CN104407393A - 基于时频电磁的自适应遗传模拟退火反演方法以及系统 - Google Patents

Abstract

本发明提供一种基于时频电磁的自适应遗传模拟退火反演方法及系统，所述方法包括：根据时频电磁的发射频率范围以及分量类型获取反演数据；获取预先设定的反演层数、初始温度、初始步长、最大循环次数；根据所述的反演层数、反演数据确定多个个体模型；对所述的个体模型进行遗传算法运算生成个体新模型；根据所述的初始步长对所述的个体新模型强制进行退火运算生成预测模型；确定所述预测模型与所述个体新模型之间的拟合误差；根据所述的拟合误差判定所述的预测模型是否符合退火标准。提高了反演时频电磁数据的收敛速度和稳定性。

Description

基于时频电磁的自适应遗传模拟退火反演方法以及系统

技术领域

本发明关于地球物理勘探技术领域，特别是关于地球物理的电磁法勘探数据技术，具体的讲是一种基于时频电磁的自适应遗传模拟退火反演方法及系统。

背景技术

上世纪90年代，长偏移距瞬变电磁测深法(大偏移距和大功率建场法)开始应用于油气藏探测并取得了良好的效果。在此方法的基础上，结合时间域瞬变电磁测深和频率域电磁测深的特点，又出现了时频电磁法(如申请号为03150098.6的专利)。这种方法具有时间域电磁法和频率域电磁法的特点。时频电磁就是指用一个大的水平长导线源在地面激发不同频率的方波，在地面平行于发射源的测线上接收电场Ex和磁场Hz的电磁法。该方法具有时间域瞬变电磁和频率域测深特点。发射源通常情况下从几千米到十几千米，发射源到测线的距离(收发距)通常是深度的3～6倍，属于大偏移距观测方式，也就是远区观测法。在远区观测时，场源的影响相对比较弱，可以忽略场源的影响。

时频电磁油气目标预测的物性基础是储层与围岩之间的电性和极化特性差异。该方法在应用的初始阶段利用Ex得到定量极化信息和Bz得到的电阻率信息进行油气有利区的预测。该方法在中国西部地区有好几个成功的应用实例。随着勘探精度要求的提高和处理技术的进步，储层极化信息的提取方法也由定性提取的方法向定量反演方法转变。油气目标与围岩的极化特性差异要比金属矿与围岩的小，而且还在远区或者过渡区观测，所以相对于背景场极化异常场非常弱。反演具有极化异常的时频电磁数据的问题存在非唯一性和不稳定性，这造成提取极化信息非常困难。在某个搜索区域上存在着过个极小值，梯度类的反演算法在反演时频电磁数据的极化信息也不能起到很好效果。

因此，如何提出一种新的基于时频电磁的自适应遗传模拟退火反演的方案，其能更好反演时频电磁数据中的极化信息是本领域亟待解决的技术难题。

发明内容

为了更好的反演时频电磁数据中的极化信息，本发明提供了一种基于时频电磁的自适应遗传模拟退火反演方法及系统，是一种用非线性的自适应遗传模拟退火算法反演时频电磁数据的方案，遗传算法来源于生物的自然进化过程，模拟退火算法来源于冶金金属退火原理，将遗传算法改进为自适应算法并加入了模拟退火算法，从而提高了反演时频电磁数据的收敛速度和稳定性。

本发明的目的之一是，提供一种基于时频电磁的自适应遗传模拟退火反演方法，包括：根据时频电磁的发射频率范围以及分量类型获取反演数据；获取预先设定的反演层数、初始温度、初始步长、最大循环次数；根据所述的反演层数、反演数据确定多个个体模型；对所述的个体模型进行遗传算法运算生成个体新模型；根据所述的初始步长对所述的个体新模型强制进行退火运算生成预测模型；确定所述预测模型与所述个体新模型之间的拟合误差；根据所述的拟合误差判定所述的预测模型是否符合退火标准。

本发明的目的之一是，提供了一种基于时频电磁的自适应遗传模拟退火反演的系统，包括：反演数据获取装置，用于根据时频电磁的发射频率范围以及分量类型获取反演数据；预设参数获取装置，用于获取预先设定的反演层数、初始温度、初始步长、最大循环次数；个体模型确定装置，用于根据所述的反演层数、反演数据确定多个个体模型；个体新模型生成装置，用于对所述的个体模型进行遗传算法运算生成个体新模型；预测模型生成装置，用于根据所述的初始步长对所述的个体新模型强制进行退火运算生成预测模型；拟合误差确定装置，用于确定所述预测模型与所述个体新模型之间的拟合误差；判断装置，用于根据所述的拟合误差判定所述的预测模型是否符合退火标准。

本发明的有益效果在于，提供了一种基于时频电磁的自适应遗传模拟退火反演方法及系统，属于重磁电等综合勘探技术领域，具体是可控源全场区时频域电磁测深技术采集、处理技术，是一种精确的基于时频电磁的自适应遗传模拟退火反演的方案，对实测的反演数据处理，获得了多次迭代后的测线下方地下介质电阻率和极化率分布，满足了构造、断层、圈闭的解释需要，同时还满足油气圈闭含油气性评价的需要，克服了模拟退火反演技术的计算时间慢的缺点，同时克服了遗传算法陷入局部极小的缺点，因此自适应遗传模拟退火反演技术具有全局寻找极小值和计算速度快的特点，为时频电磁法实测数据提取电阻率和极化率信息提供了新的方案，而且还可以应用在大地电磁、音频大地电磁等方法的反演问题研究之中。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式一的流程图；

图2为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式二的流程图；

图3为图2中的步骤S209的具体流程图；

图4为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式三的流程图；

图5为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式四的流程图；

图6为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式五的流程图；

图7为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式一的结构框图；

图8为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式二的结构框图；

图9为图8中的新步长确定装置的具体结构框图；

图10为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式三的结构框图；

图11为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式四的结构框图；

图12为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式五的结构框图；

图13为实测时频电磁数据通过自适应遗传模拟退火反演方法得到的电阻率剖面示意图；

图14为实测时频电磁数据通过自适应遗传模拟退火反演方法得到的极化率剖面示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明属于地球物理勘探的电磁法勘探数据处理领域，是地球物理数值模拟和反演，具体是时频电磁的自适应遗传模拟退火反演方法以及系统。目的在于提供一种计算效率高，全局寻优的非线性时频电磁反演方法，可以从时频电磁观测数据中直接反演电阻率和极化率信息，为处理时频电磁观测数据提供一种新的处理的方法。

图1为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式一的流程图，由图1可知，所述的方法包括：

S101：根据时频电磁的发射频率范围以及分量类型获取反演数据。

在具体的实施例中，依据实测时频电磁发射频率的分布范围和分量类型，选择参加反演的数据。参加反演中时频电磁多源多分量的发射频率的范围为0.01-100Hz。参加反演中时频电磁多源多分量的分量为与场源平行的电场分量Ex和垂直磁场分量Hz。

S102：获取预先设定的反演层数、初始温度、初始步长、最大循环次数。

反演的层数是指反演未知数个数，获取的初始温度为T、初始步长为VM。在具体的实施方式中，所述的初始温度T的选择范围为0.5-5，初始步长VM范围为1-5。

S103：根据所述的反演层数、反演数据确定多个个体模型。

依据反演的未知数个数(即反演层数)，选择反演的种群数并产生所有的个体模型X0，反演的种群数是所有个体模型X0的总和，个体模型通过正态分布的随机数生成。

S104：对所述的个体模型X0进行遗传算法运算生成个体新模型X1。

在具体的实施方式中，所述的遗传算法的运算包括：选择，杂交和变异，杂交初始概率P_e范围为0.6-0.8，变异初始概率P_m范围为0.001～0.005，迭代过程中新的杂交和变异的概率采用自适应算法。该步骤通过下述公式进行：

$P_e\left\{\begin{array}{c}{P}_e\frac{f_{\max }-f^{\&prime;}}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$P_m\left\{\begin{array}{c}{P}_m\frac{f_{\max }-f^{\&prime;\&prime;}}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

拟合误差通过下面公式计算：

f(m)＝log10(||d-G_m(m)||²)

其中，P_e为杂交初始概率，P_m为变异初始概率，f_max为所有个体模型中的最大拟合误差，f_avg为所有个体模型中的平均拟合误差，f′为个体模型中两个杂交个体之中最大的那个拟合误差，f″为个体模型中变异个体的拟合误差，m为未知模型参数矢量，d为观测数据矢量，G_m为正演算子，f(m)为m的拟合误差。

S105：根据所述的初始步长对所述的个体新模型X1强制进行退火运算生成预测模型X2。

在具体的实施方式中，所述的预测模型X2根据以下公式生成：

X2＝X1+VM

其中，X2为预测模型，X1为个体新模型，VM为初始步长。

S106：确定所述预测模型X2与所述个体新模型X1之间的拟合误差。

所述的拟合误差ΔE根据以下公式计算：

ΔE＝f(X2)-f(X1)

其中，f是拟合误差函数，f(m)＝log10(||d-G_m(m)||²)。

S107：根据所述的拟合误差以及初始温度判定所述的预测模型是否符合退火标准。

在具体的实施方式中，所述的预测模型符合退火标准具体包括：拟合误差小于零或拟合误差大于零且满足a<e^-ΔE/T。即ΔE小于零时，预测模型X2符合退火标准；ΔE大于零时，满足a<e^-ΔE/T，a是[0,1]之间的随机数，预测模型X2符合退火标准。

在步骤S107中，第一次迭代的时候使用初始温度，在后续的迭代过程中通过步骤S411修改温度值。

图2为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式二的流程图，由图2可知，在实施方式二中，步骤S201至步骤S207与图1中的步骤S101至步骤S107相同，此处不再赘述，该方法还包括：

S208：获取预先设定的步长调整次数，步长调整次数为Ns，在具体的实施方式中，。步长调整次数Ns的范围为2-5。

S209：当步长调整循环次数等于步长调整次数时，根据所述的初始步长、预测模型确定新步长。循环Ns次后，调整步长Vm的值。

图3为步骤S209的具体流程图，由图3可知，该步骤具体包括：

S301：获取所述预测模型X2的接收数；

S302：获取所述预测模型X2的种群数；

S303：确定所述预测模型的接收数与种群数的比值；

S304：根据所述的比值以及初始步长确定新步长。

所述的新步长按照下面公式计算：

${\mathrm{VM}}^{\&prime;}=\left\{\begin{array}{c}\mathrm{VM}*(1+\frac{2*(R-0.6)}{0.4}),R>0.6\\ \mathrm{VM}/(1+\frac{2*(R-0.6)}{0.4}),R<0.4\\ \mathrm{VW},0.4\&le;R\&le;0.6\end{array}\right.$

其中，R为预测模型的接收数与种群数的比值，VM为初始步长，VM′为新步长。

图4为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式三的流程图，由图4可知，在实施方式三中，步骤S401至步骤S409与实施方式二中的步骤S201至步骤S209相同，此处不再赘述，该方法还包括：

S410：获取预先设定的温度下降迭代次数、温度下降系数，温度下降系数为λ，温度下降的迭代次数为Nt，在具体的实施方式中，温度下降系数λ的范围为0.5-0.95，温度下降迭代次数Nt为2。

S411：当温度下降循环次数等于温度下降迭代次数Nt时，根据所述的温度下降系数、初始温度确定新温度。所述的新温度按照下面公式计算：

T′＝T*λ

其中，T为初始温度，T′为新温度，λ为温度下降系数。就是循环Nt次后对温度进行调整。

图5为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式四的流程图，由图5可知，在实施方式四中，步骤S501至步骤S511与实施方式三中的步骤S401至步骤S411相同，此处不再赘述，该方法还包括：

S512：将所述的新步长赋值给所述初始步长；

S513：将所述的新温度赋值给所述初始温度；

S514：将所述的预测模型赋值给所述个体模型。

在实施方式四中，新步长、新温度、预测模型分别赋值之后，即可返回执行步骤S504至步骤S507。

图6为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演方法的实施方式五的流程图，由图6可知，在实施方式五中，步骤S601至步骤S614与实施方式四中的步骤S501至步骤S514相同，此处不再赘述，该方法还包括：

S615：获取循环次数；

S616：当所述的循环次数达到所述的最大循环次数时，退火反演结束；

此处的循环次数就是Ns和Nt二重循环下的总循环次数。比如设定的最大循环次数为1000，当循环次数大于1000后，退出反演。

S617：获取预先设定的标准误差；

S618：当所述的拟合误差达到所述的误差标准时，退火反演结束。

这样就实现时频电磁自适应遗传模拟退火反演。

如上所示，即为本发明提供的一种基于时频电磁的自适应遗传模拟退火反演方法，是一种用非线性的自适应遗传模拟退火算法反演时频电磁数据的方案，遗传算法来源于生物的自然进化过程，模拟退火算法来源于冶金金属退火原理，将遗传算法改进为自适应算法并加入了模拟退火算法，从而提高了反演时频电磁数据的收敛速度和稳定性。

为了更好反演时频电磁数据中的极化信息，本发明提出用非线性的自适应遗传模拟退火算法反演时频电磁数据的系统。遗传算法来源于生物的自然进化过程，模拟退火算法来源于冶金金属退火原理。这两种方法特点是反演过程中不用计算偏导数矩阵，而且全局极小化，能够对多维和不可微分问题极小化，被反演参数是离散或者联系变化都可以，变化量非常小也可以。遗传反演算法的缺点是收敛速度慢，而且经常不稳定，为了改进收敛速度和稳定性，我们将遗传算法改进为自适应算法并加入了模拟退火算法，从而提高了反演时频电磁数据的收敛速度和稳定性。时频电磁的自适应遗传模拟退火反演算法涉及到的用遗传、模拟退火反演极化信息等问题在已经发表的论文中没有发现有关线索。

图7为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式一的结构框图，由图7可知，所述的系统包括：

反演数据获取装置101，用于根据时频电磁的发射频率范围以及分量类型获取反演数据。

在具体的实施例中，依据实测时频电磁发射频率的分布范围和分量类型，选择参加反演的数据。参加反演中时频电磁多源多分量的发射频率的范围为0.01-100Hz。参加反演中时频电磁多源多分量的分量为与场源平行的电场分量Ex和垂直磁场分量Hz。

预设参数获取装置102，用于获取预先设定的反演层数、初始温度、初始步长、最大循环次数。

反演的层数是指反演未知数个数，获取的初始温度为T、初始步长为VM。在具体的实施方式中，所述的初始温度T的选择范围为0.5-5，初始步长VM范围为1-5。

个体模型确定装置103，用于根据所述的反演层数、反演数据确定多个个体模型。

依据反演的未知数个数(即反演层数)，选择反演的种群数并产生所有的个体模型X0，反演的种群数是所有个体模型X0的总和，个体模型通过正态分布的随机数生成。

个体新模型生成装置104，用于对所述的个体模型X0进行遗传算法运算生成个体新模型X1。

在具体的实施方式中，所述的遗传算法的运算包括：选择，杂交和变异，杂交初始概率P_e范围为0.6-0.8，变异初始概率P_m范围为0.001～0.005，迭代过程中新的杂交和变异的概率采用自适应算法。该步骤通过下述公式进行：

$P_e\left\{\begin{array}{c}{P}_e\frac{f_{\max }-f^{\&prime;}}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$P_m\left\{\begin{array}{c}{P}_m\frac{f_{\max }-f^{\&prime;\&prime;}}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

拟合误差通过下面公式计算：

f(m)＝log10(||d-G_m(m)||²)

其中，P_e为杂交初始概率，P_m为变异初始概率，f_max为所有个体模型中的最大拟合误差，f_avg为所有个体模型中的平均拟合误差，f′为个体模型中两个杂交个体之中最大的那个拟合误差，f″为个体模型中变异个体的拟合误差，m为未知模型参数矢量，d为观测数据矢量，G_m为正演算子，f(m)为m的拟合误差。

预测模型生成装置105，用于根据所述的初始步长对所述的个体新模型X1强制进行退火运算生成预测模型X2。

在具体的实施方式中，所述的预测模型X2根据以下公式生成：

X2＝X1+VM

其中，X2为预测模型，X1为个体新模型，VM为初始步长。

拟合误差确定装置106，用于确定所述预测模型X2与所述个体新模型X1之间的拟合误差。

所述的拟合误差ΔE根据以下公式计算：

ΔE＝f(X2)-f(X1)

其中，f是拟合误差函数，f(m)＝log10(||d-G_m(m)||²)。

判断装置107，用于根据所述的拟合误差以及初始温度判定所述的预测模型是否符合退火标准。

在具体的实施方式中，所述的预测模型符合退火标准具体包括：拟合误差小于零或拟合误差大于零且满足a<e^-ΔE/T。即ΔE小于零时，预测模型X2符合退火标准；ΔE大于零时，满足a<e^-ΔE/T，a是[0,1]之间的随机数，预测模型X2符合退火标准。

在判断装置107中，第一次迭代的时候使用初始温度，在后续的迭代过程中通过步骤S411修改温度值。

图8为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式二的结构框图，由图8可知，在实施方式二中，该系统还包括：

步长调整次数获取装置108，用于获取预先设定的步长调整次数，步长调整次数为Ns，在具体的实施方式中，步长调整次数Ns的范围为2-5。

新步长确定装置109，用于当步长调整循环次数等于步长调整次数时，根据所述的初始步长、预测模型确定新步长。循环Ns次后，调整步长Vm的值。

图9为图8中的新步长确定装置109的具体结构框图，由图9可知，该装置具体包括：

接收数获取模块1091，用于获取所述预测模型X2的接收数；

种群数获取模块1092，用于获取所述预测模型X2的种群数；

比值确定模块1093，用于确定所述预测模型的接收数与种群数的比值；

新步长确定模块1094，用于根据所述的比值以及初始步长确定新步长。

所述的新步长按照下面公式计算：

${\mathrm{VM}}^{\&prime;}=\left\{\begin{array}{c}\mathrm{VM}*(1+\frac{2*(R-0.6)}{0.4}),R>0.6\\ \mathrm{VM}/(1+\frac{2*(R-0.6)}{0.4}),R<0.4\\ \mathrm{VW},0.4\&le;R\&le;0.6\end{array}\right.$

其中，R为预测模型的接收数与种群数的比值，VM为初始步长，VM′为新步长。

图10为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式三的结构框图，由图10可知，在实施方式三中，该系统还包括：

温度参数获取装置110，用于获取预先设定的温度下降迭代次数、温度下降系数，温度下降系数为λ，温度下降的迭代次数为Nt，在具体的实施方式中，温度下降系数λ的范围为0.5-0.95，温度下降迭代次数Nt为2。

新温度确定装置111，用于当温度下降循环次数等于温度下降迭代次数Nt时，根据所述的温度下降系数、初始温度确定新温度。所述的新温度按照下面公式计算：

T′＝T*λ

其中，T为初始温度，T′为新温度，λ为温度下降系数。就是循环Nt次后对温度进行调整。

图11为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式四的结构框图，由图11可知，在实施方式四中，该系统还包括：

第一赋值装置112，用于将所述的新步长赋值给所述初始步长；

第二赋值装置113，用于将所述的新温度赋值给所述初始温度；

第三赋值装置114，用于将所述的预测模型赋值给所述个体模型。

在实施方式四中，新步长、新温度、预测模型分别赋值之后，即可返回执行装置104至107。

图12为本发明实施例提供的一种基于时频电磁的自适应遗传模拟退火反演系统的实施方式五的结构框图，由图12可知，在实施方式五中，该系统还包括：

设定次数获取装置115，用于获取循环次数；

第一结束装置116，用于当所述的循环次数达到所述的最大循环次数时，退火反演结束；

此处的循环次数就是Ns和Nt二重循环下的总循环次数。比如设定的最大循环次数为1000，当循环次数大于1000后，退出反演。

标准误差获取装置117，用于获取预先设定的标准误差；

第二结束装置118，用于当所述的拟合误差达到所述的误差标准时，退火反演结束。

这样就实现时频电磁自适应遗传模拟退火反演。

如上所示，即为本发明提供的一种基于时频电磁的自适应遗传模拟退火反演系统，是一种用非线性的自适应遗传模拟退火算法反演时频电磁数据的方案，遗传算法来源于生物的自然进化过程，模拟退火算法来源于冶金金属退火原理，将遗传算法改进为自适应算法并加入了模拟退火算法，从而提高了反演时频电磁数据的收敛速度和稳定性。

为了更好反演时频电磁数据中的极化信息，本发明提出用非线性的自适应遗传模拟退火算法反演时频电磁数据的系统。遗传算法来源于生物的自然进化过程，模拟退火算法来源于冶金金属退火原理。这两种方法特点是反演过程中不用计算偏导数矩阵，而且全局极小化，能够对多维和不可微分问题极小化，被反演参数是离散或者联系变化都可以，变化量非常小也可以。遗传反演算法的缺点是收敛速度慢，而且经常不稳定，为了改进收敛速度和稳定性，我们将遗传算法改进为自适应算法并加入了模拟退火算法，从而提高了反演时频电磁数据的收敛速度和稳定性。时频电磁的自适应遗传模拟退火反演算法涉及到的用遗传、模拟退火反演极化信息等问题在已经发表的论文中没有发现有关线索。

下面结合具体的实施例，详细介绍本发明的技术方案。

1)依据实测时频电磁发射频率的分布范围和分量类型，选择参加反演的数据。

2)依据反演的未知数个数，选择反演的种群数并产生所有的个体模型X0，选择初始温度T、温度下降系数λ、初始步长VM、步长调整次数Ns、温度下降迭代次数Nt。

在该实施例中，反演层数N＝10，个体模型X0的总数为120，初始温度T＝50，温度下降系数λ＝0.85，初始步长VM＝1，步长调整次数Ns＝5，温度下降迭代次数Nt＝2。

3)对所有个体模型X0进行遗传算法运算生成个体新模型X1。杂交初始概率P_e＝0.8，变异初始概率P_m＝0.002。

4)对经过遗传算法后个体新模型X1强制进行退火运算生成预测模型X2。

5)计算预测模型X2和个体新模型X1之间的拟合误差。

6)判定预测模型X2是否符合退火标准。

7)当步长调整循环次数等于Ns时，计算新步长VM′。

8)当温度下降循环次数等于Nt时，计算新温度T′。

9)将X2赋值给X1，VM′赋值给VM，T′赋值给T。

10)重复3-9步，当最大循环次数达到所述的最大设定次数或者拟合误差达到所述的误差标准后退出反演，这样就实现时频电磁自适应遗传模拟退火反演技术。

具体的，图13是实测时频电磁数据通过自适应遗传模拟退火反演技术得到的电阻率剖面，图14是实测时频电磁数据通过自适应遗传模拟退火反演技术得到的极化率剖面。图13、14中可以看出，在深度在3500～4000m范围出现一个薄的低电阻率高极化率地层，这个低电阻率高极化率层与已知的钻井信息吻合。在电阻率特别低极化率特别高的区域比如测点编号从16～26范围上是我们预测的含油气有利区，是下一步精细勘探和钻探的首选目标区。

综上所述，本发明提供了一种基于时频电磁的自适应遗传模拟退火反演方法及系统，提供了一种基于时频电磁的自适应遗传模拟退火反演方法及系统，属于重磁电等综合勘探技术领域，具体是可控源全场区时频域电磁测深技术采集、处理技术，是一种精确的基于时频电磁的自适应遗传模拟退火反演的方案，对实测的反演数据处理，获得了多次迭代后的测线下方地下介质电阻率和极化率分布，满足了构造、断层、圈闭的解释需要，同时还满足油气圈闭含油气性评价的需要，克服了模拟退火反演技术的计算时间慢的缺点，同时克服了遗传算法陷入局部极小的缺点，因此自适应遗传模拟退火反演技术具有全局寻找极小值和计算速度快的特点，为时频电磁法实测数据提取电阻率和极化率信息提供了新的方案，而且还可以应用在大地电磁、音频大地电磁等方法的反演问题研究之中。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (20)

1.一种基于时频电磁的自适应遗传模拟退火反演方法，其特征是，所述的方法包括：

根据时频电磁的发射频率范围以及分量类型获取反演数据；

获取预先设定的反演层数、初始温度、初始步长、最大循环次数；

根据所述的反演层数、反演数据确定多个个体模型；

对所述的个体模型进行遗传算法运算生成个体新模型；

根据所述的初始步长对所述的个体新模型强制进行退火运算生成预测模型；

确定所述预测模型与所述个体新模型之间的拟合误差；

根据所述的拟合误差判定所述的预测模型是否符合退火标准。

2.根据权利要求1所述的方法，其特征是，对所述的个体模型进行遗传算法运算生成个体新模型通过如下公式进行：

$P_e=\left\{\begin{array}{cc}{P}_e\frac{f_{\max }-f^{\&prime;}}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;}<f_{\mathrm{avg}}& \end{array}\right.$

$P_m=\left\{\begin{array}{cc}{P}_m\frac{f_{\max }-f^{\&prime;\&prime;}}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_m,f^{\&prime;\&prime;}<f_{\mathrm{avg}}& \end{array}\right.$

f(m)＝log10(||d-G_m(m)||²)

其中，P_e为杂交初始概率，P_m为变异初始概率，f_max为所有个体模型中的最大拟合误差，f_avg为所有个体模型中的平均拟合误差，f′为个体模型中两个杂交个体之中最大的那个拟合误差，f″为个体模型中变异个体的拟合误差，m为未知模型参数矢量，d为观测数据矢量，G_m为正演算子，f(m)为m的拟合误差。

3.根据权利要求1所述的方法，其特征是，根据所述的初始步长对所述的个体新模型强制进行退火运算生成的预测模型为：

X2＝X1+VM

其中，X2为预测模型，X1为个体新模型，VM为初始步长。

4.根据权利要求1所述的方法，其特征是，所述的方法还包括：

获取预先设定的步长调整次数；

当步长调整循环次数等于步长调整次数时，根据所述的初始步长、预测模型确定新步长。

5.根据权利要求4所述的方法，其特征是，根据所述的初始步长、预测模型确定新步长包括：

获取所述预测模型的接收数；

获取所述预测模型的种群数；

确定所述预测模型的接收数与种群数的比值；

根据所述的比值以及初始步长确定新步长。

6.根据权利要求5所述的方法，其特征是，根据所述的比值以及初始步长确定的新步长为：

${\mathrm{VM}}^{\&prime;}=\left\{\begin{array}{cc}\mathrm{VM}*(1+\frac{2*(R-0.6)}{0.4}),& R>0.6\\ \mathrm{VM}/(1+\frac{2*(R-0.6)}{0.4}),& R<0.4\\ \mathrm{VM},0.4\&le;R\&le;0.6& \end{array}\right.$

其中，R为预测模型的接收数与种群数的比值，VM为初始步长，VM′为新步长。

7.根据权利要求4或5所述的方法，其特征是，所述的方法还包括：

获取预先设定的温度下降迭代次数、温度下降系数；

当温度下降循环次数等于温度下降迭代次数时，根据所述的温度下降系数、初始温度确定新温度。

8.根据权利要求7所述的方法，其特征是，根据所述的温度下降系数、初始温度确定的新温度为：

T′＝T*λ

其中，T为初始温度，T′为新温度，λ为温度下降系数。

9.根据权利要求7所述的方法，其特征是，所述的方法还包括：

将所述的新步长赋值给所述初始步长；

将所述的新温度赋值给所述初始温度；

将所述的预测模型赋值给所述个体模型。

10.根据权利要求9所述的方法，其特征是，所述的方法还包括：

获取循环次数；

当所述的循环次数达到所述的最大循环次数时，退火反演结束；

获取预先设定的标准误差；

当所述的拟合误差达到所述的误差标准时，退火反演结束。

11.一种基于时频电磁的自适应遗传模拟退火反演系统，其特征是，所述的系统包括：

反演数据获取装置，用于根据时频电磁的发射频率范围以及分量类型获取反演数据；

预设参数获取装置，用于获取预先设定的反演层数、初始温度、初始步长、最大循环次数；

个体模型确定装置，用于根据所述的反演层数、反演数据确定多个个体模型；

个体新模型生成装置，用于对所述的个体模型进行遗传算法运算生成个体新模型；

预测模型生成装置，用于根据所述的初始步长对所述的个体新模型强制进行退火运算生成预测模型；

拟合误差确定装置，用于确定所述预测模型与所述个体新模型之间的拟合误差；

判断装置，用于根据所述的拟合误差判定所述的预测模型是否符合退火标准。

12.根据权利要求11所述的系统，其特征是，对所述的个体模型进行遗传算法运算生成个体新模型通过如下公式进行：

$P_e=\left\{\begin{array}{cc}{P}_e\frac{f_{\max }-f^{\&prime;}}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_e,f^{\&prime;}<f_{\mathrm{avg}}& \end{array}\right.$

$P_m=\left\{\begin{array}{cc}{P}_m\frac{f_{\max }-f^{\&prime;\&prime;}}{f_{\max }-f_{\mathrm{avg}}},& f^{\&prime;\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ P_m,f^{\&prime;\&prime;}<f_{\mathrm{avg}}& \end{array}\right.$

f(m)＝log10(||d-G_m(m)||²)

其中，P_e为杂交初始概率，P_m为变异初始概率，f_max为所有个体模型中的最大拟合误差，f_avg为所有个体模型中的平均拟合误差，f′为个体模型中两个杂交个体之中最大的那个拟合误差，f″为个体模型中变异个体的拟合误差，m为未知模型参数矢量，d为观测数据矢量，G_m为正演算子，f(m)为m的拟合误差。

13.根据权利要求11所述的系统，其特征是，根据所述的初始步长对所述的个体新模型强制进行退火运算生成的预测模型为：

X2＝X1+VM

其中，X2为预测模型，X1为个体新模型，VM为初始步长。

14.根据权利要求11所述的系统，其特征是，所述的系统还包括：

步长调整次数获取装置，用于获取预先设定的步长调整次数；

新步长确定装置，用于当步长调整循环次数等于步长调整次数时，根据所述的初始步长、预测模型确定新步长。

15.根据权利要求14所述的系统，其特征是，所述的新步长确定装置包括：

接收数获取模块，用于获取所述预测模型的接收数；

种群数获取模块，用于获取所述预测模型的种群数；

比值确定模块，用于确定所述预测模型的接收数与种群数的比值；

新步长确定模块，用于根据所述的比值以及初始步长确定新步长。

16.根据权利要求15所述的系统，其特征是，根据所述的比值以及初始步长确定的新步长为：

${\mathrm{VM}}^{\&prime;}=\left\{\begin{array}{cc}\mathrm{VM}*(1+\frac{2*(R-0.6)}{0.4}),& R>0.6\\ \mathrm{VM}/(1+\frac{2*(R-0.6)}{0.4}),& R<0.4\\ \mathrm{VM},0.4\&le;R\&le;0.6& \end{array}\right.$

其中，R为预测模型的接收数与种群数的比值，VM为初始步长，VM′为新步长。

17.根据权利要求14或15所述的系统，其特征是，所述的系统还包括：

温度参数获取装置，用于获取预先设定的温度下降迭代次数、温度下降系数；

新温度确定装置，用于当温度下降循环次数等于温度下降迭代次数时，根据所述的温度下降系数、初始温度确定新温度。

18.根据权利要求17所述的系统，其特征是，根据所述的温度下降系数、初始温度确定的新温度为：

T′＝T*λ

其中，T为初始温度，T′为新温度，λ为温度下降系数。

19.根据权利要求17所述的系统，其特征是，所述的系统还包括：

第一赋值装置，用于将所述的新步长赋值给所述初始步长；

第二赋值装置，用于将所述的新温度赋值给所述初始温度；

第三赋值装置，用于将所述的预测模型赋值给所述个体模型。

20.根据权利要求19所述的系统，其特征是，所述的系统还包括：

设定次数获取装置，用于获取循环次数；

第一结束装置，用于当所述的循环次数达到所述的最大循环次数时，退火反演结束；

标准误差获取装置，用于获取预先设定的标准误差；

第二结束装置，用于当所述的拟合误差达到所述的误差标准时，退火反演结束。