CN113139695A - 海上热采与增产期甲板分配方法、计算机装置及存储介质 - Google Patents
海上热采与增产期甲板分配方法、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN113139695A CN113139695A CN202110510138.6A CN202110510138A CN113139695A CN 113139695 A CN113139695 A CN 113139695A CN 202110510138 A CN202110510138 A CN 202110510138A CN 113139695 A CN113139695 A CN 113139695A
- Authority
- CN
- China
- Prior art keywords
- particle
- initial
- value
- area
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011084 recovery Methods 0.000 title claims abstract description 26
- 238000009826 distribution Methods 0.000 title claims abstract description 8
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 title abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 147
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000005553 drilling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种海上热采与增产期甲板分配方法、计算机装置及存储介质。所述方法包括如下步骤:S1、确定海上热采作业或增产作业期间,所涉及的m台设备各自的占地面积S(i)以及重要度Z(i),i=1~m,并明确平台甲板可用面积V;S2、利用粒子群算法对m台设备的取舍状态进行T轮迭代,T为最大迭代次数,依次记录每轮迭代的整个粒子群的全局最优位置g和全局所选择设备的重要度总和gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。本发明能够优化平台面积分配方案,能够选择布置价值总数最高的设备,使得平台设计更科学合理。
Description
技术领域
本发明涉及石油工程人工智能应用技术领域,具体涉及一种海上热采与增产作业期间平台甲板面积最优分配方法、计算机装置及存储介质。
背景技术
在海上油气田热采或增产作业期间,钻井平台或采油平台(后简称平台)的甲板面积或空间极为有限,在有限的甲板面积或空间内,如何放置尽量多的关键热采或增产设备,是保障热采与增产作业顺利进行的关键一步。目前主要靠经验法或大概计算来确定设备的布置,设计往往不够科学。
因此,如何综合考虑海洋钻采平台可用甲板面积,以及热采与增产作业所需设备的占地面积、重要度,提出一种海上热采与增产作业期间平台甲板面积最优分配方法,为海上油田热采或增产作业提供设备场地保障,是本领域急需解决的技术难题。
发明内容
有鉴于此,本发明旨在提供一种海上热采与增产作业期间平台甲板面积最优分配方法、计算机装置及存储介质,适用于解决海上平台热采或增产等关键作业期间甲板面积优化配置问题,以在有限的甲板面积或空间内,尽量多地放置总价值最高的钻采设备。
本发明首先提出一种海上平台甲板面积最优分配方法,所述方法包括如下步骤:
S1、确定海上热采作业或增产作业期间,所涉及的m台设备各自的占地面积S(i)以及重要度Z(i),i=1~m,并明确平台甲板可用面积V;
S2、利用粒子群算法对m台设备的取舍状态进行T轮迭代,T为最大迭代次数,依次记录每轮迭代的整个粒子群的全局最优位置(即设备取舍)g和全局所选择设备的重要度总和gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。
据本发明的一种实施方式,所述S2步骤包括:
S21、预设粒子个数N、最大迭代次数T、学习因子C1与C2、粒子的维度D、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin、惩罚函数系数Cf;
S22、对N个粒子的位置x(i,j)进行初始化,其中i表示第i个粒子,j表示第j台设备,x(i,j)=0表示放弃,x(i,j)=1表示使用,各粒子的初始位置用0~1之间的随机数表示;
S23、对N个粒子的速度v(i,j)进行初始化,初始速度介于Vmin和Vmax之间,速度为正表示对x(i,j)进行增大,为负表示对x(i,j)进行减小;
S24、计算每个粒子的初始最优位置p(i,j)和初始最优值pbest(i),初始最优值pbest(i)为所选择设备的重要度总和,其中i=1~N,共N个值,每个粒子的初始最优位置p(i,j)等于所述初始位置x(i,j);
S25、计算整个粒子群的初始全局最优位置g和初始全局最优值gbest:
从第1个粒子至第N个粒子进行遍历,选取全部N个粒子中最大的初始最优值pbest(i)作为初始全局最优值gbest,对应的粒子位置x(i,j)作为初始全局最优位置g;
S26、进行第一轮迭代运算,更新全部N个粒子的位置x(i,j),根据N个粒子的新位置x(i,j)新,重新计算每个粒子的初始最优值pbest(i),选其中的最大值作为第一轮迭代后的全局最优值gbest,对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优位置;
S27、依照S26的迭代方法进行第2至T轮迭代,依次记录每轮迭代的全局最优位置g和全局最优值gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。
据本发明的一种实施方式,S21步骤中,粒子个数N=20*m,最大迭代次数T=30*m,学习因子C1=C2=1.5,粒子的维度D等于涉及的设备数量m,惯性权重最大值Wmax=0.9,惯性权重最小值Wmin=0.4,速度最大值速度最小值惩罚函数系数
据本发明的一种实施方式,步骤S24中,每个粒子的初始位置是0-1之间的随机数,不包括0或1本身。
据本发明的一种实施方式,步骤S24中,第i个粒子的初始最优值pbest(i)公式如下:
式中,i=1~N;x(i,j)为粒子的初始位置;Z(j)为设备j的重要度。
据本发明的一种实施方式,根据公式计算得到pbest(i)后,还包括以下方法:
计算每个粒子代表的设备总面积V(i),第i个粒子代表的设备总面积V(i):
式中,i=1~N;x(i,j)为粒子的初始位置;S(j)为设备j的面积;
假如V(i)≤可用面积V,则pbest(i)即为该粒子初始最优值;
假如V(i)>可用面积V,则该粒子初始最优值pbest(i)=pbest(i)-Cf×[V(i)-V],Cf为惩罚函数系数。
根据本发明的一种实施方式,步骤S27中,位置x(i,j)的更新方法包括:
首先计算动态惯性权重w,公式如下:
w=Wmax-(Wmax-Wmin)×k/T
其中,k代表第k轮迭代,Wmax为惯性权重最大值,Wmin为惯性权重最小值;
然后对第i个粒子的第j台设备的速度v(i,j)进行更新,公式如下:
v(i,j)新=w×v(i,j)+C1×rand×[p(i,j)-x(1,j)]+C2×rand×[g-x(1,j)]
其中,C1,C2为学习因子;
若得到的v(i,j)新不在Vmin到Vmax之间,则进行规则化处理:
v(i,j)新=rand×(Vmax-Vmin)+Vmin;
根据v(i,j)新,计算第i个粒子的第j台设备的位置更新系数vx(i,j),公式如下:
式中,i表示第i个粒子,j表示第j台设备;
然后对第i个粒子的位置进行更新,得到x(i,j)新,公式如下:
式中,x(i,j)新=1表示选择该设备,x(i,j)新=0表示放弃该设备;rand表示0-1之间的随机数。
据本发明的一种实施方式,所述最终全局最优位置代表优选出的设备和/或放弃的设备,最终的全局最优值表示所选择设备的价值总和最高,面积不超过平台可用面积。
本发明还提出一种计算机装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现所述的海上平台甲板面积最优分配方法的步骤。
本发明还提出一种计算机存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现所述的海上平台甲板面积最优分配方法的步骤。
本发明综合考虑海洋钻采平台可用甲板面积,以及热采与增产作业所需设备的占地面积、重要度,基于粒子群算法,提出的海上热采与增产作业期间平台甲板面积最优分配方法,使得能在不超过甲板可用面积或空间的前提下,布置总价值度最高的设备,为海上油田热采或增产作业提供了设备场地保障。
附图说明
图1为本发明一实施例海上热采与增产作业期间平台甲板面积最优分配方法流程图。
具体实施方式
以下将结合附图对本发明的较佳实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
本发明综合考虑海洋钻采平台可用甲板面积,以及热采与增产作业所需设备的占地面积、重要度,基于粒子群算法,提出了一种海上热采与增产作业期间平台甲板面积最优分配方法。该方法能在不超过甲板可用面积或空间的前提下,布置总价值度最高的设备,为海上油田热采或增产作业提供设备场地保障。
本发明基于的粒子群算法模拟鸟群觅食过程中的飞行路线,通过学习个体经验和群体经验,二者协同迭代寻找最优解,数学过程易实现,并且没有过多参数需要调整。
为实现上述目的,本发明实施方式采取以下技术方案:
如图1所示,一种海上热采与增产作业期间平台甲板面积最优分配方法,该方法包括如下步骤:
1)列出海上热采作业与增产作业期间,所涉及的可能需要的m台设备占地面积S(i)以及重要度Z(i),i=1~m,并明确平台甲板可用面积V。
其中,设备重要度Z(i)的取值,可根据以往作业记录中,选择布置该设备的次数与总作业次数的比值确定,利用该方式确定的重要度Z(i)更加客观、真实。
2)预设本算例中粒子个数N,最大迭代次数T,学习因子C1=C2,粒子的维度D(D值等于设备台数m),惯性权重最大值Wmax和最小值Wmin,速度最大值Vmax和最小值Vmin,惩罚函数系数Cf。
3)对N个粒子的位置x(i,j)进行初始化(i表示第i个粒子,j表示第j台设备),x(i,j)=0表示放弃,x(i,j)=1表示使用,初始位置用0~1之间的随机数表示,代表一开始m台设备的状态介于放弃和使用之间。
对N个粒子的速度v(i,j)进行初始化,初始速度介于Vmin和Vmax之间,速度为正表示对x(i,j)进行增大,为负表示对x(i,j)进行减小。
4)计算每个粒子的初始最优位置p(i,j)和初始最优值pbest(i)(即所选择设备的重要度总和),其中i=1~N,共N个值,每个粒子的初始最优位置p(i,j)为第3步骤的初始位置x(i,j),初始最优值pbest(i)公式见后。
5)计算整个粒子群的初始全局最优位置g和初始全局最优值gbest。
从第1个粒子至第N个粒子进行遍历,选取全部N个粒子中最大的pbest(i)作为初始全局最优值gbest,对应的粒子位置x(i,j)作为初始全局最优位置g。
6)进行第一轮迭代运算(共进行T轮),更新全部N个粒子的位置x(i,j)得到x(i,j)新,根据N个粒子的新位置x(i,j)新,利用步骤4)重新计算每个粒子的pbest(i),选其中的最大值作为第一轮迭代后的全局最优值gbest,对应的粒子位置——x(i,j)新作为第一轮迭代后的全局最优位置。位置x(i,j)的更新步骤见后。
7)然后进行第2至T轮迭代,依次记录每轮迭代的全局最优位置g和全局最优值gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。
上述的方法中,步骤2)中,设置粒子个数N=20*m,最大迭代次数T=30*m,学习因子C1=C2=1.5,粒子的维度D等于涉及的设备数量m,推荐惯性权重最大值Wmax=0.9和最小值Wmin=0.4,速度最大值和最小值惩罚函数系数
上述步骤中算法参数设置由固定值和函数值两类组成,其中学习因子C1与C2、惯性权重最大值Wmax和最小值Wmin四个参数为固定值,粒子个数N、最大迭代次数T、速度最大值、最小值和惩罚函数系数五个参数不是固定值,而是随着设备面积与重要度变化的函数。
在以往的粒子群算法中,对粒子个数N、最大迭代次数T、速度最大值、最小值和惩罚函数系数五个参数的取值是固定值,但这种取值方法可能会引起程序无法运行,因此本发明中采用函数值方式,保证算法程序能正常运行。此外,学习因子C1与C2、惯性权重最大值Wmax和最小值Wmin四个参数取前述固定值时,计算收敛速度较快。
上述的方法中,步骤3-4)中每个粒子的初始位置是0-1之间的随机数,而非0或1本身,表示每台设备最初的状态是介于使用和放弃之间的模糊状态,而非确切的取舍状态。这种模糊取舍的好处是,保证最初各设备的取舍机会是均等的,不会出现个人喜好对设备取舍的影响。
上述的方法中,步骤4)中,第i个粒子的初始最优值pbest(i)公式如下:
式中,i=1~N;x(i,j)为粒子的初始位置;Z(j)为设备j的重要度。
得到pbest(i)后,需计算每个粒子代表的设备总面积V(i),如第i个粒子代表的设备总面积V(i):
式中,i=1~N;x(i,j)为粒子的初始位置;S(j)为设备j的面积。
假如V(i)≤可用面积V,则pbest(i)即为该粒子初始最优值;
假如V(i)>可用面积V,则该粒子初始最优值pbest(i)=pbest(i)-Cf×[V(i)-V]。
上述的方法中,步骤5)中是利用全部粒子中最大的pbest(i)作为初始全局最优值,对应的粒子位置作为初始全局最优位置,该位置是0-1之间的随机数,表示初始全局最优位置也是介于使用和放弃之间的模糊状态。
上述的方法中,步骤6)中,粒子位置x(i,j)的更新步骤如下:
首先计算动态惯性权重w:
w=Wmax-(Wmax-Wmin)×k/T
式中,k代表第k轮迭代。
然后对第i个粒子的第j台设备的速度v(i,j)进行更新,公式如下:
v(i,j)新=w×v(i,j)+C1×rand×[p(i,j)-x(1,j)]+C2×rand×[g-x(1,j)]
若得到的v(i,j)新不在Vmin到Vmax之间,则进行规则化处理:
v(i,j)新=rand×(Vmax-Vmin)+Vmin
根据v(i,j)新,计算第i个粒子的第j台设备的位置更新系数vx(i,j),公式如下:
式中,i表示第i个粒子,j表示第j台设备。
然后对第i个粒子的位置进行更新,得到x(i,j)新,公式如下:
式中,x(i,j)新=1表示选择该设备,x(i,j)新=0表示放弃该设备;rand表示0~1之间的随机数。
步骤6)中,通过计算动态惯性权重w来更新速度v(i,j),如v(i,j)新=w×v(i,j)+C1×rand×[p(i,j)-x(1,j)]+C2×rand×[g-x(1,j)],公式中第一项为历史惯性,第二项为个体经验,第三项为群体经验。在本步骤中综合学习个体经验和群体经验获得新速度,容错性更强。而且惯性权重w是随着迭代轮次变化的动态值,能在每一轮迭代中提供最合适的惯性权重,能防止静态值可能引起的程序无法收敛的现象。
步骤6)中,得到新速度v(i,j)新后进一步计算位置更新系数vx(i,j),是通过比较位置更新系数与0~1之间随机数的大小,将全部粒子的位置更新为0或1,利用新位置x(i,j)新计算每个粒子的pbest(i),选其中最大值作为第一轮迭代后的全局最优值,对应的粒子位置作为第一轮迭代后的全局最优位置。这样,经过第一轮迭代后,所有的设备状态就由模糊状态变为了确切的取舍状态。后续将由步骤7)进行多轮迭代,对取舍状态再进行优化。
上述步骤7)中,通过重复步骤6)的模式,得到最终的全局最优位置g和全局最优值gbest。最终全局最优位置表示优选出的设备和放弃的设备,最终全局最优值表示所选择设备的价值总和最高,面积不会超过平台可用面积。经多次实际验证,上述参数(含固定值、函数值)的设置能够保证程序运行稳定,收敛速度快。
本发明基于的粒子群算法属于人工智能仿生算法,通过模拟鸟群等生物群体的协同觅食行为,综合考虑个体经验和群体经验,通过合理的参数设置,迭代寻找最优解。搜索速度快,可编程实现,算法运行稳定,易于被现场工程师接纳和理解,且迭代轮次之间具有记忆性,每轮迭代都在不断接近最优解,结果可靠。
实施例
下面结合附图对本发明做进一步说明,但本发明并不局限于以下实例。
如图1所示,本发明提供的一种海上热采与增产作业期间平台甲板面积最优分配方法,包括以下步骤:
1)列出海上热采作业或增产作业期间,所涉及的可能需要的10台设备占地面积S以及重要度Z,并明确平台可用甲板面积V=1600㎡。
2)预设本算例中粒子个数N=200,最大迭代次数T=300,学习因子C1=C2=1.5,粒子的维度D=10,惯性权重最大值Wmax=0.9和最小值Wmin=0.4,速度最大值Vmax=0.725和最小值Vmin=-0.725,惩罚函数系数Cf=0.038。
3)对200个粒子的位置x(i,j)进行初始化(i表示第i个粒子,j表示第j台设备),x(i,j)=0表示放弃,x(i,j)=1表示使用,初始位置用0~1之间的随机数表示,代表一开始10台设备的状态介于放弃和使用之间。
粒子位置初始化
No | 设备1 | 设备2 | 设备3 | 设备4 | 设备5 | 设备6 | 设备7 | 设备8 | 设备9 | 设备10 |
x(1,j) | 0.51 | 0.55 | 0.91 | 0.54 | 0.13 | 0.94 | 0.08 | 0.28 | 0.83 | 0.47 |
x(2,j) | 0.84 | 0.55 | 0.02 | 0.43 | 0.53 | 0.38 | 0.63 | 0.62 | 0.05 | 0.57 |
… | … | … | … | … | … | … | … | … | … | … |
x(200,j) | 0.81 | 0.65 | 0.49 | 0.94 | 0.99 | 0.09 | 0.77 | 0.02 | 0.53 | 0.36 |
对200个粒子的速度v(i,j)进行初始化,初始速度介于Vmin和Vmax之间,速度为正表示对x(i,j)进行增大,为负表示对x(i,j)进行减小。
粒子速度初始化
No | 设备1 | 设备2 | 设备3 | 设备4 | 设备5 | 设备6 | 设备7 | 设备8 | 设备9 | 设备10 |
v(1,j) | -0.34 | 0.48 | -0.52 | 0.25 | 0.16 | 0.13 | 0.48 | 0.60 | -0.37 | -0.10 |
v(2,j) | -0.36 | -0.68 | -0.15 | -0.13 | -0.01 | -0.58 | 0.43 | 0.15 | -0.29 | 0.53 |
… | ||||||||||
v(200,j) | 0.59 | 0.08 | 0.59 | 0.40 | -0.41 | -0.69 | -0.12 | 0.49 | 0.05 | -0.11 |
4)计算每个粒子的初始最优位置p(i,j)和初始最优值pbest(i)(即设备重要度的总和)。
每个粒子的初始最优位置p(i,j)即为第3步的初始位置x(i,j)。
计算每个粒子的初始最优值pbest(i),例如第一个粒子的初始最优值pbest(1),计算公式如下:
pbest(1)=0.51×0.6+0.55×0.75+…+0.47×0.85=4.19
计算每个粒子代表的设备总面积V(i),例如第一个粒子代表的设备总面积V(1):
V(1)=0.51×190+0.55×210+…+0.47×130=1081㎡
假如V(i)≤可用面积V,则pbest(i)即为该粒子初始最优值;
假如V(i)>可用面积V,则该粒子初始最优值为pbest(i)-Cf×[V(i)-V]。
这样得到每个粒子的初始最优值pbest(i)(i=1~200,共200个值)。
每个粒子的初始最优位置和初始最优值
5)计算整个粒子群的初始全局最优位置g和初始全局最优值gbest。
从第1个粒子至第200个粒子进行遍历,选取200个粒子中最大的pbest(i)作为初始全局最优值gbest,对应的粒子位置x(i,j)作为初始全局最优位置g。
本算例中,初始全局最优值gebest=5.94。
对应的初始全局最优位置为第160个粒子,位置具体信息如下表:
粒子群的初始全局最优位置和初始全局最优值
6)进行第一轮迭代(共进行T=300轮),在第一轮迭代中,对第1至第200个粒子进行遍历,第1个粒子为例,首先计算动态惯性权重w:
w=Wmax-(Wmax-Wmin)×1/T=0.9-(0.9-0.4)×1/300=0.89
式中,1代表第1轮迭代。
然后对第1个粒子的第j台设备速度进行更新,例如第1台设备速度更新如下:
v(1,1)新=w×v(1,1)+C1×rand×[p(1,j)-x(1,1)]+C2×rand×[g-x(1,1)]
=0.89×-0.34+1.5×rand×(0.51-0.51)+1.5×rand×(0.97-0.51)=-0.24
若得到的v(1,j)新不在Vmin到Vmax之间,则进行规则化处理:
v(1,j)新=rand×(Vmax-Vmin)+Vmin
第1个粒子的新速度
No | 设备1 | 设备2 | 设备3 | 设备4 | 设备5 | 设备6 | 设备7 | 设备8 | 设备9 | 设备10 |
v(1,j) | -0.34 | 0.48 | -0.52 | 0.25 | 0.16 | 0.13 | 0.48 | 0.60 | -0.37 | -0.10 |
v(1,j)新 | -0.24 | 0.45 | -0.49 | 0.27 | 0.26 | 0.12 | 0.52 | 0.62 | -0.33 | -0.05 |
根据新的速度v(1,j)新,计算第1个粒子中第j台设备的位置更新系数vx(1,j),例如第1台设备的位置更新系数vx(1,1)公式如下:
然后对第1个粒子的位置进行更新,如果第j台设备的vx(1,j)大于0~1之间的随机数rand,则第j台设备x(1,j)=1即选择该设备,否则x(1,j)=0即放弃该设备,这样得到第1个粒子的新位置x(1,j)新如下表:
第1个粒子的新位置
No | 设备1 | 设备2 | 设备3 | 设备4 | 设备5 | 设备6 | 设备7 | 设备8 | 设备9 | 设备10 |
v(1,j) | -0.34 | 0.48 | -0.52 | 0.25 | 0.16 | 0.13 | 0.48 | 0.60 | -0.37 | -0.10 |
v(1,j)新 | -0.24 | 0.45 | -0.49 | 0.27 | 0.26 | 0.12 | 0.52 | 0.62 | -0.33 | -0.05 |
vx(1,j) | 0.44 | 0.61 | 0.38 | 0.57 | 0.56 | 0.53 | 0.63 | 0.65 | 0.42 | 0.49 |
x(1,j)新 | 1 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 0 | 1 |
至此,第一轮迭代中第1个粒子的位置x(1,j)更新完毕,继续更新第2个粒子的位置x(2,j),直至200个粒子位置全部更新完毕。
根据200个粒子的新位置,利用步骤4)重新计算每个粒子的pbest(i),选其中的最大值作为第一轮迭代后的全局最优值gbest,对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优位置g。
7)然后进行第2至300轮迭代,依次记录每轮迭代的全局最优位置g和全局最优值gbest,300轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。本算例中最终的全局最优值gbest=6.15。最终的全局最优位置g,如下表:
第300轮迭代后,粒子群的全局最优位置和全局最优值
结果表明:除第5、第7台设备之外全部可以运上平台,总占地面积为1580㎡,设备总价值为6.15。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化与修改,均应属于本发明保护的范围。而且需要说明的是,本发明的各组成部分并不仅限于上述整体应用,本发明的说明书中描述的各技术特征可以根据实际需要选择一项单独采用或选择多项组合使用,因此本发明当然地涵盖了与本案发明点有关的其他组合及具体应用。
Claims (10)
1.一种海上平台甲板面积最优分配方法,其特征在于,所述方法包括如下步骤:
S1、确定海上热采作业或增产作业期间,所涉及的m台设备各自的占地面积S(i)以及重要度Z(i),i=1~m,并明确平台甲板可用面积V;
S2、利用粒子群算法对m台设备的取舍状态进行T轮迭代,T为最大迭代次数,依次记录每轮迭代的整个粒子群的全局最优位置g和全局所选择设备的重要度总和gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。
2.根据权利要求1所述的海上平台甲板面积最优分配方法,其特征在于,所述S2步骤包括:
S21、预设粒子个数N、最大迭代次数T、学习因子C1与C2、粒子的维度D、惯性权重最大值Wmax和惯性权重最小值Wmin、速度最大值Vmax和速度最小值Vmin、惩罚函数系数Cf;
S22、对N个粒子的位置x(i,j)进行初始化,其中i表示第i个粒子,j表示第j台设备,x(i,j)=0表示放弃,x(i,j)=1表示使用,各粒子的初始位置用0~1之间的随机数表示;
S23、对N个粒子的速度v(i,j)进行初始化,初始速度介于Vmin和Vmax之间,速度为正表示对x(i,j)进行增大,为负表示对x(i,j)进行减小;
S24、计算每个粒子的初始最优位置p(i,j)和初始最优值pbest(i),初始最优值pbest(i)为所选择设备的重要度总和,其中i=1~N,共N个值,每个粒子的初始最优位置p(i,j)等于所述初始位置x(i,j);
S25、计算整个粒子群的初始全局最优位置g和初始全局最优值gbest:
从第1个粒子至第N个粒子进行遍历,选取全部N个粒子中最大的初始最优值pbest(i)作为初始全局最优值gbest,对应的粒子位置x(i,j)作为初始全局最优位置g;
S26、进行第一轮迭代运算,更新全部N个粒子的位置x(i,j),根据N个粒子的新位置x(i,j)新,重新计算每个粒子的初始最优值pbest(i),选其中的最大值作为第一轮迭代后的全局最优值gbest,对应的粒子位置x(i,j)新作为第一轮迭代后的全局最优位置;
S27、依照S26的迭代方法进行第2至T轮迭代,依次记录每轮迭代的全局最优位置g和全局最优值gbest,T轮迭代后的g和gbest就是最终的全局最优位置和全局最优值。
4.根据权利要求2或3所述的海上平台甲板面积最优分配方法,其特征在于,步骤S24中,每个粒子的初始位置是0~1之间的随机数,不包括0或1本身。
7.根据权利要求2或3或6所述的海上平台甲板面积最优分配方法,其特征在于,步骤S27中,位置x(i,j)的更新方法包括:
首先计算动态惯性权重w,公式如下:
w=Wmax-(Wmax-Wmin)×k/T
其中,k代表第k轮迭代,Wmax为惯性权重最大值,Wmin为惯性权重最小值;
然后对第i个粒子的第j台设备的速度v(i,j)进行更新,公式如下:
v(i,j)新=w×v(i,j)+C1×rand×[p(i,j)-x(1,j)]+C2×rand×[g-x(1,j)]
其中,C1,C2均为学习因子;
若得到的v(i,j)新不在Vmin到Vmax之间,则进行规则化处理:
v(i,j)新=rand×(Vmax-Vmin)+Vmin;
根据v(i,j)新,计算第i个粒子的第j台设备的位置更新系数vx(i,j),公式如下:
式中,i表示第i个粒子,j表示第j台设备;
然后对第i个粒子的位置进行更新,得到x(i,j)新,公式如下:
式中,x(i,j)新=1表示选择该设备,x(i,j)新=0表示放弃该设备;rand表示0~1之间的随机数。
8.根据权利要求1或2或3或6所述的海上平台甲板面积最优分配方法,其特征在于,所述最终全局最优位置代表优选出的设备和/或放弃的设备,最终的全局最优值表示所选择设备的价值总和最高,面积不超过平台可用面积。
9.一种计算机装置,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1至8任一项所述的海上平台甲板面积最优分配方法的步骤。
10.一种计算机存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至8任一项所述的海上平台甲板面积最优分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510138.6A CN113139695A (zh) | 2021-05-11 | 2021-05-11 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510138.6A CN113139695A (zh) | 2021-05-11 | 2021-05-11 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139695A true CN113139695A (zh) | 2021-07-20 |
Family
ID=76817133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510138.6A Pending CN113139695A (zh) | 2021-05-11 | 2021-05-11 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139695A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468793A (zh) * | 2021-07-21 | 2021-10-01 | 中海石油(中国)有限公司 | 一种丛式井平台位置优选方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508431A (zh) * | 2011-11-04 | 2012-06-20 | 江苏科技大学 | 一种海洋钻井平台动力定位***推力分配方法 |
CN103984989A (zh) * | 2014-05-08 | 2014-08-13 | 中国石油大学(华东) | 石油钻机设备布局优化方法及*** |
US20180107952A1 (en) * | 2016-10-14 | 2018-04-19 | Conocophillips Company | Connectivity based approach for field development optimization |
CN107992965A (zh) * | 2017-11-27 | 2018-05-04 | 河北省水利工程局 | 基于粒子群算法的小流域水土资源协调优化方法 |
CN110782087A (zh) * | 2019-10-24 | 2020-02-11 | 大连海事大学 | 一种海上应急物资优化调度方法及*** |
EP3644267A1 (en) * | 2018-10-26 | 2020-04-29 | Tata Consultancy Services Limited | Method and system for online monitoring and optimization of mining and mineral processing operations |
-
2021
- 2021-05-11 CN CN202110510138.6A patent/CN113139695A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508431A (zh) * | 2011-11-04 | 2012-06-20 | 江苏科技大学 | 一种海洋钻井平台动力定位***推力分配方法 |
CN103984989A (zh) * | 2014-05-08 | 2014-08-13 | 中国石油大学(华东) | 石油钻机设备布局优化方法及*** |
US20180107952A1 (en) * | 2016-10-14 | 2018-04-19 | Conocophillips Company | Connectivity based approach for field development optimization |
CN107992965A (zh) * | 2017-11-27 | 2018-05-04 | 河北省水利工程局 | 基于粒子群算法的小流域水土资源协调优化方法 |
EP3644267A1 (en) * | 2018-10-26 | 2020-04-29 | Tata Consultancy Services Limited | Method and system for online monitoring and optimization of mining and mineral processing operations |
CN110782087A (zh) * | 2019-10-24 | 2020-02-11 | 大连海事大学 | 一种海上应急物资优化调度方法及*** |
Non-Patent Citations (4)
Title |
---|
唐承: "基于灵敏度分析的***可靠性稳健分配优化方法", ***工程理论与实践, vol. 37, no. 7, pages 1903 - 1909 * |
杨晓燕;陈国龙;郭文忠;: "基于粒子群优化的最小属性约简算法", 福州大学学报(自然科学版), vol. 38, no. 02, pages 193 - 197 * |
王逢德;肖文生;刘健;徐葱葱;杨旭;耿玉豪;: "基于改进粒子群算法的海洋钻机***布局优化", 中国石油大学学报(自然科学版), vol. 40, no. 02, pages 123 - 128 * |
黄川;吕靖;艾云飞;: "基于水域精细划分的VTS雷达站选址配置优化", 交通运输工程学报, no. 03, pages 198 - 211 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468793A (zh) * | 2021-07-21 | 2021-10-01 | 中海石油(中国)有限公司 | 一种丛式井平台位置优选方法、***及存储介质 |
CN113468793B (zh) * | 2021-07-21 | 2024-05-24 | 中海石油(中国)有限公司 | 一种丛式井平台位置优选方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
CN112016812B (zh) | 多无人机任务调度方法、***及存储介质 | |
Luo et al. | Species-based particle swarm optimizer enhanced by memory for dynamic optimization | |
Smith et al. | Neural techniques for combinatorial optimization with applications | |
US6269351B1 (en) | Method and system for training an artificial neural network | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN108573303A (zh) | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 | |
CN110288048B (zh) | 一种svm有向无环图的海底管道风险评估方法 | |
CN106131862A (zh) | 无线传感器网络中基于多目标进化算法的优化覆盖方法 | |
CN110363343A (zh) | 一种混合自适应的水电站群智能优化调度方法及*** | |
Lee et al. | Fuzzy inference neural network for fuzzy model tuning | |
Janikow | A genetic algorithm method for optimizing the fuzzy component of a fuzzy decision tree | |
CN113139695A (zh) | 海上热采与增产期甲板分配方法、计算机装置及存储介质 | |
CN115689070B (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
CN115755598A (zh) | 一种智能航天器集群分布式模型预测路径规划方法 | |
Lin et al. | Designing mamdani type fuzzy rule using a collaborative FCM scheme | |
CN113128617B (zh) | 基于Spark和ASPSO的并行化K-means的优化方法 | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及*** | |
Reddy et al. | Capacitor placement using fuzzy and particle swarm optimization method for maximum annual savings | |
CN117268391B (zh) | 一种基于目标分层架构的变形飞行器智能规划方法及*** | |
Boopathy et al. | A multivariate interpolation and regression enhanced kriging surrogate model | |
Motameni | PSO for multi-objective problems: Criteria for leader selection and uniformity distribution | |
Teoh et al. | A columnar competitive model with simulated annealing for solving combinatorial optimization problems | |
Chen et al. | Training fuzzy logic controller software components by combining adaptation algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |