为提高BP神经网络的收敛速度和泛化能力，防止其陷入局部最优值，在前人工作基础上对传统粒子群算法进行了改进，具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数，并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测，具体步骤为：确定神经网络的输入、输出神经元，定量化时间参数[T]，利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析，结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。
54 014,50(10) Computer Engineering and Applications计算机工程与应用 值递减策略,并分别采用 Sphere、 Rosenbrock、 Griewank (3)利用训练样本对每一粒子进行前向传播计算, 和 Rastrigrin函数对它们测试。最终测试结果表明:对生成粒子的训练误差,并根据公式(9)通过训练误差计 于多数连续优化问题,基于线性函数的惯性权重因子递算粒子的适应度。 减方法优于基于凸函数的递减方法,而基于凹函数的递 (4)依据各粒子适应度更新个体最优值P和全 诚方法又优于基于线性函数的逃减方法。因此,本文采局最优值G(在所有个体最优值中,适应度最优的即 用了如下基凹两数的惯性权重因子递减方法 为全局最优值)。 w=(Oini-wendGx-g)"/Gk+end (7) (5)在训练过程中利用公式(3)、(4)、(6)和(8)及时 上式中,G为最大进化代数,Om为初始惯性权重更新各粒子的速度、位置和惯性权重因子,利用训练样 因子值,ω。为迭代至最大进化代数时惯性权重因子本继续进行迭代运算。 值,g为当前进化代数。当∞1m=0.9,can4=0.时,公 (6)若当前适应度值满足预定的误差标准,即达到 式(7)变为 了全局收敛,此时搜索停止,全局最优值对应BP神经网 =0.5·(Gx-g)Gx+0 (8)络的权值与阙值,即为当前粒子种群的最优解;香则,在 233适应度函数的改进 达到最大迭代次数L后,进行馍拟退火操作:令 S Kirkpatrick和cD. Gelatt等在1983年提出了模拟 T=7×0.99跳转返闻(2)继续迭代。 退火算法。它是一种基于蒙特卡洺迭代求解策略的随 机型寻优方法,立足点是般性组合优化问题和物理学3改进PSO-BP神经网络对储层参数的动态预测 中固体物质退火过程之间的相似性。通常情况下,模拟 本文中储层参数指的是孔隙度和渗透率,改进 退火算法利用概率突跳持性,结合给定初始温度的不断 PSO-BP神经网络对它们的动态预测过程如下。 下降,在解空问中随机地寻找目标函数的全局最优值。 1改进PSO-BP神经网络结构设计 因此,本文选取模拟退火算法对粒子群算法的适应度进 油田不断注水开发,导致孔隙度和渗透率缓慢地发 行拉伸。借鉴模拟退火思想,可克服粒子群算法在复杂生变化;并且,它们之间也具有较强的相关性所以设计 高维、多峰搜索问题中的早熟现象,提高其搜索性能,具改进PSO-BP神经网络的结构(如图1)。图1中,x、Y、 体的变换公式如下 Z和T为输入层神经元,POr和Pem为输出层神经 filness-exPITXEA (9)元。其中,X表示数据采样点的横坐标,Y表示数据采 样点的纵坐标,Z表示数据采样点的深度,T代表时 T=T×0.9 (10)间;Por和Pem分别表示孔隙度和渗透率(下同)。采 公式(9)和(10)中,mes为个体适应度值,E1为用下述公式求取改进PSO-BP神经网络隐含层的神经元 BP神经网终的均方误差,T和7分别为模拟退火的控个数l: 制参数和初始温度。 l=a+√hn+ 24改进PSO-BP神经网络的算法描述 上式中,m为输入层的神经元个数,n为输出层的神经 改进 PSO-BP神经网络的实质就是通过改进粒子群元个数,a为1-10之间的某个整数,取l的值为6。 算法的种群搜索功能对BP神经网络的权值与阙值进行 配置,使其达到最优。改进PSO-BP神经网络的算法描 述如下。 一真 y (1)初始化:确定粒子位置与速度向量的维数D=, y 确定粒子的种样规模P,初始化学因子c1和c2,初 始化每一个粒子的个体最优值Pe和全局最优值Gne erm 确定模拟退火的初始温度T。、每个r值的迭代次数L 和终止温度T Input variable Output Variable (2)确定适应度函数: fitness=cxp( 图1孔隙度和渗透悼为输出变量时改进 ,N为训练样本个数 PSO-BP神经网络的结构图 T,×0.99 2N∑(On-Tn 32时间参数T的量化及训练样本的选取 (即粒子的种群规模P。),O为网络的实际输出值, 综合分析油田的勘探开发过程,得到如下时间参数 T的定量化计算公式 T为网络的目标输出值。 7=(X-1994)×12+b (12) 潘少伟,梁鸿军,李良,等:改进PSO-BP神经网络对储层参数的动态预测研究 2014,50(10)55 公式(12)中,X为年份,b为月份。把199312最大,改进 PSO-BP算法的训练误差“波动”最小 月对应的T值记为0,基于公式(12),依据各井的测井PSO-BP算法的训练误差“波动”介于上述二者之间;在 日期(××年××月)即可求得它们的7值(表1) 迭代训练500次之后,BP算法的“波动现象”明显减小 表1时间参数T的量化列表 但仍存在一定程度的“波动现象”,迭代训练次数达到 测井日期时间参数T 测井日期时问参数T 600时,BP算法仍然处于发散状态;与BP算法相比, 1993年12月 PSO-BP算法在整个迭代训练过程屮的“波动现象”略 1994年1月 2002年10月 小,迭代训练次数达到550时,PSO-BP算法表现出细做 199年2月 2002年l月 1991年4月 的“波动现象”,迭代训练次数达到600时,它开始趋向 3 收敛,但仍处于发散状态;在前370次迭代训练中,改进 把测井解释结果与T值作为改进POBP神经网P0BP算法也存在较小的“波动现象”,之后开始趋向 络的训练样本(表2),对其进行训练。在训练之前还需 收敛,而且不存在“波动现象”,迭代训练次数达到600 归一化训练样本数据,以保证所建立的神经网络模型具 时,改进PSO-BP算法停止迭代,处于收敛状态,此时的 有较高精度 平均训练误差也达到了预定的要求。由此可见:与BP 3.3模型构建与检验 算法和 PSO-BP算法相比,改进PSO-BP算法的收敛性 选取120个样本对改进 PSO-BP神经网络进行训 练,当迭代到一定次数时,改进 PSO-BP神经网络停止迭要优于二者,而且不易陷入局部极小值; PSO-BP算法的 收敛性则优于BP算法。 代,此时BP神经网络的权值和阈值即为粒子的全局最 优值。利用30个样本对训练得到的改进 PSO-BP神经 0 网络模型进行检验。由表3可知,孔隙度和渗透率的测 0.8 BP算法 井解释值与改进 PSO-BP神经网络的预测值较为接近, 相对误差基本在土10%以内。因此可以说改进粒子群06 算法成功实现了对BP神经树终权值和國值的优化,建 PSO-BP算法 立了较为精确的储层参数预测模型 3.4仿真结果分析 改进PSO-BP算法 0.2 在相同实验条件下,比较了BP算法、PSO-BP算法 和改进PSO-BP算法的平均训练误差(图2)。图2中,横 坐标为训练次数,纵坐标为平均训练误差。由图2可看 00150200250300 训练次数 岀:在整个迭代训练过程中,BP算法的训练误差“波动” 图2神经网络学习过程误差曲线 表2训练样本列表 井 Ym Zim T Por/(%) Perm/10-um 20722820.000 3619868.750 1652.00 15.34 70.36 20722820.000 3619868750 1653.000 20.13 20722820.0003619868.750 654.000 12.03 66.38 20722362.00036197892501645000 14.410 Z2-1 20722362.00036197892501646,00010 20722362.000361978925 l647.00 10 l8.62 59.37 表3样本测井解释值和改进PSO-BP神经网络的预测值列表 測井解释值预测值绝对误差柑对误差测井解释值预测值绝对误差相对误差(% 1743 17.01 0.42 2.41 674 1.47 l2.37 1.21 8.91 lL.07 0.4 4.42 10.47 8.12 8.12 16.29 7.05 .76 4.67 50.96 3.94 7.18 18.41 1.81 9.83 ≤9.10 53.35 9.73 56 014,50(10) Computer Engineering and4 pplications计算机工程与应用 4结论 李翔,朱仝银基于 Adaboost算法和BP神经网络的税收预 (1)在前人研究基础上,对传统粒子群算法进行∫ 测[J计算机应用,2012,32(12):3558-3560 改进,将其应用于BP神经网络权值和阈值的优化,利用5]王德明,王莉,张广明基于遗传BP神经网络的短期风速预 改进粒子群算法优化的BP神经网络建立储层参数的动 测模型门浙江大学学报:工学版,2012,46(5):837-841 态预测模型 [6]左现刚,张志霞,一种基于量子BP树络的图像压缩方法[ (2)改进PSO-BP神经网终对储层参数的动态预测 计算机工程,2012,38(13):205-211 过程如下:首先设计PSO-BP神经网络的输入、输出神经 「刀]王园媛,李晓菲,陈涛,等,云南省水稻自叶枯病B'神经网络 元,接着量化吋间参数T和选取训练样本,然后利用训 测报技术研究[J云南农业大学学报,2013,28(2):257-263 练样本构建神经网络模型并进行检验,最后对平均训练 [8]虞英杰,蒋卫刚,徐明芳基于PSO算法的BP神经网终对 水体叶绿素a的预測门环境科学研究,2011,24(5):526-532 误差的仿真结果进行分析,证明改进 PSO-BP算法的收 9张少迪,王延杰,孙宏海.三角形剖分以及PSO-BP神经网 敛性要优于BP算法和PSO-BP算法。 络在星图识别中的应用[J光电工程,2011,38(6):30-37 (3)地下储层参数受控于多种综合因素,其动态变 [0]钱玉良,张浩,彭道刚,等基于 GA-PSO-BP的发电机组 化非常复杂,仅仅利用改进的 PSO-BP神经网终对其进 故障诊断[J华东电力,2012,40(7):1214-1217 行预测存在较大的局限性。因此,在实际工作过程中, [11]高娜,屈志宏,茹常剑改进 PSO-BP算法在《机剩余油量测 需利用多种技术手段,结合各种地质资料来对其进行综 量中的应用[J计算机测量与控制,2012,20(6):1452-1454 合研究 12]刘志峰,潘月,王建华,等,PSO-BP神经网络在MBR工艺 中的膜污染预测[J北京工业大学学报,2012,38(1): 参考文献 126-131 ]周余应,桂碧雯,李茂,等基于岩控的人工神经刚络在渗透13]史忠植神经网络[M北京高等教育出版社,2009 率预测中的应用[石油学报,2010,31(6):985-988 [14]李俊武,俞志富改进粒了群算法在DOA估计中的应用[J [2]刘垠杰,黄强,程玉强,等基于动态云BP网络的液体火箭 计算机工程与应用,2013,49(9):203-206. 发动机故障诊断方法[航空动力学报,2012,27(12):[15]陈貴敏,贾建援,韩琪.粒子群优化算法的惯性权值遍减 2842-2849 簽眵研究门西安交通大学学报,2006,40(1):53-56 [3]郭文斌,朱自强,鲁光银.重力异常的BP神经树络三维物[16]张立明人工神经网络的模型及其应用[M].上海:复旦大 性反演[]地球物理学进展,2012,27(2):409416 学出版社.1994 (上接47页) churn[clsoftwarc Reliability Enginccring 1993, Denver CO,1993:310-317 参考文献: [9 Wu Shuang, Li Haibin, Bao Changchun Orthogonal multi- [1 Guo Huairui, Mettas A, Sarakakis G, et al. Piecewise NHPP wavelets neural networks cnscmhlc and its application to models with maximum likelihood estimation for repair-able structure approximate calculation[C]/Al CI 2010, Sanya systems C//RAMS 2010, San Jose, CA, 2010: 1-7. 2010:242247 [2] Anna-Mary B M.A study of the musa reliability models[M]. [10] Lo Jung-Hua. A study of applying support vector machine S.I.: Univ Maryland, 1980 and genetic algorithm to software reliability forecasting[c]/ 3Karunanithi N Using neural networks in reliability pre ICEIE2010, Kyoto,2010,1:324-328 diction[J].IEEE Software, 1992, 9(4):53-59 [11 Chen Kuan-Yu. Forecasting systems reliability based on [4 Singh Y, Kumar P Prediction of software reliability using support vector regression with genetic algorithms[C]/ fecd forward neural networks[C]iCISE2010, 2010: 1-5 Reliability Engineering and System Safety, 2007, 92(4) [5 Hu Q P, Xie M. arly software reliability prediction with 423-432. ANN modcls[c]//PRDC 06, 2006: 210-220 [12]韦大伟,崔正斌基于神经网络集成的软件可靠性预测研 [ Khoshgofftaar T M, Szabo R M Improving neural network 究[计算机工程与设计,2010,31(19):4228-4231 predictions of software quality using principal coments [13] Chen Jingjie, Chen Jiusheng, Zhang Xiaoyu. Reliability pre- analysis[C]/lEEE World Congress on Computational in- diction model of aircraft using self-organizing map[c]/ telligence,1994:3295-3300 Automation and logistics, 2007: 680-683 [7] Zhang Xuemei, Teng Xiaolin, Pham Hoang. Considering fault [14] Azar D, Precup D B Combining and adapting software removal efficiency in software reliability assessment[J quality predictive models by genetic algorithms[C]Au- IEEE Trans,2003,33(1):114-120 tomated Software Engincering, 2002: 285-288. [8] Karunanithi NA neural network approach for software [15] The Data& Analysis Center for Softwarc[ DB/OL]-[2012-04-101 eliability growth modeling in the presence of code http://www.thedacs.com/databases/sled.swrelg.php