《混沌遗传算法研究及其在地震子波提取中的应用毕业论文》由会员分享，可在线阅读，更多相关《混沌遗传算法研究及其在地震子波提取中的应用毕业论文（63页珍藏版）》请在金锄头文库上搜索。
1、混沌遗传算法研究及其在地震子波提取中的应用毕业论文目 录第1章 前言11.1 课题背景及研究意义11.2 研究现状21.2.1 地震子波估计的研究现状21.2.2 优化算法在子波提取中的研究现状21.2.3 混沌遗传算法的研究现状21.3 本文的主要研究容3第2章 遗传算法的关键技术及不足之处分析52.1 标准遗传算法52.2 遗传算法的关键技术62.2.1 编码方式的多样化72.2.2 初始种群的产生82.2.3 选择算子82.2.4 交叉算子102.2.5 变异算子112.3 遗传算法的不足之处及其解决途径122.4 本章小结15第3章 混沌遗传算法研究163.1 混沌优化163.1.1
2、混沌优化的基本思想163.1.2 混沌优化的理论依据183.1.3 混沌优化的研究现状223.2 用于优化的混沌映射223.2.1 用于优化的混沌映射223.2.2 猫映射与logistic、tent映射的比较243.3 基于猫映射的混沌遗传算法253.3.1 混沌遗传算法的步骤253.3.2 计算机仿真实例293.3.3 算法的性能评价293.4 本章小结32第4章 混沌遗传算法在MA模型下的地震子波提取应用334.1 地震褶积模型334.2 地震子波MA模型描述344.3 累积量拟合目标函数的建立354.4 MA模型参数估计374.4.1 仿真数据实验374.4.2 实际数据实验414.5
3、 本章小结42第5章 混沌遗传算法在ARMA模型下的地震子波提取应用435.1 相关分析法识别模型435.2 地震子波ARMA描述455.3 累积量拟合目标函数的特点465.4 ARMA模型参数估计465.4.1 仿真数据实验475.4.2 实际数据实验485.5 模型定阶与参数估计485.6 本章小结52总结与展望53参考文献54攻读硕士学位期间取得的学术成果58致谢59 .专业.专注. 第1章 前言1.1 课题背景及研究意义石油是经济赖以运转的血液，当今世界的主要能源，对现代社会的发展有深远的影响。获取比较准确的地下油气藏分布信息在油气田开发过程中起着先导作用。地震勘探技术是目前最为有效的
4、油气勘探与开发的地球物理方法。随着油气勘探开发的不断深入，对地震勘探技术的要求越来越高，高分辨率地震勘探需要高频率、高信噪比、宽频带的地震波。对于地震勘探技术而言，提高地震子波分辨率的方法为反褶积和地震记录子波零相位化。而地震子波的精确提取是应用反褶积和地震记录零相位化来提高地震记录分辨率1的前提。因此，地震子波的精确提取直接影响着地震记录分辨率的高低。地震子波提取(估计)作为地震资料反褶积处理、地震波阻抗反演及正演模拟的基础，其提取精度直接影响着后续地震资料处理和地震资料解释的可靠性和准确性。高阶统计量不仅可以保持信号的相位信息，而且能够压制任意加性高斯噪声2，因此被广泛地用于混合相位的地震
5、子波提取中。基于累积量拟合法的子波提取能够充分地利用所有的地震记录数据，因此它在高精度、高分辨率的子波提取中得到了广泛的应用。但是累积量拟合法子波提取所建立的拟合优化模型极为复杂，传统的优化算法很难求解。因此，非线性优化算法的选取对于高效率、高精度的子波提取是至关重要的。遗传算法具有快速随机的搜索能力，用群体取代个体进行搜索，具有在的并行性；搜索过程中使用评价函数，过程简单易行；使用概率转换机制，具有随机性，可扩展性，容易与其他优化算法相结合。但是遗传算法在寻优的过程中没有及时利用网络的反馈信息，算法的收敛速度受到一定的限制，算法对初始种群的选择具有一定的依赖性，易“早熟”收敛，因此融合混沌优
6、化算法进行改进。混沌运动具有遍历性、随机性、规律性等特点，混沌运动的遍历性即混沌运动能在一定围按其自身的规律不重复地历经所有的状态；混沌对初始值的变化极为敏感；混沌的这些特点能够作为一种优化机制来维持种群的多样性，从而弥补遗传算法易陷入局部最优、收敛速度慢的缺陷。同时混沌变异能够对个体进行启发式地操作，结合了混沌机制的遗传算法计算效率高，易跳出局部解进行全局寻优。1.2 研究现状1.2.1 地震子波估计的研究现状地震子波信号的提取分为确定性子波提取方法和统计性子波提取方法。确定性子波提取方法指的是利用密度测井和声波测井资料，计算反射系数系列，结合井旁地震由褶积理论求出地震子波，其中假设地震参数
7、需要由测井等方法得到3,4,5。其优点是不需要对反射系数序列的分布做任何假设，就能得到较为准确的地震子波，但该方法由于需要测井资料及震源信息计算反射系数，应用围受到限制。统计性子波提取方法利用信号处理技术对有限的地震数据记录进行统计处理，充分利用地震数据记录的幅值、相位、频率等各种信息提取子波。其优点是不需要测井资料，也可以得到地震子波的估计，但缺点是需要对地震资料和地下反射系数序列的分布进行假设(最小相位、零相位、最大相位)。实际上地震子波往往是一种混合相位子波6，因此简单的基于自相关的统计性子波提取方法理论并不能得到准确的结果。1.2.2 优化算法在子波提取中的研究现状根据Tugnait7
8、提出的实际数据四阶累积量与子波MA(Moving Average滑动平均)模型的四阶矩拟合来估计混合相位子波的方法，可建立一个非线性多参数多极值优化问题的目标函数，对该目标函数进行求解便可得到MA模型描述下的子波。lazear G D8首先利用梯度下降法实现了子波估计，该方法无须对子波相位做任何假设，并能有效地消除具有高斯分布的地震噪声，可望得到较为准确的地震子波，但由于目标函数的求解较为困难，且实际提取过程中子波的待定参数过多，该方法提取子波的精度及运算效率均有待提高。以后的学者主要在优化算法方面对其进行了改进：D.R.Velis和T.J.Ulrych9、M.D.Sacchi使用模拟退火算法
9、进行了相关研究，但其控制参数的选择一般比较困难。成、周冀10等从随机化全局搜索出发，利用混沌映射的特点，结合遗传算法的杂交算子以及小领域的局部搜索，提出综合的混沌优化算法，但是寻优速度有待于进一步提高。路荣亮、海燕11将改进的遗传算法与改进的粒子群算法相结合，在地震子波提取中有较好的应用。袁三一、小宏12提出基于群智能的非线性全局优化算法，提取的子波效果明显。王荐、朱仕军13通过混合蚁群算法进行地震子波提取，提高了子波的分辨率。1.2.3 混沌遗传算法的研究现状雷德明14最早将遗传算法与混沌算法混合，对优化对象进行多维实数编码，并用混沌优化算法作为变异算子，引导种群的进化，提高了运算效率和运算
10、精度。亚东、少远15在分析了遗传算法与混沌优化方法优缺点的基础上，提出了一种新的混沌遗传优化组合方法，该方法能克服混沌优化在大围失效的缺点，并能提高遗传算法的局部搜索能力和搜索精度，同时证明该算法能以概率1收敛到全局最优值。之后，章敬东、小辉16等人分析了遗传算法和混沌优化方法的理论机制，研究了两者的集成方式，将二者进行智能集成，给出了混沌遗传优化算法，寻优速度有很大提高，有效地解决了遗传算法搜索在接近全局最优解时速度减慢甚至陷入局部最优的问题。1.3 本文的主要研究容本文各章的主要研究容归纳如下：第一章 概括性地指出了课题的背景及研究意义，介绍了地震子波估计的研究现状以及混沌遗传算法在子波提
11、取(估计)中的研究现状，最后说明了本文中各个章节的容安排。第二章 简要地介绍了标准遗传算法，指出了优化问题中标准遗传算法存在的缺陷，这些局限性是本文需要加以研究和改进的方面。重点对遗传算法的关键技术(编码技术、选择算子、交叉算子、变异算子)进行了研究。最后分析了遗传算法的不足之处，对其解决途径进行了探讨，并引出了对遗传算法改进方法的研究。第三章 对混沌优化算法进行了详细地介绍，从理论上对混沌分布的特点如初始条件的敏感性、遍历性进行了分析，比较了logistic、tent、cat映射的混沌分布特性，重点对遗传算法的算子进行了设置，并且引入混沌变异来维持种群的多样性，最后综合遗传算法和混沌优化算法
12、的特点提出了一种适合于多维多峰值函数寻优的非线性优化算法基于猫映射的混沌遗传算法。运用多个多维经典的标准测试函数，从算法的收敛速度、收敛稳定性和收敛质量上验证了算法的性能及算法的有效性。第四章 概括性地介绍了地震褶积模型，通过对地震子波MA模型的引进，对MA模型描述下的高阶累积量拟合法子波提取进行了研究，构建了累积量目标函数，分析了目标函数的特点，并且将基于猫映射的混沌遗传算法运用于仿真实验和实际地震资料中，结果表明提取子波与真实子波间有好的相似性，从而验证了本文提出的非线性优化算法的实用性。将自适应免疫遗传算法、改进的遗传算法以及本文提出的算法对子波进行提取，本文算法在进行拟合过程中累积量拟
13、合误差小；相同的收敛条件下，提取子波所用时间少；反映了本文算法的优越性和稳健性。第五章 运用相关分析法对ARMA模型进行识别，对ARMA模型描述下的地震子波提取进行了研究，首先通过仿真和实际数据实验，利用本文算法和改进的遗传算法对子波进行提取，比较得出本文算法的优越性和实用性。然后将模型定阶与参数估计相结合，在模型准确定阶的情况下，对模型参数进行了优化，实现了以尽可能少的参数来描述更加精确的子波的效果。 .专业.专注. 第2章 遗传算法的关键技术及不足之处分析基于累积量拟合的地震子波提取最终归结为一个多维多峰值目标函数的非线性优化问题。遗传算法是一种结合了有向和随机17两种能力的通用算法，该算
14、法既能够对参数向量整体进行全局随机搜索，又能够对单个参数向量进行深度搜索，因此被广泛用在函数优化领域。但是遗传算法在面对规模较大且非常繁琐的优化问题时，无法保持种群的多样性，容易“早熟”收敛，算法易陷入局部最优。本章对遗传算法的编码方式、选择算子、交叉算子、变异算子等关键技术进行了系统的分析和研究，分析了遗传算法在优化问题中存在的弊端，并指出了其解决途径。2.1 标准遗传算法遗传算法是一种自适应全局优化概率搜索算法，它在模拟生物的遗传和进化过程中形成的。美国Michigan大学的Holland17教授最早提出遗传算法，60年代，Holland对自然和人工自适应系统研究形成了一个较完整的理论和方
15、法。70年代，De Jong将模式定理与数值计算相结合，为遗传算法的发展奠定了基础。80年代，Goldberg对其进行了归纳总结并应用于实践。遗传算法的基本思想18是：遗传算法是一种基于群体选择的随机搜索算法，从代表给定问题的可行解的种群开始搜索，种群是由遗传编码的个体构成，个体则是染色体中带有特征的实体。染色体由多个基因组合而成。譬如：双眼皮的特征就是由染色体中控制双眼皮的某种基因组合决定的。因此，遗传算法的首要操作19就是实现从表现型到基因型的编码工作。初始种群生成后，借用生物界进化中“适者生存”的竞争机制，以目标函数为依托来评价个体的适应能力。经过“优胜劣汰”的淘汰机制，逐代产生问题的近似解。之后，运用遗传算法的交叉和变异操作，产生代表新的解集的种群替换原来的近似解。该过程能够使产生的后生代种群对环境的适应能力更强，具有较强的鲁棒性。反复循环此过程直到找到最优的个体。末代种群的个体经过解码，即为问题的全局最优解。一般把具有以下六个操作的遗传算法称为标准遗传算法。(1)编码：DNA中遗传信息在一个长链上按一定的模式
