基于混合智能算法的弹性矢量波场分离方法及装置

摘要

本发明公开了一种基于混合智能算法的弹性矢量波场分离方法及装置，该方法包括：根据初始模型各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；基于改进PSO‑BFO混合智能算法对理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型；确定多个参考模型，对各个参考模型的弹性矢量波场在波数域进行波场分离并反变换回空间域；根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；根据权重系数，在空间域对各个参考模型的波场分离结果进行插值处理，得到初始模型的波场分离结果，本发明可以提高波场分离的精度和效率。

权利要求

1.一种基于混合智能算法的弹性矢量波场分离方法，其特征在于，包括：获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

其中，按照以下方法确定初始模型的离散的协变异函数值：其中，μ(h)为初始模型的协变异函数值；ε、δ为各向异性参数；θ为TTI介质的倾角；hε、hδ、hθ分别为各向异性参数值的增量；x、y、z分别为各向异性参数空间位置参数；hx、hy、hz分别为各向异性参数空间位置的增量；n为插值参考点的个数；Φ＝f[δ+2(ε-δ)sin2(α-θ)]sin2(α-θ)，其中， 为各向异性参数，α为相角，代表地震波的传播方向；

根据所述初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

构建改进PSO-BFO混合智能算法，基于所述改进PSO-BFO混合智能算法对所述理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型；其中，所述改进PSO-BFO混合智能算法包括：在PSO算法中进行局部优化和全局优化；

根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

对于各个参考模型的弹性矢量波场在波数域进行波场分离，将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分离结果；

根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

将插值处理后得到的结果作为初始模型的波场分离结果。

2.如权利要求1所述的方法，其特征在于，根据所述初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型，包括：构建球状模型，基于所述球状模型对所述初始模型的离散的协变异函数值进行拟合，得到初始模型的理论变异函数模型。

3.如权利要求2所述的方法，其特征在于，按照以下方法对初始模型的离散的协变异函数值进行拟合，得到初始模型的理论变异函数模型：其中，C0为块金效应值，C0+C为基台值，R为变程，h为各向异性参数的位置增量，μ(h)为初始模型的协变异函数值。

4.如权利要求1所述的方法，其特征在于，构建改进PSO-BFO混合智能算法，基于所述改进PSO-BFO混合智能算法对所述理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型，包括：

构建改进PSO算法，包括：局部优化和全局优化；

在BFO算法中，基于改进PSO算法确定细菌新的趋向方向，构建改进PSO-BFO混合智能算法；

根据所述理论变异函数模型，构建目标函数；

基于所述改进PSO-BFO混合智能算法对所述目标函数进行求解，确定目标函数的各个参数值；

根据所述目标函数的各个参数值，确定理论变异函数模型的各个参数值；

根据所述理论变异函数模型的各个参数值，确定优化的理论变异函数模型。

5.如权利要求4所述的方法，其特征在于，所述局部优化，包括：获取多个局部较优解的粒子位置；

确定所述多个局部较优解粒子位置的平均位置；

确定所述多个局部较优解粒子位置的最优位置；

将所述平均位置与所述最优位置进行线性组合，作为学习对象。

6.如权利要求4所述的方法，其特征在于，所述全局优化，包括：获取预先设置的最优解的阈值范围；

遍历所有粒子，确定各个粒子的适应值；

将适应值在所述最优解的阈值范围内对应的粒子形成的种群作为目标种群；

在所述目标种群中随机选取粒子位置作为学习对象。

7.一种基于混合智能算法的弹性矢量波场分离装置，其特征在于，包括：协变异函数值确定模块，用于获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

其中，按照以下方法确定初始模型的离散的协变异函数值：其中，μ(h)为初始模型的协变异函数值；ε、δ为各向异性参数；θ为TTI介质的倾角；hε、hδ、hθ分别为各向异性参数值的增量；x、y、z分别为各向异性参数空间位置参数；hx、hy、hz分别为各向异性参数空间位置的增量；n为插值参考点的个数；Φ＝f[δ+2(ε-δ)sin2(α-θ)]sin2(α-θ)，其中， 为各向异性参数，α为相角，代表地震波的传播方向；

理论变异函数模型拟合模块，用于根据所述初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

理论变异函数模型优化模块，用于构建改进PSO-BFO混合智能算法，基于所述改进PSO-BFO混合智能算法对所述理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型；其中，所述改进PSO-BFO混合智能算法包括：在PSO算法中进行局部优化和全局优化；

参考模型确定模块，用于根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

第一波场分离模块，用于对于各个参考模型的弹性矢量波场在波数域进行波场分离；

将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分离结果；

权重系数确定模块，用于根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

插值处理模块，用于根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

第二波场分离模块，用于将插值处理后得到的结果作为初始模型的波场分离结果。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6任一所述方法的计算机程序。

说明书

基于混合智能算法的弹性矢量波场分离方法及装置

技术领域

[0001] 本发明涉及油气勘探技术领域，特别涉及一种基于混合智能算法的弹性矢量波场分离方法及装置。

背景技术

[0002] 弹性波逆时偏移成像结果中的耦合噪声主要是由纵横波耦合导致的，因此需要研究波场分离技术以压制耦合噪声，矢量波场分离的精度对弹性波逆时偏移成像质量有着至
关重要的作用。

[0003] 国内外学者针对矢量波场的分离做了许多研究工作，首先是基于解耦方程的矢量波场分离算法，Zhang等(2007)提出一种解耦的弹性波一阶速度应力方程，实现纵横波的分
离；Xiao和Leaney(2010)引入了纵波应力τp，以取代τxx,τzz，提出一种基于弹性波一阶速度
应力方程的解耦方程组，该方程组在数学上与Zhang等(2007)提出的解耦方程组是等价的，
他们实现了纵横波解耦传播并对VSP数据进行成像；Zhou等(2016)基于Zhang等(2007)的工
作，将解耦方程组由二维拓展到三维；Alkhalifah(2000)认为可以假设横波速度为零，推导
出VTI介质Quasi-P波频率-空间域波动方程；Zhou等(2006a，2006b)和Zhang(2008)提出了
TTI介质中的Quasi-P波方程；梁锴等(2009)认为横波为零的假设在多种介质中并不适用基
于弱各向异性假设，提出了弱各向异性下的TTI介质中的Quasi-P波方程和Quasi-SV波方
程。

[0004] 其次是利用偏振特性在数值模拟过程中对纵横波进行分离。Dellinger和Etgen(1990)通过求解波数域Kelvin-Christoffel方程，得到纵横波的偏振向量以分离波场；Yan
和Sava(2009)利用拟微分算子，在空间域进行纵横波分离，将Dellinger的理论从均匀介质
推广到非均匀介质；Zhang和McMechan(2010)拓展了Dellinger和Etgen(1990)的工作，提出
了适用性更广的波场矢量分离方法，可以直接得到纵横波波场各分量的公式，且其振幅，相
位都不会发生改变；郭鹏和何兵寿(2011)也研究了非均匀VTI介质下矢量波场的分离；Yan
和Sava(2012)针对三维情况下横波奇异性的问题，提出先分离出无奇点的Quasi-P波波场，
再依次分离出SH波和Quasi-SV波；Yan和Sava(2011)为了提高分离效率，提出了在混合域利
用插值方法分离波场的策略；Cheng和Fomel(2014)提出低秩近似策略以降低每一时间步长
需要的FFT数量，以提高Zhang和McMechan(2010)的矢量分离效率。

[0005] 为了应对海量数据的处理需要，弹性矢量波场的分离正朝着高精度和高效率的方向发展，如何折中精度和效率，是一个非常值得研究的问题。

[0006] 在混合域分离波场指的是在空间域采用插值的方式重构分离波场，可以兼顾分离的效率和精度。为了获得较好的波场分离效果，插值算法的选择是至关重要的，Yan和Sava
(2011)在空间域利用IDW算法去插值偏振向量的各向异性部分，其算法可以适应强各向异
性的情况，Kriging插值算法引入了变异函数理论，可以描述区域化变量的空间结构性变化
和随机性变化，因此不仅能反映空间随机场的各向异性，而且能兼顾数据点之间的空间相
关性。但是该算法无法全面考虑整体空间的相关性，容易陷入局部最优。专利
ZL201410373374引入基于变异函数理论的Kriging插值算法，在空间域利用该算法进行插
值分离波场，不仅考虑空间距离对插值的影响，还考虑了区域化变量的空间结构性变化和
随机性变化对插值结果的影响，但是，该方法在计算变异函数时，仅仅考虑单一变量，即空
间位置导致的变量的结构性变化和随机性变化，单一变量并不能顾及多个具有相互关系的
区域化变量之间的协同作用。此外，该方法采用最小二乘方法拟合理论变异函数，拟合精度
不高。

[0007] 针对上述问题，目前尚未提出有效的解决方案。

发明内容

[0008] 本发明实施例提供一种基于混合智能算法的弹性矢量波场分离方法，用以改进插值算法的全局优化性能，提高波场分离的精度和效率，该方法包括：

[0009] 获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

[0010] 根据初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

[0011] 构建改进PSO-BFO混合智能算法，基于改进PSO-BFO混合智能算法对理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型；其中，改进PSO-BFO混合智
能算法包括：在PSO算法中进行局部优化和全局优化；

[0012] 根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

[0013] 对于各个参考模型的弹性矢量波场在波数域进行波场分离，将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分离结果；

[0014] 根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

[0015] 根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

[0016] 将插值处理后得到的结果作为初始模型的波场分离结果。

[0017] 本发明实施例还提供了一种基于混合智能算法的弹性矢量波场分离装置，用以改进插值算法的全局优化性能，提高波场分离的精度和效率，该装置包括：

[0018] 协变异函数值确定模块，用于获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

[0019] 理论变异函数模型拟合模块，用于根据所述初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

[0020] 理论变异函数模型优化模块，用于构建改进PSO-BFO混合智能算法，基于所述改进PSO-BFO混合智能算法对所述理论变异函数模型的各个参数进行优化求解，得到优化的理
论变异函数模型；其中，所述改进PSO-BFO混合智能算法包括：在PSO算法中进行局部优化和
全局优化；

[0021] 参考模型确定模块，用于根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

[0022] 第一波场分离模块，用于对于各个参考模型的弹性矢量波场在波数域进行波场分离；将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分离
结果；

[0023] 权重系数确定模块，用于根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

[0024] 插值处理模块，用于根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

[0025] 第二波场分离模块，用于将插值处理后得到的结果作为初始模型的波场分离结果。

[0026] 本发明实施例通过：根据各向异性参数的空间位置分布和参数值分布，确定初始模型的离散的协变异函数值，考虑了空间位置变化和参数值变化导致的变量的结构性变化
和随机性变化，能够顾及各向异性参数之间的协同作用；根据初始模型的离散的协变异函
数值，拟合得到初始模型的理论变异函数模型，可以提高拟合的精度；构建改进PSO-BFO混
合智能算法，基于改进PSO-BFO混合智能算法对理论变异函数模型的各个参数进行优化求
解，得到优化的理论变异函数模型，形成了一种改进的插值算法，可以提高插值算法的全局
优化性能，提高插值精度，减小误差，降低寻优的迭代次数；根据优化的理论变异函数模型，
确定各个参考模型相对于初始模型的权重系数，根据权重系数，对各个参考模型的波场分
离结果进行插值处理，可以获得分离效果最优的qP波和qSV波波场，提高波场分离的精度和
效率。

附图说明

[0027] 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。在附图中：

[0028] 图1为本发明实施例中基于混合智能算法的弹性矢量波场分离方法流程的示意图；

[0029] 图2为本发明实施例中基于混合智能算法的弹性矢量波场分离装置结构的示意图。

具体实施方式

[0030] 为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并
不作为对本发明的限定。

[0031] 在混合域对矢量波场进行分离，其基本思想是首先根据初始模型中各向异性参数的空间分布，选择N个均匀各向异性介质模型作为参考模型，分别在波数域进行矢量波场分
离，然后反变换回空间域，根据计算好的权重系数，重构初始模型的分离结果。Kriging插值
理论是一种多面叠加插值法，可以将若干空间位置处的已知数值的加权平均去估计其他空
间位置处的数值，求得一个最佳线性无偏估计量。

[0032] 为了改进插值算法的全局优化性能，提高波场分离的精度和效率，本发明实施例中提供了一种基于混合智能算法的弹性矢量波场分离方法，如图1所示，该方法包括：

[0033] 步骤101：获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

[0034] 步骤102：根据初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

[0035] 步骤103：构建改进PSO-BFO混合智能算法，基于改进PSO-BFO混合智能算法对理论变异函数模型的各个参数进行优化求解，得到优化的理论变异函数模型；其中，改进PSO-
BFO混合智能算法包括：在PSO算法中进行局部优化和全局优化；

[0036] 步骤104：根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

[0037] 步骤105：对于各个参考模型的弹性矢量波场在波数域进行波场分离，将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分离结果；

[0038] 步骤106：根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

[0039] 步骤107：根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

[0040] 步骤108：将插值处理后得到的结果作为初始模型的波场分离结果。

[0041] 如图1所示，本发明实施例通过：根据各向异性参数的空间位置分布和参数值分布，确定初始模型的离散的协变异函数值，考虑了空间位置变化和参数值变化导致的变量
的结构性变化和随机性变化，能够顾及各向异性参数之间的协同作用；根据初始模型的离
散的协变异函数值，拟合得到初始模型的理论变异函数模型，可以提高拟合的精度；构建改
进PSO-BFO混合智能算法，基于改进PSO-BFO混合智能算法对理论变异函数模型的各个参数
进行优化求解，得到优化的理论变异函数模型，形成了一种改进的插值算法，可以提高插值
算法的全局优化性能，提高插值精度，减小误差，降低寻优的迭代次数；根据优化的理论变
异函数模型，确定各个参考模型相对于初始模型的权重系数，根据权重系数，对各个参考模
型的波场分离结果进行插值处理，可以获得分离效果最优的qP波和qSV波波场，提高波场分
离的精度和效率。

[0042] 首先介绍上述步骤101。

[0043] 具体实施时，在TI各向异性介质中，基于弱各向异性假设，Quasi-P波的偏振角可以被近似表示为：

[0044] vp＝α+f[δ+2(ε-δ)sin2(α-θ)]sin2(α-θ)            (1)

[0045] 其中， α是相角，代表地震波的传播方向，θ是TTI介质的倾角，ε、δ、为为各向异性参数。

[0046] 对于各向同性介质，因为P波的偏振方向与传播方向平行，所以，P波的偏振角指的是α角，即波数向量与垂直方向的夹角，P波的单位偏振向量的X分量为P波偏振角的正弦，Z
分量为余弦。对于各向异性介质，P波的偏振角在原来的α基础上需要加上一个Φ，对于各向
同性介质，不需要进行插值处理，因此，去除公式(1)中的各向同性部分，只保留线性各向异
性部分，可以得到：

[0047] Φ＝f[δ+2(ε-δ)sin2(α-θ)]sin2(α-θ)              (2)

[0048] 其中，Φ和ε，δ成近似线性关系，和sin2(α-θ)近似比例关系。

[0049] 在一个实施例中，步骤101根据初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型，可以包括：

[0050]

[0051] 其中，μ(h)为初始模型的协变异函数值；ε、δ为各向异性参数；θ为TTI介质的倾角；hε、hδ、hθ分别为各向异性参数值的增量；x、y、z分别为各向异性参数空间位置参数；hx、hy、hz
分别为各向异性参数空间位置的增量；n为插值参考点的个数；Φ＝f[δ+2(ε-δ)sin2(α-θ)]
sin2(α-θ)，其中， 为各向异性参数，α为相角，代表地震波的传
播方向。

[0052] 具体实施时，假设Φ满足二阶平稳假设或者本征假设，使用协变异函数μ(h)来描述Φ随着空间位置变化和各向异性参数值得变化的特性，按照公式(3)计算协变异函数值。

[0053] 对于每一个 都可以计算出一个 以不同的 的模为横坐标，为纵坐标，绘制点图。空间距离 越小，变异性越小，越大，变异性越大，当 增大到
一个临界值R时，两个数值相互之间基本不会有太大的影响了，理论上为R最优尺度，即在R
范围内的两个数值，相互作用最大，选择距离在R范围内的点插值，效果最好。

[0054] 接着介绍上述步骤102。

[0055] 在一个实施例中，步骤102可以包括：构建球状模型，基于球状模型对初始模型的离散的协变异函数值进行拟合，得到初始模型的理论变异函数模型。

[0056] 在一个实施例中，可以按照公式(4)对初始模型的离散的协变异函数值进行拟合，得到初始模型的理论变异函数模型：

[0057]

[0058] 其中，C0为块金效应值，C0+C为基台值，R为变程，h为各向异性参数的位置增量，μ(h)为初始模型的协变异函数值。

[0059] 具体实施时，假设初始模型为m＝{ε，δ，θ},在初始模型条件下偏振角的各向异性部分值为Φ。绘制初始模型各向异性参数的空间分布，根据其空间位置分布和参数值分布，
选择N个参考模型mk，并计算得到相应的Φk，通过如下公式去插值得到Φ：

[0060]

[0061] 其中，wk为权重系数。

[0062] 接着介绍上述步骤103。

[0063] 选用何种插值算法以获得较优的wk权重系数，是本算法的关键。Kriging插值算法因为引入了变异函数理论，可以描述区域化变量的空间结构性变化和随机性变化，因不仅
能反映空间随机场的各向异性，且兼顾数据点之间的空间相关性。但是该算法无法全面考
虑整体空间的相关性，容易陷入局部最优，因此，我们采用混合群体智能算法，对变异函数
理论进行优化，形成一种改进的Kriging插值算法，以计算公式(5)中的权重系数wk。

[0064] 在一个实施例中，步骤103可以包括：

[0065] 步骤1031：构建改进PSO算法，包括：局部优化和全局优化；

[0066] 步骤1032：在BFO算法中，基于改进PSO算法确定细菌新的趋向方向，构建改进PSO-BFO混合智能算法；

[0067] 步骤1033：根据理论变异函数模型，构建目标函数；

[0068] 步骤1034：基于改进PSO-BFO混合智能算法对目标函数进行求解，确定目标函数的各个参数值；

[0069] 步骤1035：根据目标函数的各个参数值，确定理论变异函数模型的各个参数值；

[0070] 步骤1036：根据理论变异函数模型的各个参数值，确定优化的理论变异函数模型。

[0071] 具体实施时，应用改进粒子群-菌群(improved PSO-BFO)混合群体智能算法对理论变异函数模型的参数进行全局优化，可以获得理论变异函数模型的最佳拟合参数向量。
improved PSO-BFO算法结合改进的粒子群算法(PSO)以及细菌觅食算法(BFO)两种算法的
优势，实现并行搜索，提高多参数优化中的参数寻优速度，降低计算复杂度，避免局部极值
的对最终结果的干扰。

[0072] 在一个实施例中，步骤1031中改进PSO算法的局部优化可以包括：

[0073] 获取多个局部较优解的粒子位置；

[0074] 确定多个局部较优解粒子位置的平均位置；

[0075] 确定多个局部较优解粒子位置的最优位置；

[0076] 将平均位置与最优位置进行线性组合，作为学习对象。

[0077] 具体实施时，选择M个局部较优解的粒子位置，然后求取M个局部较优解粒子位置的平均位置，并与M个局部最优解的粒子位置之中的最优位置，进行线性组合，作为当前最
优位置，引导解的搜索，见公式(6)：

[0078]

[0079]

[0080]

[0081] 其中，ω是惯性系数，加强最优解的搜索能力以及对搜索防范的控制； 表示第t次迭代时，第i个粒子在第j维度的搜索速度； 表示第t次迭代时，第i个粒子在第j维度
的空间位置； 表示截止到第t次迭代，粒子i的局部较优解的粒子位置；M代表粒子的
数量；c为加速因子，影响最优化算法的收敛性；r∈[0,1]，为符合均匀分布的随机小数；λ1,
λ2为权重系数。

[0082] 在一个实施例中，步骤1031中改进PSO算法的的全局优化可以包括：

[0083] 获取预先设置的最优解的阈值范围；

[0084] 遍历所有粒子，确定各个粒子的适应值；

[0085] 将适应值在最优解的阈值范围内对应的粒子形成的种群作为目标种群；

[0086] 在目标种群中随机选取粒子位置作为学习对象。

[0087] 具体实施时，设定一个可能收敛的最优解的范围，随机搜索粒子，当其适应度在可能收敛的最优解的阈值范围内，进行计数，记为P，在P这个种群中，随机选取粒子作为当前
粒子i的学习对象，见公式(7)：

[0088]

[0089]

[0090]

[0091] 其中，γi(j)为粒子i在第j维度要学习的随机某个粒子对应的编号。

[0092] 也即，本申请将粒子群算法分为两个部分，第一个部分是选择M个局部较优解的粒子位置，然后求取M个局部较优解粒子位置的平均位置，并与M个局部最优解的粒子位置之
中的最优位置，进行线性组合，提高PSO算法的局部搜索能力。第二部分是设定一个可能收
敛的最优解的范围，随机搜索粒子，当其适应度在可能收敛的最优解的阈值范围内，进行计
数，记为P，在P这个种群中，随机选取粒子作为当前粒子i的学习对象，提高PSO算法的全局
搜索能力。在求解最优解的过程中按照一定的迭代周期对粒子的位置进行更新，可以提高
算法在不同问题上的全局搜索能力和局部搜索能力。

[0093] 具体实施时，步骤1032中，BFO算法由K.M.Passino于2002年基于Ecoli大肠杆菌在人体肠道内吞噬食物的行为，提出的一种算法。该算法具有并行搜索、易于跳出局部极小值
等优点，但其收敛速度慢，在最优值附近容易发生震荡。

[0094] BFO算法主要包括趋向，复制和迁徙三个步骤，趋向指的是模拟大肠杆菌利用鞭毛趋向一个方向运动或者翻转。复制指的是健康的细菌无性分裂成两个细菌，放置在原来的
位置，原来的健康细菌死亡，保持细菌群体大小不变。迁徙指的是环境突变以及其他原因，
一个区域内的细菌被杀死或者扩散到一个新的区域，主要可以使细菌的搜索空间可以以一
定的小概率被初始化。

[0095] 改进粒子群-菌群(improved PSO-BFO)混合群体智能算法是在BFO算法中应用改进的PSO算法，更新细菌的趋向方向，缩小搜索空间范围，提高收敛速度，使改进的算法能够
更快地收敛到最优解的位置。步骤1042中构建改进PSO-BFO混合智能算法，算法详细步骤如
下：

[0096] 第一步：初始化参数n,S,Nc,Ns,Nre,Ned,Ped，n为搜索空间维数，S为群体中细菌的总数，Nc为趋向步骤的步数，Ns为细菌游动的长度，Nre为复制步骤的次数，Ned为迁徙事件的次
数，Ped为迁徙事件的概率。细菌以i计数，迁徙事件以j计数，复制事件以k计数，趋向事件以l
计数。

[0097] 趋向过程中，每一个细菌的运动方向可表示为：

[0098]

[0099] P(j,k,l)＝θi(j,k,l),i＝1,2,...S,

[0100] 其中，C(i)是指细菌i翻转过程中，指定的随机方向的步长大小。Δ代表随机方向上的一个单位向量。

[0101] 定义细菌的适应值函数J(i,j,k,l)为：

[0102] J(i,j,k,l)＝J(i,j,k,l)+Jcc(θ,P(j,k,l)),

[0103] 其中，Jcc为细胞间斥引力来模拟聚集行为。

[0104] 第二步：计算细菌i的适应值函数J(i,j,k,l)，令Jlast＝J(i,j,k,l)，存储为细菌i的最优适应值。

[0105] 第三步：更新细菌i的运动方向：

[0106]

[0107] 重复第二步，计算细菌i的适应值函数J(i,j+1,k,l)。

[0108] 令m为游动步长，当m＜Ns，如果J(i,j+1,k,l)＜Jlast，则继续更新运动方向和适应值函数。如果J(i,j+1,k,l)＞Jlast，则保留当前值至Jlast。

[0109] 返回第二步，处理下一个细菌i+1。

[0110] 第四步：选择M个局部较优解的细菌位置，然后求取M个局部较优解细菌位置的平均位置，并与M个局部最优解的细菌位置之中的最优位置，进行线性组合，作为当前学习对
象E。

[0111] 第五步：设定一个可能收敛的最优解的范围，遍历细菌i,i＝1,2,...S，当其适应度在可能收敛的最优解的阈值范围内，进行计数，记为P，在P这个种群中，随机选取细菌位
置作为学习对象，随机选取的细菌编号记为γz＝rand()％P。

[0112] 第六步：应用改进的PSO算法，计算每个细菌i新的方向：

[0113] θi(j,k,l)＝θi(j+1,k,l)+c1r1(E-P)+c2r2(Pγz-P),

[0114] 第七步：进行下一次趋向性操作。

[0115] 第八步：对给定的k,l及每个i＝1,2,...S，将细菌能量Jhealth按从小到大的顺序排列，淘汰掉能量值较小的S/2个细菌，选择剩余的细菌进行复制，每个细菌分裂成两个完全
相同的细菌。若k＜Nre，返回第六步。

[0116] 第九步：细菌经过若干代复制之后，每个细菌以概率Ped被重新分布到寻优空间中，直至循环结束。

[0117] 具体实施时，步骤1033根据理论变异函数模型，构建目标函数可以包括：

[0118] 首先将公式(4)改写为：

[0119] y＝a0+a1 x1+a2 x2                    (8)

[0120] 其中，y＝μ(h)，a0＝C0， x1＝h，x2＝-h3，且a0≥0，a1≥0，a2≥0。

[0121] 假设数据有m对，记为(hi,μ(hi)),i＝0,1,2...m-1，构建目标函数如下：

[0122]

[0123] 具体实施时，步骤1034中，将步骤1032的改进PSO-BFO算法应用于步骤1033中公式(9)目标函数的求解，求出a0,a1,a2。

[0124] 具体实施时，步骤1035、1036中，根据a0,a1,a2，按照球状模型的公式计算出理论变异函数模型的C0,C,R，如公式(10)所示，根据C0,C,R，确定优化后的理论变异函数模型μ(h)。

[0125] C0＝a0,

[0126]

[0127]

[0128] 具体实施时，步骤104中，可以根据初始模型各向异性参数的空间位置分布和参数大小，以及步骤103中得到的优化后的理论变异函数模型的临界值R，选择N个参考模型。

[0129] 具体实施时，步骤105中可以进行弹性矢量波场的数值模拟，得到矢量弹性波场，并将波场变换到波数域。根据步骤104中已选择的N个参考模型，计算拟微分算子，在波数域
进行矢量波场分离。并将分离后的波场反变换回空间域，得到N个参考模型的波场分离结
果。

[0130] 具体实施时，步骤106中可以将优化后的理论变异函数模型μ(h)引入公式(5)中的权重系数wk计算，得到：

[0131]

[0132] μ(h)是距离的函数，将μ(h)引入IDW插值算法的权重计算中，可以获得更为可靠的插值结果。

[0133] 对于插值参考点(εk,δk,θk)的选择，可以遍历初始模型中不同(ε,δ,θ)出现的概率，并使用前面提到的理论变异函数模型临界值R进行约束，选取在R范围内的，出现概率最
大的参考点。

[0134] 具体实施时，步骤107可以利用N个参考模型和对应的权重系数，进行插值，得到插值结果，如果插值效果不好，重复步骤103到106，重新计算优化的理论变异函数模型和选择
参考模型，计算权重系数，进行插值。

[0135] 基于同一发明构思，本发明实施例中还提供了一种基于混合智能算法的弹性矢量波场分离装置，如下面的实施例。由于基于混合智能算法的弹性矢量波场分离装置解决问
题的原理与基于混合智能算法的弹性矢量波场分离方法相似，因此装置的实施可以参见方
法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的
软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或
者软件和硬件的组合的实现也是可能并被构想的。

[0136] 图2是本发明实施例的基于混合智能算法的弹性矢量波场分离装置的一种结构框图，如图2所示，该装置包括：

[0137] 协变异函数值确定模块01，用于获取初始模型各向异性参数，根据各向异性参数的空间位置分布和参数值分布，计算初始模型的离散的协变异函数值；

[0138] 理论变异函数模型拟合模块02，用于根据所述初始模型的离散的协变异函数值，拟合得到初始模型的理论变异函数模型；

[0139] 理论变异函数模型优化模块03，用于构建改进PSO-BFO混合智能算法，基于所述改进PSO-BFO混合智能算法对所述理论变异函数模型的各个参数进行优化求解，得到优化的
理论变异函数模型；其中，所述改进PSO-BFO混合智能算法包括：在PSO算法中进行局部优化
和全局优化；

[0140] 参考模型确定模块04，用于根据初始模型各向异性参数的空间位置分布和参数值分布以及优化的理论变异函数模型，确定多个参考模型；

[0141] 第一波场分离模块05，用于对于各个参考模型的弹性矢量波场在波数域进行波场分离；将在波数域进行分离后的纵横波波场反变换回空间域，得到各个参考模型的波场分
离结果；

[0142] 权重系数确定模块06，用于根据优化的理论变异函数模型，确定各个参考模型相对于初始模型的权重系数；

[0143] 插值处理模块07，用于根据各个参考模型相对于初始模型的权重系数，在空间域对各个参考模型的波场分离结果进行插值处理；

[0144] 第二波场分离模块08，用于将插值处理后得到的结果作为初始模型的波场分离结果。

[0145] 具体实施时，协变异函数值确定模块01具体用于按照如下方法确定初始模型的离散的协变异函数值：

[0146]

[0147] 其中，μ(h)为初始模型的协变异函数值；ε、δ为各向异性参数；θ为TTI介质的倾角；hε、hδ、hθ分别为各向异性参数值的增量；x、y、z分别为各向异性参数空间位置参数；hx、hy、hz
2
分别为各向异性参数空间位置的增量；n为插值参考点的个数；Φ＝f[δ+2(ε-δ)sin (α-θ)]
sin2(α-θ)，其中， 为各向异性参数，α为相角，代表地震波的
传播方向。

[0148] 具体实施时，理论变异函数模型拟合模块02具体用于：

[0149] 构建球状模型，基于球状模型对初始模型的离散的协变异函数值进行拟合，得到初始模型的理论变异函数模型。

[0150] 具体实施时，理论变异函数模型拟合模块02按照如下方法对初始模型的离散的协变异函数值进行拟合：

[0151]

[0152] 其中，C0为块金效应值，C0+C为基台值，R为变程，h为各向异性参数的位置增量，μ(h)为初始模型的协变异函数值。

[0153] 具体实施时，理论变异函数模型优化模块03具体用于：

[0154] 构建改进PSO算法，包括：局部优化和全局优化；

[0155] 在BFO算法中，基于改进PSO算法确定细菌新的趋向方向，构建改进PSO-BFO混合智能算法；

[0156] 根据理论变异函数模型，构建目标函数；

[0157] 基于改进PSO-BFO混合智能算法对目标函数进行求解，确定目标函数的各个参数值；

[0158] 根据目标函数的各个参数值，确定理论变异函数模型的各个参数值；

[0159] 根据理论变异函数模型的各个参数值，确定优化的理论变异函数模型。

[0160] 具体实施时，理论变异函数模型优化模块03中的局部优化具体包括：

[0161] 获取多个局部较优解的粒子位置；

[0162] 确定多个局部较优解粒子位置的平均位置；

[0163] 确定多个局部较优解粒子位置的最优位置；

[0164] 将平均位置与最优位置进行线性组合，作为学习对象。

[0165] 具体实施时，理论变异函数模型优化模块03中的全局优化具体包括：

[0166] 获取预先设置的最优解的阈值范围；

[0167] 遍历所有粒子，确定各个粒子的适应值；

[0168] 将适应值在最优解的阈值范围内对应的粒子形成的种群作为目标种群；

[0169] 在目标种群中随机选取粒子位置作为学习对象。

[0170] 本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于混合智能算法
的弹性矢量波场分离方法。

[0171] 本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有执行上述基于混合智能算法的弹性矢量波场分离方法的计算机程序。

[0172] 本发明实施例通过：根据各向异性参数的空间位置分布和参数值分布，确定初始模型的离散的协变异函数值，考虑了空间位置变化和参数值变化导致的变量的结构性变化
和随机性变化，能够顾及各向异性参数之间的协同作用；根据初始模型的离散的协变异函
数值，拟合得到初始模型的理论变异函数模型，可以提高拟合的精度；构建改进PSO-BFO混
合智能算法，基于改进PSO-BFO混合智能算法对理论变异函数模型的各个参数进行优化求
解，得到优化的理论变异函数模型，形成了一种改进的插值算法，可以提高插值算法的全局
优化性能，提高插值精度，减小误差，降低寻优的迭代次数；根据优化的理论变异函数模型，
确定各个参考模型相对于初始模型的权重系数，根据权重系数，对各个参考模型的波场分
离结果进行插值处理，可以获得分离效果最优的qP波和qSV波波场，提高波场分离的精度和
效率。

[0173] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产
品的形式。

[0174] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0175] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。

[0176] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。

[0177] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。