CN104698495B - 一种介质品质因子的逐次差分进化估计方法 - Google Patents

Abstract

本发明一种介质品质因子的逐次差分进化估计方法，包括如下步骤，步骤1，先对实际VSP道集进行预处理，去除不同炮子波的不一致性；步骤2，构建一个含M个个体的初始群体X；步骤3，按相邻两个检波器的距离将地下介质划分为不同地层，将每一道作为一个子成分，用L₁范数定义第k个个体的局部适应度函数，从而得到每道的局部适应度值；步骤4，根据实际VSP道集和每道的局部适应度，对初始群体X中的每个子成分进行优化更新；根据变异策略求取变异后的待估品质因子和速度；步骤5，重复步骤4，将整个群体更新完后根据全局适应度的值选择最优个体，从而得到地下介质的品质因子和速度。其整体的计算速度快，收敛性好，且不依赖于初值。

Description

一种介质品质因子的逐次差分进化估计方法

技术领域

本发明涉及地震勘探技术领域，具体为一种介质品质因子的逐次差分进化估计方法。

背景技术

随着油气勘探技术的发展及油气田勘探程度的进一步加深，油气勘探已从常规油气藏向非常规油气藏发展，勘探对象日益复杂，勘探技术面临新的挑战。如何精细地刻画地下介质构造、岩性及流体饱和度等是地震勘探亟待解决的重要问题。波在地下介质中传播时，介质的粘弹性使得波的能量逐渐耗散，这种介质的固有吸收作用通常用介质品质因子Q表征，估计的Q值可用于烃类检测和储层描述。速度是勘探地球物理中最重要的介质参数之一，在地震成像中起重要作用。介质Q值与速度的精确反演具有重要意义，可以作为目标检测的辅助参数之一。

目前已有多种估计Q值和速度的方法，包括直接计算方法及反演类方法。反演优化技术已广泛应用于许多领域，在地震勘探中可用于反演地下复杂构造的介质参数。反演方法有很多，如波形反演、层析成像等，波形反演优化技术又有局部优化类反演方法和全局优化类反演方法等。局部优化方法计算速度快，不足是高维参数反演中矩阵求逆困难，容易陷入局部极小值，且反演精度依赖于初值。与局部优化类方法相比，全局优化类方法对初值无依赖性，且不需要计算矩阵的逆，不足是运算量大，计算耗时。近年来由于计算机运算能力显著提高，全局优化方法已得到广泛应用。

全局优化算法有模拟退火法、差分进化算法、遗传算法、协同进化算法，以及改进的协同选择差分进化算法(DE-CCS)、协同变异差分进化算法(DE-CCM)等。协同进化算法在求解高维可分问题时，具有一定的有效性和实用性，但不适用于强非线性不可分问题；在此基础上发展的DE-CCS及 DE-CCM方法均用于解决波形反演中的高维可分问题。DE-CCS在选择操作中由局部适应度函数引导子成分的进化方向，用全局适应度函数从整体上控制个体的进化方向，对一个个体进行一次迭代时需要两次正演，而DE-CCM将分解思想用于变异策略中，用局部适应度函数引导子成分的变异方向，用全局适应度函数在选择步骤中控制个体的进化方向，对一个个体进行一次迭代时只需一次正演。DE-CCS和DE-CCM均适用于可分问题。

相较地面反射数据，VSP(垂直地震剖面)数据的质量较好，信噪比和分辨率较高，能提供更多的层位和频率信息。由于一次反射上行波的能量比多次波强得多，我们主要研究适用于含直达波及一次反射上行波的零偏VSP资料的反演方法。

局部优化类波形反演方法对初值有非常强的依赖性，而选取高精度的初值比较困难，导致反演精度降低，因此有必要研究不依赖于初值的全局优化类波形反演方法。现有的全局优化算法应用于高维可分模型空间时取得了很大成功，但是对于由黏弹介质中的待估参数张成的不可分模型空间，全局优化算法还需进一步进行研究。

发明内容

针对现有技术中存在的问题，本发明提供一种速度快，耗费时间段，收敛性好，且不依赖于初值的介质品质因子的逐次差分进化估计方法。

本发明是通过以下技术方案来实现：

本发明一种介质品质因子的逐次差分进化估计方法，包括如下步骤，

步骤1，用WEPIF方法估计实际VSP道集的品质因子和速度前，先对实际VSP道集进行预处理，去除不同炮子波的不一致性；

步骤2，构建一个含M个个体的初始群体X，表示为，

X＝[x₁,x₂,…,x_M]；

群体中的第k个个体表示为，

x_k＝[x_k,1,x_k,2,…,x_k,N],k＝1,…,M；

其中，N为总道数，M为地层数量，每个地层对应一组要进行估计的品质因子和速度；

步骤3，按相邻两个检波器的距离将地下介质划分为不同地层，将每一道作为一个子成分，用L₁范数定义第k个个体的局部适应度函数为，

$f_{k,j}=\underset{n=P-P_1}{\overset{P+P_2}{\mathrm{\Σ}}}\left|\right[d_{o,j}\left(n\right)-d_{k,j}\left(n\right)]\·g\left(n\right)|;$

从而得到每道的局部适应度值；式中，d_o,j(·)为第j道观测数据，d_k,j(·)为由第k个个体正演计算的第j道数据，P为观测数据直达波瞬时振幅谱的峰值位置，P₁、P₂分别为子波瞬时振幅的包络峰值左右两侧的第一个波谷位置，g(n)是高斯窗函数；

步骤4，根据实际VSP道集和每道的局部适应度，对初始群体X中的每个子成分进行优化更新；进行正演模拟逐道的优化每个子成分，当所有个体中当前层和下一层的参数均选择最优值后，再进行层位循环，逐层反演参数；反演第j层的参数时，将群体X中第j列的所有变量进行升序排列，根据变异策略求取变异后的待估品质因子和速度；

步骤5，重复步骤4，将整个群体更新完后根据全局适应度的值选择最优个体，从而得到地下介质的品质因子和速度。

优选的，步骤4中还包括将所有个体进行循环后，进行的内循环；通过多次个体循环实现局部的迭代循环。

进一步，步骤4中，进行内循环时，给定内循环中最大迭代次数gen_max1作为内循环的硬阈值，若迭代次数达到给定的阈值则强制退出内循环；退出条件表示为，gen1＞gen_max1；

并采用E_min为软阈值；退出条件表示为，Ea_j＜E_min；式中，Ea_j是误差能量均值，M是个体总数，E_min是设定的最小精度阈值；

如果满足任意一个退出条件，则结束内循环，执行步骤5。

优选的，步骤4中的变异策略如下，令局部适应度函数的最小值对应的变量为x_r,j，在群体的第j列中随机选取除最小值外的两个变量x_r1,j和x_r2,j，则第k个个体的第j个元素的变异策略如下，

$x_{k,j}^m=x_{r,j}+F\·(x_{r1,j}-x_{r2,j});$

式中，F是控制参数，其值是0～1之间的随机变量。

优选的，步骤4中的变异策略如下，给定局部适应度的精度阈值，当局部适应度大于阈值而两次个体迭代的局部适应度之差小于另一阈值时，用局部适应度值加权的方法对变异中的扰动量进行增益，则第k个个体的第j个元素的变异策略如下，

$x_{k,j}^m=x_{r,j}+F\·|x_{r1,j}-x_{r2,j}|\·p_1\·\mathrm{\λ};$

式中，λ是控制参数，根据精度选取，上标m表示变异后的值，权系数p₁为归一化的局部适应度值。

进一步，归一化的局部适应度值p₁表示如下，

$p_1=\frac{1/f_{r,j}}{p_2},p_2=\frac{1}{f_{r,j}}+\frac{1}{f_{r1,j}}+\frac{1}{f_{r2,j}};$

式中，f_r,j,f_r1,j,f_r2,j是对应于基因x_r,j,x_r1,j,x_r2,j的局部适应度值。

优选的，步骤2中，g(n)是高斯窗函数，表示为，

$g\left(n\right)=\exp (-\frac{1}{2}\·\frac{{(n-P)}^2}{{\mathrm{\σ}}^2});$

其中，n为变量，σ为标准差。

与现有技术相比，本发明具有以下有益的技术效果：

本发明基于差分进化算法的原理，将给定参数的估计群体与实际的VSP道集进行再定义误差内的逐次比较，利用差分进化算法逐层(即逐道)地优化每个子成分，并利用变异选择的原理，得到最优的待估品质因子和速度，最终通过群体的全局适应度求取了零偏VSP道集的介质品质因子和速度。该方法的有效性经合成模型和实际资料进行了验证，形成了适用于不可分模型参数空间的逐次差分进化算法(DE-S)。能够适用于黏弹介质中高维不可分模型空间，通过其能够快速准确的对零偏VSP数据的Q值和速度做出估计；给出了由上而下流程逐层优化Q值和速度；计算速度快，收敛性好，且不依赖于初值。

进一步的，通过局部的内循环流程，进行多次的个体循环，使得深层参数反演更加的精确，提高了估计的准确性和可靠性。

进一步的，通过设定迭代终止条件，给出两种迭代终止条件，灵活有效，节省了程序运算时间，提高了计算速度；不仅能够通过硬阈值避免迭代进入死循环，而且能够通过软阈值保证当精度已满足要求时为避免浪费计算资源而及时退出循环。

进一步的，通过加权变异策略利用了局部适应度的信息，在变异策略中引入权重因子以提高反演精度，且取消了交叉策略；使得变异扰动量可根据误差能量自适应地进行调整。

附图说明

图1为本发明实例中所述的由上而下反演流程图。

图2a为本发明实例中所述的合成零偏VSP数据示意图。

图2b为本发明实例中所述的合成零偏VSP截取的直达下行波示意图。

图3a为本发明实例中所述的由DE-S方法由上而下策略估计的Q值。

图3b为本发明实例中所述的由DE-S方法由上而下策略估计的速度。

图4为本发明实例中所述的观测数据与计算数据的误差剖面。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本实例中所述的发明一种介质品质因子的逐次差分进化估计方法，包括以下步骤：

步骤1，用WEPIF方法估计实际VSP道集的品质因子Q值前，先进行预处理，去除不同炮子波的不一致性。

步骤2，给定一个含M个个体的初始群体X表示为，X＝[x₁,x₂,…,x_M]；

步骤3，将每一道作为一个子成分，用L₁范数定义的第k个个体的局部适应度函数为：

$f_{k,j}=\underset{n=P-P_1}{\overset{P+P_2}{\mathrm{\Σ}}}\left|\right[d_{o,j}\left(n\right)-d_{k,j}\left(n\right)]\·g\left(n\right)|;$

步骤4，为了寻找基因变异的正确方向，反演第j层的参数时，我们将群体X中第j列的所有变量进行升序排列，根据变异策略求取变异后的基因，也就是变异后的待估品质因子和速度；本优选实例中，将所有个体进行循环后，为了使深层参数反演精确，我们构造局部循环流程，即进行多次个体循环。

步骤5，整个群体更新完后根据全局适应度值选择最优个体，从而能够根据得到的最优个体中每层对应的最优估计的品质因子值和速度得到地下介质的品质因子和速度。

对于纯下行波，我们采用图1所示的流程反演参数。

其中，gen_max和gen_max1为硬阈值，E_min为软阈值。我们设定两种迭代终止条件，一种是为避免迭代进入死循环而提出的硬阈值法：给定最大迭代次数gen_max和gen_max1，若迭代次数达到给定的阈值则强制退出循环，另一种 是当精度已满足要求时为避免浪费计算资源而及时退出循环的软阈值法：

Ea_j＜E_min (1)

式中，Ea_j是误差能量均值，M是个体总数，E_min是设定的最小精度阈值。如果方程(1)满足，则退出循环。

由以上流程可以看出，第j道循环时上层介质参数保持不变，对第j层和第(j+1)层的参数进行变异和选择，正演第1道到第(j+1)道，然后计算第j道和第(j+1)道的局部适应度值，进而引导最优基因的选择，由此实现参数逐层反演。第j道循环时同时计算第(j+1)道的局部适应度值，除了因为透射系数是第j层和第(j+1)层参数的函数外，还因为上层介质参数更新后，正演记录会随之更新，第(j+1)道的记录是上层介质参数的函数，若不更新第(j+1)层局部适应度函数的值，则第(j+1)道循环时使用的局部适应度值为初始记录的误差能量而不能反映上层参数的更新状态。改进的方法与DE-CCM法中变异策略的不同点是：DE-CCM方法根据局部适应度值对每个子成分按照各自独立的策略同时进行变异和选择，变异后的个体与原个体按概率交叉，而本发明所述的方法根据局部适应度值对个体的参数逐层进行变异，整个群体更新完后根据全局适应度值选择最优个体。变异即是优选的过程，不同于DE-CCM方法中子成分包含多个基因的情况，本发明所述的方法是对单个基因进行变异的，一个子成分中的变量只有一个基因，变异后的基因已经是最优选择，因此变异后的参数不需要与变异前的参数进行交叉。

本发明所述方法具体的包括如下所述。

1)由上而下策略原理。

该策略适用于含直达下行波的零偏VSP数据。本发明所述的方法，即DE-S方法首先给定一个含M个个体的初始群体X：

X＝[x₁,x₂,…,x_M] (2) 该群体中的第k个个体表示为：

x_k＝[x_k,1,x_k,2,…,x_k,N],k＝1,…,M (3)

式中，N为总道数，同时也是每种待估参数的维度，本发明按照检波器的距离划分地层，若每层中的待估参数是Q值和速度，则待估参数的总数为2N。如前所述，每一道作为一个子成分，用L₁范数定义的第k个个体的局部适应度函数为：

$f_{k,j}=\underset{n=P-P_1}{\overset{P+P_2}{\mathrm{\Σ}}}\left|\right[d_{o,j}\left(n\right)-d_{k,j}\left(n\right)]\·g\left(n\right)|---\left(4\right)$

式中，d_o,j(·)为第j道观测数据，d_k,j(·)为由第k个个体正演计算的第j道数据，P为观测数据直达波瞬时振幅谱的峰值位置，P₁、P₂分别为子波瞬时振幅的包络峰值左右两侧的第一个波谷位置，g(n)是高斯窗函数，定义为：

$g\left(n\right)=\exp (-\frac{1}{2}\·\frac{{(n-P)}^2}{{\mathrm{\σ}}^2})---\left(5\right)$

式中，n为变量，σ为标准差，用来控制窗的宽度，高斯窗的中心位于子波包络峰值处。采用加窗截取波形的方法，是为了尽可能多地利用每个子成分中直达下行波的有效信息，同时最大限度地压制噪声干扰。由式(4)可知，局部适应度函数表示的是直达下行波的误差能量。用第k个个体x_k为参数生成VSP数据，每道计算一个局部适应度值，则第k个个体对应的局部适应度值矢量为：

f_k＝[f_k,1,f_k,2,…,f_k,N] (6)

因此对于含M个个体的群体X来说，其正演数据对应的局部适应度值为M×N的矩阵：

$f=\left[\begin{array}{cccc}{f}_{\mathrm{1,1}}& f_{\mathrm{1,2}}& ...& f_{1,N}\\ ...& & & \\ f_{M,1}& f_{M,2}& ...& f_{M,N}\end{array}\right]---\left(7\right)$

初始群体X也是M×N的矩阵，但这里要特别注意，X与f中的元素并不是一一对应的关系，由于下行波是上层介质参数的函数，因此f_k,j是第k个个体的前j个元素的函数。

2)变异策略。

有效的变异策略可以使个体中的基因，也就是待估参数快速得到改良，经过多代循环最终得到最优个体。如上所述，VSP资料的直达下行波中，一道数据是检波器上方介质中所有参数的函数。正演模拟中，透射系数定义为：

$T_j=\frac{2{\mathrm{\ρ}}_j{v}_j}{{\mathrm{\ρ}}_j{v}_j+{\mathrm{\ρ}}_{j+1}{v}_{j+1}}---\left(8\right)$

式中，ρ_j为层间密度，本发明假设介质密度为常数，v_j为层间速度。透射系数T_j是当前层与下一层速度参数的函数，因此每个个体循环时，我们固定其他层的参数后，不仅需要变异当前层的Q值和速度，还需变异和选择下一层介质的参数。当所有个体中这两层的参数均选择最优值后，再进行层位循环，逐层反演参数。

为了寻找基因变异的正确方向，反演第j层的参数时，我们将群体X中第j列的所有变量进行升序排列：

$x_{.,j}^s=\mathrm{sort}[x_{1,j},x_{2,j},...x_{M,j}]=[x_{1,j}^s,x_{2,j}^s,...,x_{M,j}^s]---\left(9\right)$

式中，上标s表示排序后的序列。该序列对应的局部适应度值为：

$f_j^s=[f_{1,j}^s\left(x_{1,j}^s\right),f_{2,j}^s\left(x_{2,j}^s\right),...,f_{M,j}^s\left(x_{M,j}^s\right)]---\left(10\right)$

令排序前的序列对应的局部适应度函数为f_j，由中的元素对应于f_j中的值所构成，而非将f_j中的元素进行升序排序。前文已说明，f_k,j是第k个个体的前j个元素的函数，但本发明所述方法采用逐层反演的方式，即第 j层反演时，将第1层～第(j-1)层的参数固定，只更新第j层和第(j+1)层的参数，而第j层的参数对局部适应度值的影响较大，因此我们将局部适应度函数写为这种表达式，除简洁外也指明当前局部适应度函数中的变量以 为主。从中拾取该矢量的最小值以及最小值两侧邻域内的NP个值，这(2×NP+1)个值的解析表达式可用具有最小值的凹函数多项式拟合来逼近：

y＝Ae^-mx+Be^nx (11)

式中，A，B，m，n为复合方程的4个参数，可通过反演方法求取，x为第j列排序后的变量，y为对应的局部适应度值。该凹函数的极小值点对应的变量可能是一个更好的变异基因。为了确定A，B，m，n这四个参数的值，定义目标函数为：

$E=\underset{i=1}{\overset{2\mathrm{NP}+1}{\mathrm{\Σ}}}{|f_{i,j}^s\left(x_{i,j}^s\right)-y\left(x_{i,j}^s\right)|}^2---\left(12\right)$

式中，为计算的局部适应度值，为待拟合的多项式的值。因为有4个待估参数，Hessian矩阵的逆比较容易求取，因此可以用高斯-牛顿法求解该方程组。

然而，全局优化算法需要大量迭代，其计算量本身已比较大，而高斯-牛顿法是一种反演方法，计算速度比较慢。为了提高计算速度，实际中我们采用如下的直接方法进行变异。令局部适应度函数的最小值对应的变量为x_r,j，在群体的第j列中随机选取除最小值外的两个变量x_r1,j和x_r2,j，则第k个个体的第j个元素的变异策略是：

$x_{k,j}^m=x_{r,j}+F\·(x_{r1,j}-x_{r2,j})---\left(13\right)$

式中，F是控制参数，其值是0～1之间的随机变量。所有个体进行循环以更 新第j列的基因，变异后的基因在最优值点附近扰动，不同个体变异后的值略有差异，这是因为随机选取的变量不同以及控制参数不同，而这也符合自然规律，体现了变异发生的随机性。该变异策略的思路是，物种进化遵从自然法则，但是可以从环境中获取先验信息引导进化的方向，该先验信息即通过比较而获取的最优基因。与DE-CCM方法不同的是，我们选择的是所有个体的最小值点，而非选择一部分个体的极小值点，这样可以加快收敛速度。该直接方法是一种近似方法，操作简便，虽然精度不及反演方法，但是计算速度快，而此处精度的降低可以在全局反演中得到补偿。

3)加权变异策略。

将所有个体进行循环后，为了使深层参数反演精确，我们构造局部循环流程，即进行多次个体循环。该局部迭代循环过程中，我们观察到一种现象，随着迭代次数的增加，局部适应度值即误差能量依然很大时不同局部适应度值之间的变化却很小。这是因为随着变异次数的增加，这一列参数逐渐接近最优值，在参数未到达最优值时他们之间的差异已越来越小，变异缺乏突破的动力，导致变异前后的值差异很小，如果不引入新的变异机制，群体中第j列的所有分量将趋于常数。为了改善反演精度，我们提出如下的加权变异策略。给定误差能量的精度阈值，当误差能量大于阈值而两次个体迭代的误差能量之差小于另一阈值时，用局部适应度值加权的方法对变异扰动量进行增益，公式如下：

$x_{k,j}^m=x_{r,j}+F\·|x_{r1,j}-x_{r2,j}|\·p_1\·\mathrm{\λ}---\left(14\right)$

式中，λ是控制参数，可根据精度选取，上标m表示变异后的值，权系数p₁为归一化的局部适应度值，计算方法如下：

$p_1=\frac{1/f_{r,j}}{p_2},p_2=\frac{1}{f_{r,j}}+\frac{1}{f_{r1,j}}+\frac{1}{f_{r2,j}}---\left(15\right)$

式中，f_r,j,f_r1,j,f_r2,j是对应于基因x_r,j,x_r1,j,x_r2,j的局部适应度值。该加权变异策略利用了误差能量的信息，使得变异扰动量可根据误差能量自适应地进行调整。

本发明所述的方法，通过数值仿真进行数值仿真验证，结果如下。

采用的数据为含直达下行波的合成零偏VSP资料。

首先用只含直达下行波的VSP合成数据验证本发明所述方法，也就是DE-S由上而下策略的有效性。图2b是从图2a中截取的直达下行波。震源采用主频为40Hz的Ricker子波，位于地表零偏移距处。采用由上而下策略逐层反演Q值和速度，反演结果如图3a和图3b所示，虚线是理论值，实线是估计值。由图3b可以看出，估计的速度较准确，估计的Q值略有误差，这是因为实际中速度一般为1500m/s～6500m/s，Q的范围一般为5～200，速度比Q值大得多，而衰减因子是速度与Q值的函数，因此衰减因子作用于子波后，波形对速度的变化较为敏感。从速度估计曲线上可以看出，估计的速度整体比较准确，但在界面处有误差，这是因为界面处残余反射波的干扰影响估计精度。从Q值估计曲线上可以看出，浅层的Q值估计较准确，深层的Q值估计误差较大，误差的累积效应验证了参数的不可分性，但是估计的Q值趋势与理论一致，说明逐层估计方法对深层介质的参数估计较有效。同时与局部优化算法的估计结果对比可发现，本发明估计的Q值并不是仅在界面上有误差，而是误差有累积效应，这是差分进化算法应用于不可分模型空间时的缺点，本发明所述的方法也属于差分进化算法的一种，因此误差累积效应不可避免。由图4中的观测记录与计算数据的误差剖面，能够表明反演误差在可以接受的范围内，其数量级为10^-9。

Claims (7)

1.一种介质品质因子的逐次差分进化估计方法，其特征在于，包括如下步骤，

步骤1，用WEPIF方法估计实际VSP道集的品质因子和速度前，先对实际VSP道集进行预处理，去除不同炮子波的不一致性；

步骤2，构建一个含M个个体的初始群体X，表示为，

X＝[x₁,x₂,…,x_M]；

群体中的第k个个体表示为，

x_k＝[x_k,1,x_k,2,…,x_k,N],k＝1,…,M；

其中，N为总道数，M为地层数量，每个地层对应一组要进行估计的品质因子和速度；

步骤3，按相邻两个检波器的距离将地下介质划分为不同地层，将每一道作为一个子成分，用L₁范数定义第k个个体的局部适应度函数为，

$f_{k,j}=\underset{n=P-P_1}{\overset{P+P_2}{\Σ}}|\[d_{o,j}\left(n\right)-d_{k,j}\left(n\right)\]\·g\left(n\right)|;$

从而得到每道的局部适应度值；式中，d_o,j(·)为第j道观测数据，d_k,j(·)为由第k个个体正演计算的第j道数据，P为观测数据直达波瞬时振幅谱的峰值位置，P₁、P₂分别为子波瞬时振幅的包络峰值左右两侧的第一个波谷位置，g(n)是高斯窗函数；

步骤4，根据实际VSP道集和每道的局部适应度，对初始群体X中的每个子成分进行优化更新；进行正演模拟逐道的优化每个子成分，当所有个体中当前层和下一层的参数均选择最优值后，再进行层位循环，逐层反演参数；反演第j层的参数时，将群体X中第j列的所有变量进行升序排列，根据变异策略求取变异后的待估品质因子和速度；

步骤5，重复步骤4，将整个群体更新完后根据全局适应度的值选择最优个体，从而得到地下介质的品质因子和速度。

2.根据权利要求1所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，步骤4中还包括将所有个体进行循环后，进行的内循环；通过多次个体循环实现局部的迭代循环。

3.根据权利要求2所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，步骤4中，进行内循环时，给定内循环中最大迭代次数gen_max1作为内循环的硬阈值，若迭代次数达到给定的阈值则强制退出内循环；退出条件表示为，gen1＞gen_max1；

并采用E_min为软阈值；退出条件表示为，Ea_j＜E_min；式中，Ea_j是误差能量均值，M是个体总数，E_min是设定的最小精度阈值；

如果满足任意一个退出条件，则结束内循环，执行步骤5。

4.根据权利要求1所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，步骤4中的变异策略如下，令局部适应度函数的最小值对应的变量为x_r,j，在群体的第j列中随机选取除最小值外的两个变量x_r1,j和x_r2,j，则第k个个体的第j个元素的变异策略如下，

$x_{k,j}^m=x_{r,j}+F\·(x_{r1,j}-x_{r2,j});$

式中，F是控制参数，其值是0～1之间的随机变量。

5.根据权利要求1所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，步骤4中的变异策略如下，给定局部适应度的精度阈值，当局部适应度大于精度阈值而两次个体迭代的局部适应度之差小于另一阈值时，用局部适应度值加权的方法对变异中的扰动量进行增益，则第k个个体的第j个元素的变异策略如下，

$x_{k,j}^m=x_{r,j}+F\·|x_{r1,j}-x_{r2,j}|\·p_1\·\mathrm{\λ};$

式中，λ是控制参数，根据精度选取，上标m表示变异后的值，权系数p₁为归一化的局部适应度值。

6.根据权利要求5所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，归一化的局部适应度值p₁表示如下，

$p_1=\frac{1/f_{r,j}}{p_2},p_2=\frac{1}{f_{r,j}}+\frac{1}{f_{r1,j}}+\frac{1}{f_{r2,j}};$

式中，f_r,j,f_r1,j,f_r2,j是对应于基因x_r,j,x_r1,j,x_r2,j的局部适应度值。

7.根据权利要求1所述的一种介质品质因子的逐次差分进化估计方法，其特征在于，步骤2中，g(n)是高斯窗函数，表示为，

$g\left(n\right)=\exp (-\frac{1}{2}\·\frac{{(n-P)}^2}{{\mathrm{\σ}}^2});$

其中，n为变量，σ为标准差。