面向快速油藏历史拟合的粒子群算法研究

The modern engineering design optimization problems often comprise fitness functions that are based on the output of one or more simulation models, and this kind of problems is named HEB (High-dimensional, Expensive computationally, Black-box) problem. To address this, this proposal will fully take advantage of the Particle Swarm Optimization (PSO)’s powerful global searching ability, and will launch the research from following three aspects: surrogate model optimization, evolutionary and searching strategy optimization. Then, the research results will be applied to a typical HEB problem, reservoir history matching. Based on the process and feature of reservoir history matching, Manifold Learning will be used for PSO’s population dimension reduction, aimed to build regression surrogate model faster and further improve the speed of PSO on the low-dimensional manifold. In respect to evolutionary strategy, in order to reduce times of fitness evaluation, this proposal will construct novel evolutionary operators and fitness estimation strategy based on Schema Theory for PSO. Convergence operator and Dispersion operator will be introduced to speed up convergence and avoid prematurity. This proposal’s results will have the strong guiding sense to further reveal the Schema Theory and apply the theory effectively; provide new ideas to deal with HEB problem by the means of building and optimizing surrogate model; lay the theoretical foundation for solving HEB problem with other swarm intelligence algorithm. The smooth implementation of this proposal will provide key technical support for oilfield scientific exploitation and sustainable development.

本项目拟利用粒子群算法强大全局搜索能力的优势，从代理模型学习策略优化、进化策略优化以及搜索策略优化三方面针对HEB（参数高维、适应度计算高代价、适应度依赖黑盒模型输出）问题开展研究，并将研究成果应用于油藏历史拟合这一典型的HEB问题中。针对油藏历史拟合的特点，利用流形学习对群体降维，从而在低维流形上快速构建回归代理模型，利用代理模型来估计大部分个体适应度，以期克服油藏历史拟合计算代价高的困难；在算法进化和搜索策略优化研究方面，以减少适应度评价为目标，拟构建基于模式理论的新型进化操作和适应度估计策略，在算法中引入聚集和发散算子，使算法在避免早熟的同时尽快收敛。项目成果将对更深入揭示模式理论原理和有效应用该理论具有较强的指导意义，为构建和优化代理模型处理HEB问题提供新颖的思路，也为其它群智能优化方法处理HEB问题奠定理论基础，本项目的顺利实施将为油田的科学开采和可持续发展提供关键技术支持。

本项目利用粒子群算法具有强大全局搜索能力的优势，从代理模型学习策略优化、进化策略优化以及搜索策略优化三方面针对复杂优化问题开展研究，并将研究成果应用于油藏历史拟合这一具体问题中。针对油藏历史拟合的过程和特点，以减少调用油藏数值模拟器计算适应度为目标，构建了基于模式理论的新型进化操作和适应度估计策略，也就是快速粒子群算法。该算法利用吸引子传播算法对群体进行划分，然后根据聚类中心粒子的适应度以及该粒子与其它粒子的距离进行估计，并利用模式理论对估计的适应度进行修正。本项目利用适应度评价的历史数据，基于支持向量回归机构建了一个实时的回归代理模型，也就是支持向量回归粒子群算法，利用代理模型来估计大部分个体的适应度，以期克服油藏历史拟合问题维度和适应度计算代价高的困难。在算法进化策略优化研究方面，我们构建了一个基于全局最优预测的自适应变异粒子群算法，该算法在利用主成分分析将群体映射到低维空间，然后根据群体拓扑结构拟合二次曲线并找到极值位置，将该位置还原到原始空间后加入群体引导进化，并引入自适应的变异算子，使算法在避免早熟的同时尽快收敛。经过大量的测试函数验证，快速粒子群算法和支持向量回归粒子群算法可以有效的控制适应度评价次数，在适应度评价较为耗时的情况下，这两个算法在不损失寻优精度条件下，可以提高算法3倍以上的寻优速度；基于全局最优预测的自适应变异粒子群算法可以更加快速的引导群体收敛，在一定精度要求下，相比于标准粒子群算法可以在100次迭代内收敛。项目获得的成果将对更深入揭示模式理论原理和有效应用该理论具有较强的指导意义，为构建和优化代理模型处理复杂优化问题提供新颖的思路，也为其它群智能算优化方法处理复杂优化问题奠定理论基础，项目的顺利实施将为油田的科学开采和可持续发展提供关键技术支持。