随机量改为了常量，没有考虑粒子间的相互影响，粒子轨迹的稳定性也不能保证算法收敛，但其给出的参数约束条件仍然得到了广泛应用。Ozcan 和 Mohan 在假设个体最优位置ip 和全局最优位置gp 固定不变、加速系数1c 和2c为常数的前提下，通过理论分析，用波来描述粒子随时间的变化，并对不同区域进行了轨迹分析[8]。Solis 提出了随机优化算法全局收敛必须满足的条件[9]，根据该理论，FransVan de Bergh 在 Maurice Clerc 分析的基础上对算法的收敛性做了进一步分析[10,11]，研究了参数对粒子轨迹的影响，通过给出反例，证明了原始粒子群优化算法是无法确保局部收敛的。他还在 Lebersgue 和 Borel 测度空间上做了收敛性分析，提出了一种在时间无限的条件下能够保证收敛到局部最优解的改进算法 GCPSO，该算法修改了原始算法的迭代公式，粒子群中的最佳粒子采用与其他粒子不同的迭代运算公式，从而使最佳粒子一直处于运动状态。尽管该算法能够保证收敛到局部最优，但其优化性能并不好。I.C.Trealea 应用离散动态系统理论，分析了简化 PSO 模型的收敛性和动态行为[12]，并根据该简化模